引言：兩個世界的距離
昨天，當 AMD 執行長蘇姿丰在 CES 2026 上高喊「AI 屬於終端」時，我轉頭看了一眼我腳邊那台發出低頻轟鳴的巨獸。
她描繪的未來是優雅的：Strix Halo、統一記憶體、高度整合。
而我的現實是暴力的：兩顆電源供應器（其中一顆掛在機殼外面）、透過一條淘寶買的 SATA 轉 ATX 啟動卡同步「心跳」，驅動著兩張不同品牌的 RTX 3090。機殼內部充滿了電鑽修改過的痕跡，一根根電源線從縫隙拉進去，像是接駁外掛的維生系統。
第一章：Z370 的前世今生 — 從隔離環境到 AI 煉丹爐
這台機器的底座，是一張 2017 年代的 GIGABYTE Z370 主機板。它並不是單純的電子垃圾，而是我過去開發生涯的見證。
身為一名長期使用 Mac 進行開發的工程師（9 年 Frontend/IoT 經驗），我經常遇到一個痛點：客戶端的應用程式僅支援 Windows。為了不讓工作用的 MacBook Pro 環境變得混雜、臃腫，我在 2023 年 8 月組裝了這台電腦，專門用來隔離處理 Windows 端的測試需求。
一台備用機，滿足特定用途，何必高端。Z370 + i7-8700K + 16GB RAM，夠了。
多年過去，這台原本為了「隔離工作環境」而生的機器，被我塵封在書房角落，直到 2025 年 12 月。當我開始構想 Geo Decision Matrix 專案需要 48GB VRAM 的時候，我突然想起了它。
為什麼不拿來改造？反正也閒著。
於是它被賦予了新的使命：扛起全量地理數據的矩陣運算。從 Windows 客戶端測試機，變成了 Linux AI Server。從塵埃中挖出來，插上兩張卡皇，拿起電鑽，拉起電源線，重新燃燒。
第二章：硬體揭秘 — 空間的暴力置換、電鑽與「外掛心臟」
為了湊出 48GB VRAM，我在 2025 年 12 月的二手市場淘來了兩張卡皇：
主卡：EVGA RTX 3090 FTW3 ULTRA（額定 350W）
副卡：ASUS ROG STRIX RTX 3090 GAMING OC（額定 350W）
為了應對這兩張卡加起來超過 1000W 的瞬時功耗尖峰，我決定上 「雙電供（Dual PSU）」 方案：主系統用 Cooler Master MWE 1050W，副卡獨佔一顆 Cooler Master XG 850。
物理空間的惡夢：外掛電源
但這裡出現了一個致命的物理難題。
ROG STRIX RTX 3090 實在太肥。當我把它插進 PCIe Slot 2 並為了散熱空間而傾斜安裝時，它直接佔據了 Phanteks 機殼原本分配給第二顆電源的位置。
MWE 1050W 已經佔了一個坑，那 XG 850 去哪裡？
答案是：外掛在機殼外面。
主電源安分地待在機殼內；而副電源 XG 850，則被我用鋼絲架「外掛」在主機前方。電源線透過機殼的通風孔縫隙拉進去，看起來就像一台正在進行心外膜起搏（ECMO）的患者。
電鑽與銅柱：當顯卡立架不合時
如果不只是電源沒地方放，連顯卡都鎖不上呢？
為了把那張巨大的 ASUS 副卡塞進底部電源倉的位置，我必須使用顯卡延長線（Riser Cable）進行直立安裝。但悲劇發生了：我手邊的 GPU 延長線與機殼原本的顯卡立架孔位不合——延長線的鎖點太短，根本夠不到立架上的螺絲孔。
這時候正常的工程師會去買一條相容的線。但我沒有。
我拿出了電鑽。
我看準了延長線的孔距，直接在機殼的鋼板立架上鑽出了新的孔位。接著，我找來主機板用的六角銅柱（Standoffs），拴進新開的孔裡，硬生生造出了一個全新的、堅固的鎖點。
當螺絲轉緊的那一刻，我意識到這已經不只是組裝電腦，這是 Case Modding（機殼改造）。
淘寶的智慧：SATA 同步啟動卡
最後，怎麼讓那顆「流浪」在機殼外的電源跟著主機同步開關？
我在淘寶上找到了一個價格幾塊錢人民幣的 SATA 轉 ATX 啟動卡。
原理極其簡單暴力：
主電源的 SATA 線接上這張轉接卡。
當主機通電，SATA 供電觸發卡上的繼電器。
繼電器閉合，喚醒副電源的 24-pin。
按下開關的那一刻，機殼內的 EVGA、機殼外的 ASUS，以及那個被電鑽強行固定的立架，同時發出運轉的聲音。簡單、便宜、充滿了駭客精神。
第三章：撞牆 — 當 Docker 遇上 NCCL Error
硬體亮了，不代表軟體通了。
我的目標很清楚：用 RAPIDS Dask 啟動分散式運算，讓這兩張卡並聯跑 K-Means。理論上應該能達到接近 2 倍的速度。
但我花了整整一週的時間，只換來終端機上的一行字：
第一道牆：頻寬不對等
這就是**「地端算力的代價」**。
在雲端，你有 NVLink (900 GB/s)。而在地端，我只有 Z370 的 PCIe 3.0 x16。
理論頻寬是 32 GB/s，但在 P2P（Peer-to-Peer）通訊下，實測只有 12-15 GB/s。因為 Z370 的 PCIe 拓撲設計，所有 GPU 通訊都必須經過 Memory Controller Hub 中介，每一層都引入了延遲。
第二道牆：型號不對等
EVGA 和 ASUS 的卡雖然都是 3090，但 VBIOS、時脈、功耗策略完全不同。
當 NCCL 試圖建立「通訊環（Ring）」時，時脈差異（2550MHz vs 2300MHz）導致了嚴重的同步延遲。最終，NCCL 在容器內檢測失敗，P2P 被強制禁用（P2P Disabled）。
成績單：雙卡竟然比單卡還慢 2.8 倍
當 P2P 被禁用，Dask 的所有跨 GPU 數據交換都必須經過 CPU 記憶體中介（PCIe Transfer）。海量的重複傳輸讓雙卡方案跑了 420 秒，而單卡只花了 150 秒。
我拿著電鑽解決了物理問題，卻被物理定律（頻寬）解決了。
第四章：架構轉折 — 承認失敗，擁抱混合架構
這是一個工程師最痛苦的時刻：承認你的硬體架構無法支撐你的軟體野心。
我決定不再追求「兩張卡同時算」，而是追求「有效率的算」。
Stage 1：CPU 扛下髒活 — Apache Spark ETL
100 萬筆原始地理數據是「髒數據」。我將清洗工作交給 CPU 上的 Apache Spark，它能高效處理邏輯判斷，並輸出為 Parquet 格式。
Stage 2：Parquet 交接 — 列式儲存的優雅
Parquet 的列式結構讓 GPU 在讀取時能精確對齊記憶體邊界，極大化頻寬利用率。
Stage 3：RAPIDS cuML 單點突破
現在，我只用一張卡（EVGA 主卡）。
結果：150 秒完成。快了 2.8 倍，且零 NCCL Error。
# K-Means on single GPU
import cudf
from cuml import KMeans
gdf = cudf.read_parquet('/data/geo_data_clean/')
kmeans = KMeans(n_clusters=50)
kmeans.fit(gdf)
第五章：展望 — 為什麼 Strix Halo 讓我激動
回到開頭的 CES 2026。蘇姿丰說「AI 屬於終端」。
經歷過這一週的痛苦後，我終於明白 AMD Strix Halo（Ryzen AI Max+）的價值。
它的關鍵創新是 統一記憶體（Unified Memory）。CPU 和 GPU 共享同一個 96GB 的 LPDDR5X 池子。
這意味著：沒有 PCIe 瓶頸，沒有 VBIOS 相容性問題，不需要外掛電源，當然，也不需要拿電鑽去鑽你的主機。
但在 Strix Halo 普及之前，這台「掛著尿袋、滿身鑽孔」的 Z370 怪獸，依然是我最驕傲的戰友。
因為它教了我什麼是真正的工程：不是追逐最新最強的硬體，而是在限制中找到優雅的出口。
這就是地端開發者的浪漫。
待續：在這套混合架構的基礎上，我計畫加入 RAPIDS cuGraph 進行地理網路分析。Geo Decision Matrix 第三部曲，才剛剛開始。
