برای هوش مصنوعی چه پردازنده‌ای بخریم؟ راهنمای انتخاب بهترین CPU مناسب AI

وقتی صحبت از اجرای هوش مصنوعی روی کامپیوتر می‌شود، بیشتر توجه‌ها به کارت گرافیک و مقدار VRAM آن معطوف است؛ اما CPU هم می‌تواند روی عملکرد و تجربه کار با مدل‌های AI تأثیرگذار باشد. سؤال اینجاست که برای اجرای LLM، تولید تصویر و ویدئو یا سایر کاربردهای هوش مصنوعی واقعاً به چه پردازنده‌ای نیاز داریم و آیا خرید یک CPU رده‌بالا همیشه به معنی عملکرد بهتر است؟

مقدمه

انتخاب پردازنده برای یک سیستم مجهز به قابلیت‌های هوش مصنوعی (AI) با انتخاب CPU برای یک کامپیوتر معمولی تفاوت‌هایی دارد؛ اما این تفاوت به این معنا نیست که هر کاربرد AI به یک پردازنده رده‌بالا نیاز دارد. در بسیاری از کاربردهای امروزی، به‌ویژه هنگام اجرای مدل‌های AI روی کامپیوتر شخصی، بخش اصلی محاسبات می‌تواند توسط GPU انجام شود و CPU بیشتر وظایفی مانند اجرای نرم‌افزار، آماده‌سازی و پردازش داده، مدیریت حافظه و هماهنگی میان اجزای سیستم را بر عهده دارد.

بنابراین انتخاب CPU باید بر اساس نوع مدل، نحوه اجرای آن، میزان استفاده از CPU و GPU و سایر اجزای سیستم انجام شود، نه صرفاً تعداد هسته یا فرکانس.

در این راهنما بررسی می‌کنیم CPU دقیقاً چه نقشی در اجرای مدل‌های هوش مصنوعی دارد و هنگام انتخاب پردازنده برای کاربردهای مختلف AI باید به چه عواملی توجه کرد.

CPU در اجرای هوش مصنوعی چه نقشی دارد؟

در کاربردهای امروزی، وقتی از اجرای AI روی کامپیوتر شخصی صحبت می‌کنیم، معمولاً منظور اجرای یک مدل از پیش آموزش‌دیده برای انجام یک وظیفه مشخص است؛ برای مثال یک مدل زبانی بزرگ (LLM) برای تولید یا پردازش متن، یا یک مدل مولد برای تولید تصویر. در این شرایط، CPU یکی از اجزای زنجیره اجرای مدل است، اما الزاماً محل انجام تمام محاسبات نیست.

GPU به دلیل توانایی بالا در اجرای موازی عملیات ریاضی، برای بخش بزرگی از محاسبات مدل‌های یادگیری عمیق مناسب است و به همین دلیل در بسیاری از کاربردهای AI نقش شتاب‌دهنده اصلی را بر عهده دارد. CPU نیز وظایفی مانند اجرای نرم‌افزار و منطق برنامه، مدیریت داده‌ها و حافظه، و هماهنگی میان GPU و سایر اجزای سیستم را انجام می‌دهد.

بنابراین، CPU قوی‌تر لزوماً به معنی اجرای سریع‌تر هر مدل هوش مصنوعی نیست. میزان تأثیر CPU به نوع مدل، نحوه اجرای آن و این موضوع بستگی دارد که چه مقدار از بار محاسباتی روی CPU و چه مقدار روی GPU قرار گرفته باشد. به همین دلیل، برای انتخاب CPU مناسب یک سیستم AI باید ابتدا نوع بار کاری و شیوه اجرای مدل مورد نظر را مشخص کرد.

برای اجرای محلی مدل هوش مصنوعی به چند هسته CPU نیاز داریم؟

در انتخاب CPU برای کاربردهای هوش مصنوعی، تعداد هسته‌ها یکی از معیارهای مهم است، اما به‌تنهایی نمی‌تواند مشخص کند یک پردازنده برای AI مناسب است یا نه. دلیل این امر آن است که بار کاری یک مدل هوش مصنوعی بسته به نوع مدل، نرم‌افزار اجراکننده و نحوه تقسیم محاسبات میان CPU و GPU می‌تواند کاملاً متفاوت باشد.

برای مثال، هنگام اجرای یک مدل زبانی بزرگ (LLM) روی یک GPU مجزا، بخش اصلی محاسبات تانسوری مدل معمولاً روی GPU انجام می‌شود و افزایش تعداد هسته‌های CPU الزاماً به همان نسبت سرعت تولید توکن را افزایش نمی‌دهد. در چنین سیستمی، CPU بیشتر در اجرای نرم‌افزار، آماده‌سازی داده، مدیریت حافظه و هماهنگی با GPU نقش دارد. در مقابل، اگر مدل به‌صورت CPU-only اجرا شود، CPU مستقیماً بخش بسیار بیشتری از محاسبات را بر عهده می‌گیرد و تعداد هسته، توان پردازشی هر هسته و پهنای باند حافظه اهمیت بیشتری پیدا می‌کنند.

از طرف دیگر، کاربردهایی مانند پردازش داده، پیش‌پردازش و پس‌پردازش، کامپایل کد، اجرای هم‌زمان چند برنامه یا سرویس و استفاده از چند مدل می‌توانند بار بیشتری روی CPU ایجاد کنند. بنابراین ممکن است یک پردازنده ۸ هسته‌ای برای اجرای یک LLM روی GPU کاملاً کافی باشد، اما همان پردازنده برای یک سیستم حرفه‌ای با بارهای کاری متعدد محدودکننده شود.

به همین دلیل، به‌جای تعیین یک عدد ثابت به‌عنوان «حداقل هسته موردنیاز برای AI»، بهتر است CPUها را بر اساس نوع استفاده دسته‌بندی کنیم:

این اعداد صرفاً برای سطح‌بندی و انتخاب اولیه هستند و نباید به‌عنوان حداقل سخت‌افزار موردنیاز در نظر گرفته شوند؛ نیاز واقعی به تعداد هسته به اندازه مدل، Quantization، طول Context، نرم‌افزار اجراکننده و نحوه تقسیم بار میان CPU و GPU بستگی دارد.

آیا هسته بیشتر همیشه بهتر است؟

در بارهای کاری AI، تعداد هسته بیشتر زمانی ارزشمند است که نرم‌افزار بتواند از موازی‌سازی آن استفاده کند. در برخی مراحل، عملکرد هر هسته و تأخیر پردازش اهمیت بیشتری دارد و در برخی دیگر، اجرای هم‌زمان تعداد زیادی Thread می‌تواند مزیت ایجاد کند.

مهم‌ترین مشخصات CPU برای هوش مصنوعی چیست؟

هر مشخصه پردازنده می‌تواند تاثیری روی عملیات AI داشته باشد که در ادامه در مورد آنها صحبت می‌کنیم:

تعداد هسته و Thread

تعداد هسته مشخص می‌کند CPU چه مقدار توان پردازش موازی در اختیار دارد. این ویژگی در کارهایی مانند پیش‌پردازش و پس‌پردازش داده، اجرای هم‌زمان چند وظیفه، سرویس‌دهی به چند درخواست و اجرای مدل روی CPU اهمیت بیشتری پیدا می‌کند.

با این حال، هسته بیشتر لزوماً به معنی عملکرد بهتر در تمام کاربردهای AI نیست. اگر بخش عمده محاسبات یک مدل روی GPU انجام شود، افزایش تعداد هسته CPU ممکن است تأثیر نسبتاً محدودی بر زمان استنتاج (Inference) داشته باشد. در مقابل، در بارهای CPUمحور یا سیستم‌هایی که هم‌زمان چند وظیفه سنگین انجام می‌دهند، تعداد هسته بیشتر می‌تواند مزیت قابل‌توجهی ایجاد کند.

عملکرد هر هسته و فرکانس

در انتخاب پردازنده برای سیستم‌های هوش مصنوعی، تعداد هسته‌ها تنها معیار مهم نیست. IPC نشان می‌دهد یک هسته در هر سیکل کاری چه مقدار دستورالعمل را می‌تواند پردازش کند و در کنار فرکانس، یکی از عوامل مهم عملکرد تک‌هسته‌ای است.

طبق اعلام AMD، در سیستم‌های AI مجهز به GPU، CPU معمولاً وظایفی مانند آماده‌سازی داده، Tokenization در بارهای کاری مرتبط، زمان‌بندی و مدیریت درخواست‌ها را انجام می‌دهد. اگر این وظایف به اندازه کافی سریع انجام نشوند، ممکن است در برخی سناریوها GPU برای دریافت داده یا شروع کار بعدی منتظر بماند.

بنابراین، برای برخی بارهای کاری که به عملکرد تک‌هسته‌ای و تأخیر پایین حساس هستند، پردازنده‌ای با عملکرد بهتر در هر هسته می‌تواند حتی با تعداد هسته کمتر، انتخاب مناسب‌تری باشد. با این حال، در بارهای کاری CPUمحور و کاملاً موازی، تعداد هسته‌ها و توان پردازش چند‌هسته‌ای همچنان اهمیت بالایی دارند.

حافظه Cache

حافظه Cache برای نگهداری موقت داده‌ها و دستورالعمل‌هایی که CPU به آن‌ها دسترسی پرتکرار دارد استفاده می‌شود و می‌تواند با کاهش مراجعه به RAM، تأخیر دسترسی به داده را پایین بیاورد.

اهمیت کش در AI به نوع workload بستگی دارد. در بارهای کاری Memory-bound، کش بزرگ‌تر می‌تواند تعداد مراجعات به RAM را کاهش دهد. با این حال، در اجرای مدل‌های بزرگ، وزن‌های مدل معمولاً بسیار بزرگ‌تر از ظرفیت Cache پردازنده هستند.

بنابراین، کش بزرگ‌تر بیشتر در پردازش‌های جانبی، Tokenization و برخی بارهای کاری کوچک‌تر مفید است تا اینکه به‌تنهایی سرعت Inference مدل‌های بزرگ را تعیین کند.

پهنای باند و ظرفیت RAM

این مورد یکی از بخش‌هایی است که در راهنمای خرید CPU برای AI نباید نادیده گرفته شود. CPU برای پردازش داده‌های مدل و بارهای جانبی AI به RAM متصل است و اگر داده‌ها با سرعت کافی بین پردازنده و حافظه جابه‌جا نشوند، توان محاسباتی CPU ممکن است به‌طور کامل مورد استفاده قرار نگیرد.

• برای مقایسه، DDR5-6000 دوکاناله در پلتفرم دسکتاپ حدود ۹۶GB/s پهنای باند نظری دارد، در حالی که پلتفرم‌های Workstation با چند کانال حافظه می‌توانند چند برابر این مقدار را ارائه کنند.
•  یک پلتفرم Threadripper PRO با ۸ کانال DDR5 می‌تواند به پهنای باند نظری بیش از ۴۰۰ گیگابایت بر ثانیه برسد.
• در اجرای CPU-based LLM، پهنای باند حافظه یکی از عوامل مهم محدودکننده سرعت تولید توکن است؛ زیرا در هر مرحله از Inference حجم زیادی از وزن‌های مدل باید از حافظه خوانده شود. با این حال، عملکرد نهایی به معماری CPU، Cache، دستورالعمل‌های برداری، Quantization و نرم‌افزار اجراکننده نیز بستگی دارد.

بنابراین، هنگام انتخاب CPU برای اجرای مدل روی CPU یا Hybrid، تعداد کانال‌های حافظه، فرکانس RAM و پهنای باند کل به اندازه تعداد هسته‌ها، مهم هستند.

قابلیت‌های شتاب‌دهی AI و دستورالعمل‌های برداری

CPUهای مدرن علاوه بر پردازش عمومی، از قابلیت‌ها و مجموعه‌دستورالعمل‌های سخت‌افزاری برای تسریع برخی بارهای کاری AI نیز بهره می‌برند. Intel AMX در پردازنده‌های منتخب Xeon برای شتاب‌دهی محاسبات ماتریسی، به‌ویژه در دقت‌هایی مانند INT8 و BF16، طراحی شده است. دستورالعمل‌هایی مانند AVX-512 نیز در برخی بارهای CPUمحور می‌توانند به بهبود عملکرد کمک کنند.

AVX-512 مجموعه‌ای از دستورالعمل‌های برداری است که در برخی محاسبات عددی و بارهای AI مبتنی بر CPU می‌تواند عملکرد را افزایش دهد. میزان تأثیر آن به معماری پردازنده، نوع داده و نرم‌افزار یا Backend اجراکننده بستگی دارد؛ بنابراین پشتیبانی از AVX-512 به‌تنهایی تضمین‌کننده افزایش عملکرد در همه مدل‌های AI نیست.

PCIe و ارتباط CPU با GPU

اگر سیستم AI به یک GPU مجزا مجهز باشد، ارتباط سریع CPU، GPU و سایر تجهیزات اهمیت پیدا می‌کند. در اینجا باید به نسل و تعداد خطوط PCIe قابل استفاده روی CPU و پلتفرم توجه کرد؛ مخصوصاً در سیستم‌های حرفه‌ای که از چند GPU، کارت‌های شبکه پرسرعت یا تجهیزات ذخیره‌سازی متعدد استفاده می‌کنند.

البته PCIe سریع‌تر به‌تنهایی باعث نمی‌شود یک مدل AI روی GPU سریع‌تر اجرا شود. اگر مدل به‌طور کامل در VRAM بارگذاری شده باشد و Inference داخل VRAM انجام شود، PCIe عملاً در حلقه پردازش نقشی ندارد و تفاوت PCIe 4.0 x16 و PCIe 5.0 x16 در این سناریو ناچیز است.

اما در دو حالت PCIe اهمیت پیدا می‌کند:

• هنگام بارگذاری اولیه مدل از RAM به VRAM (که در مدل‌های بزرگ می‌تواند چند ثانیه طول بکشد)
• در حالت Hybrid/CPU Offload که در هر مرحله بخشی از داده بین RAM و VRAM جابه‌جا می‌شود.

در سیستم‌های چند GPU نیز تعداد خطوط PCIe و پیکربندی Slotها (x16/x16 در مقابل x8/x8) اهمیت بیشتری پیدا می‌کند؛ به همین دلیل در پلتفرم‌های Workstation و سروری باید به تعداد خطوط PCIe و امکانات I/O پلتفرم توجه کرد.

مصرف انرژی و توان پردازنده

در بارهای کاری طولانی AI، مصرف انرژی و توان حرارتی CPU اهمیت دارد. پردازنده‌ای که در بار کوتاه عملکرد بالایی دارد ممکن است در بار مداوم به محدودیت توان یا دما برسد و فرکانس خود را کاهش دهد. بنابراین خنک‌کننده، مادربرد و توان موردنیاز CPU را نیز باید در کنار مشخصات خام آن در نظر گرفت.

در نهایت، هیچ‌یک از این مشخصات به‌تنهایی معیار «بهترین CPU برای AI» نیستند. در مدل‌های GPUمحور، عملکرد تک‌هسته‌ای و توانایی CPU در تأمین داده و مدیریت بار جانبی ممکن است مهم‌تر از تعداد بسیار زیاد هسته باشد؛ در مقابل، در CPU Inference و بارهای Memory-bound، تعداد هسته، پهنای باند حافظه و قابلیت‌های برداری اهمیت بیشتری پیدا می‌کنند.

AMD، اینتل یا Apple؛ کدام پلتفرم برای Local AI مناسب‌تر است؟

بین AMD و Intel نمی‌توان یک برنده مطلق برای Local AI تعیین کرد. اگر مدل عمدتاً روی یک GPU مجزا اجرا می‌شود، تفاوت CPUها معمولاً بسیار کمتر از تفاوت GPU و VRAM اهمیت دارد. در این شرایط، عملکرد پردازنده در کارهای جانبی، پشتیبانی از RAM و PCIe، مصرف انرژی و قیمت کل پلتفرم اهمیت بیشتری دارند.

Intel؛ مزیت در شتاب‌دهی AI روی CPU

در پلتفرم‌های سرور و Workstation، پردازنده‌های Xeon از Intel AMX برای شتاب‌دهی محاسبات ماتریسی، به‌ویژه در دقت‌های INT8 و BF16، بهره می‌برند. در صورت پشتیبانی نرم‌افزار و کتابخانه‌های مربوطه، AMX می‌تواند عملکرد CPU را در برخی بارهای AI به‌طور قابل‌توجهی افزایش دهد.

در مقابل، پردازنده‌های دسکتاپ Core Ultra فاقد AMX هستند و قابلیت‌هایی مانند AVX-VNNI و NPU را ارائه می‌کنند. NPU بیشتر برای وظایف AI سبک و کم‌مصرف طراحی شده و جایگزین GPU مجزا برای اجرای LLMهای بزرگ یا مدل‌های سنگین تولید تصویر نیست.

AMD؛ تمرکز بر CPU، GPU و NPU

در پردازنده‌های Ryzen AI، AMD نیز ترکیبی از CPU، گرافیک مجتمع و NPU را ارائه می‌کند. برای نمونه، نسل‌های مبتنی بر معماری Zen 5، RDNA و XDNA 2 برای اجرای طیف متنوعی از بارهای AI طراحی شده‌اند.

در پردازنده‌های دسکتاپ Ryzen مبتنی بر Zen 4 و Zen 5، پشتیبانی از AVX-512 نیز می‌تواند در برخی بارهای CPU-based AI مزیت ایجاد کند؛ اما این موضوع کاملاً به مدل، Quantization، نرم‌افزار و Backend اجراکننده وابسته است و صرف وجود AVX-512 تضمین‌کننده عملکرد بهتر نیست.

بنابراین اگر AI عمدتاً روی GPU اجرا می‌شود، تفاوت NPU، AVX-512 یا قابلیت‌های مشابه نباید معیار اصلی انتخاب CPU باشد. این قابلیت‌ها زمانی اهمیت بیشتری پیدا می‌کنند که خود CPU سهم قابل‌توجهی از پردازش را بر عهده داشته باشد.

Apple Silicon؛ مزیت بزرگ Unified Memory

Apple Silicon مسیر متفاوتی را دنبال می‌کند. در این معماری، CPU و GPU به حافظه یکپارچه (Unified Memory) دسترسی دارند و RAM و VRAM مانند یک سیستم دسکتاپ مجهز به GPU مجزا کاملاً از هم جدا نیستند.

این ویژگی به سیستم‌های مجهز به تراشه‌های Apple M-Series اجازه می‌دهد مدل‌های بزرگی را که ممکن است در VRAM یک GPU دسکتاپ جا نشوند، در حافظه مشترک نگه دارند. در نتیجه، مک‌هایی با ظرفیت بالای Unified Memory می‌توانند برای اجرای مدل‌های بزرگ Local AI، به‌ویژه در قالب‌های کامپکت، جذاب باشند. فریم‌ورک‌هایی مانند MLX و Backendهای مبتنی بر Metal نیز برای استفاده از این معماری بهینه شده‌اند.

البته ظرفیت بالای حافظه به‌معنی سرعت بالاتر از یک GPU قدرتمند دسکتاپ نیست. در بسیاری از مدل‌ها، GPUهای مجزای رده‌بالا همچنان توان پردازشی بیشتری دارند و سازگاری نرم‌افزاری و وابستگی بسیاری از ابزارهای AI به اکوسیستم CUDA نیز از محدودیت‌های مهم Apple Silicon محسوب می‌شود.

انتخاب درست پردازنده بر اساس مدل AI، روش اجرای آن، GPU همراه و مورد استفاده، نرم‌افزار اجراکننده و بودجه کل سیستم تعیین می‌شود.

بهترین CPU بر اساس نوع کاربرد و مدل AI

انتخاب CPU در سیستم AI باید بر اساس مدل، روش اجرای آن و سهم CPU از بار کاری انجام شود. برای مثال، اجرای یک مدل تولید تصویر روی GPU با اجرای یک LLM بزرگ به‌صورت CPU-only یا Hybrid نیازهای متفاوتی دارد.

در حالت اول، CPU معمولاً نقش فرعی‌تری دارد، در حالی که در حالت دوم، تعداد هسته، عملکرد هر هسته و زیرسیستم حافظه اهمیت بسیار بیشتری پیدا می‌کند. مستندات llama.cpp نیز صراحتاً از اجرای CPU، GPU و CPU+GPU Hybrid Inference پشتیبانی می‌کنند.

در ادامه متناسب با هر کاربرد، به شما می‌گوییم که چطور پردازنده مناسب را انتخاب کنید:

تولید تصویر با Stable Diffusion، FLUX و ComfyUI

برای کاربرانی که عمدتاً از ابزارهای Stable Diffusion، SDXL، FLUX و Workflowهای ComfyUI استفاده می‌کنند و مدل روی GPU اجرا می‌شود، نیازی نیست بخش بزرگی از بودجه را صرف CPU رده‌بالا شود.

یک CPU مدرن 6 تا 8 هسته‌ای برای یک سیستم تک‌GPU نقطه شروع بسیار منطقی است و در صورت استفاده هم‌زمان از Photoshop، مرورگر، ComfyUI و سایر نرم‌افزارها، می‌توان به سراغ 8 تا 12 هسته رفت.

رسانه تخصصی Puget Systems در بنچمارک‌های خود با پردازنده‌هایی از رده Core i5-14600K و Ryzen 7 7700X تا Threadripper PRO 7985WX، تفاوت معناداری در سرعت تولید تصویر Stable Diffusion و SDXL مشاهده نکرده است، به‌شرطی که GPU یکسان باشد. به بیان ساده، وقتی GPU مناسب دارید، CPU بسیار قدرتمندتر لزوماً تصویر را سریع‌تر تولید نمی‌کند.

اجرای LLMهای محلی مثل Llama، Qwen، Gemma و DeepSeek

اینجا انتخاب CPU به اندازه مدل و محل قرارگیری آن وابسته می‌شود. اگر مدل موردنظر با Quantization مناسب به‌طور کامل در VRAM کارت گرافیک جا شود، بهتر است CPU را در سطح یک پردازنده مدرن 8 هسته‌ای یا بالاتر انتخاب کنید و بودجه اضافی را ابتدا برای GPU و VRAM بیشتر در نظر بگیرید.

اما اگر مثلاً می‌خواهید مدل‌های بزرگ‌تری را اجرا کنید که در VRAM کارت جا نمی‌شوند، llama.cpp امکان Offload کردن بخشی از مدل به GPU و نگه‌داشتن بخش دیگر روی CPU/RAM را دارد. در این سناریو CPU دیگر فقط یک پردازنده جانبی نیست و قدرت پردازشی آن به همراه پهنای باند حافظه سیستم اهمیت بیشتری پیدا می‌کند.

AI Coding و اجرای مدل‌های کدنویسی محلی

برای ابزارهایی مانند Qwen Coder، DeepSeek-Coder و مدل‌های مشابه، اگر مدل روی GPU اجرا شود، همان منطق LLM برقرار است و CPU ‌رده‌بالا ضرورت ندارد.

برای یک سیستم شخصی که هم‌زمان IDE، مرورگر، کامپایلر و مدل AI را اجرا می‌کند، 8 هسته مدرن نقطه شروع مناسبی است و 12 هسته برای کاربر حرفه‌ای‌تر انتخاب متوازن‌تری محسوب می‌شود.

اگر کامپایل پروژه‌های بزرگ، Docker، ماشین مجازی و چند سرویس توسعه نیز هم‌زمان در جریان باشد، افزایش تعداد هسته CPU توجیه بیشتری پیدا می‌کند؛ اما این افزایش دیگر به‌خاطر «AI» نیست، بلکه به دلیل بار CPUمحور توسعه نرم‌افزار است.

اجرای مدل‌های بزرگ‌تر از ظرفیت VRAM

این مهم‌ترین حالتی است که می‌تواند انتخاب CPU را تغییر دهد. فرض کنید یک مدل LLM بعد از Quantization هنوز بزرگ‌تر از VRAM کارت گرافیک شماست. در این شرایط، ابزارهایی مانند llama.cpp می‌توانند بخشی از مدل را در GPU و بخشی را در RAM سیستم نگه دارند و بین CPU و GPU کار را تقسیم کنند.

در چنین سیستمی، پیشنهاد ما دیگر صرفاً «یک پردازنده ۸ هسته‌ای» نیست و باید بگوییم اگر CPU سهم قابل‌توجهی از محاسبات را بر عهده بگیرد، ۱۲ تا ۱۶ هسته رده‌بالا می‌تواند انتخاب منطقی‌تری باشد.

افزایش تعداد هسته یا فرکانس CPU نمی‌تواند محدودیت پهنای باند حافظه سیستم را به‌طور کامل جبران کند. در حالت Hybrid، بخشی از مدل در RAM قرار می‌گیرد و CPU باید داده‌های موردنیاز را از حافظه سیستم دریافت و پردازش کند؛ بنابراین سرعت و پهنای باند حافظه به یکی از عوامل مهم عملکرد تبدیل می‌شود. از طرف دیگر، انتقال داده میان RAM و VRAM نیز سربار بیشتری نسبت به حالتی دارد که کل مدل در VRAM قرار گرفته باشد. به همین دلیل، Hybrid Offload امکان اجرای مدل‌های بزرگ‌تر را فراهم می‌کند، اما معمولاً از نظر سرعت و تأخیر به اجرای کامل مدل روی GPU نمی‌رسد.

بنابراین در سناریوی Hybrid/Offload، باید:

• CPU را همراه با RAM پرظرفیت و با پهنای باند مناسب انتخاب کنید. در پلتفرم‌های دسکتاپ دوکاناله، حافظه DDR5 سریع می‌تواند مفید باشد، اما در سیستم‌های Workstation باید تعداد کانال‌های حافظه و پهنای باند کل پلتفرم را نیز در نظر گرفت.
• ظرفیت RAM را متناسب با بخشی از مدل که روی CPU قرار می‌گیرد در نظر بگیرید. برای یک مدل ۷۰B با Quantization چهار بیتی، وزن‌های مدل به‌تنهایی در محدوده چند ده گیگابایت قرار می‌گیرند و مقدار RAM موردنیاز نهایی با توجه به سربار مدل، Context و نرم‌افزار اجراکننده بیشتر خواهد بود.
• انتظار سرعت کاملاً GPUمحور را نداشته باشید.

Puget Systems نیز در بررسی Hybrid LLM Inference تأکید می‌کند که RAM سیستم امکان اجرای مدل‌های بزرگ‌تر را فراهم می‌کند، اما سرعت اجرا به‌طور قابل‌توجهی پایین‌تر از حالت تمام‌GPU است.

اجرای مدل‌های بزرگ با حافظه یکپارچه (Unified Memory)

اگر هدف اصلی شما اجرای مدل‌های بزرگ (۷۰B و بالاتر) است و نمی‌خواهید هزینه گزاف پلتفرم‌های Workstation را بپردازید یا افت سرعت رم‌های دوکاناله دسکتاپ را بپذیرید، مسیر سومی وجود دارد که در سال ۲۰۲۶ بسیار جذاب شده است: معماری‌های حافظه یکپارچه.

در این معماری‌ها، CPU و GPU به یک فضای حافظه مشترک دسترسی دارند و مانند سیستم‌های مجهز به GPU مجزا، دو فضای مستقل RAM و VRAM وجود ندارد.

• Apple Silicon (نسخه‌های Max و Ultra سری M) پهنای باند حافظه‌ای در حدود ۴۰۰ تا بیش از ۸۰۰ گیگابایت بر ثانیه و ظرفیت‌هایی بسیار فراتر از سقف رم دسکتاپ ارائه می‌دهند.
• APUهای جدید AMD مانند Ryzen AI Max+ 395 (معماری Strix Halo) با تا ۱۲۸ گیگابایت حافظه یکپارچه و پهنای باند حدود ۲۵۶ گیگابایت بر ثانیه، به گزینه‌ای جدی برای Local AI تبدیل شده‌اند.

این پهنای باندها از DDR5 دوکاناله دسکتاپ بیشتر است و قرار گرفتن CPU و GPU در یک فضای حافظه مشترک، نیاز به جابه‌جایی مداوم داده میان RAM و VRAM را کاهش می‌دهد.

البته این مسیر هم ملاحظات خودش را دارد؛ امکان ارتقای حافظه پس از خرید وجود ندارد، سقف ظرفیت در لحظه خرید ثابت می‌شود و اکوسیستم نرم‌افزاری آن (مانند Metal در اپل) در برخی ابزارها هنوز به بلوغ و گستردگی اکوسیستم CUDA نمی‌رسد. بنابراین انتخاب میان «دسکتاپ + GPU قدرتمند»، «پلتفرم Workstation» و «سیستم حافظه یکپارچه» باید بر اساس بودجه، اندازه مدل‌های موردنظر و میزان وابستگی شما به اکوسیستم CUDA انجام شود.

جمع‌بندی موارد فوق می‌تواند به صورت جدول زیر بیان شود:

در نظر داشته باشید که این جدول نسخه پیشنهادی برای خرید است، نه حداقل سیستم موردنیاز. مدل دقیق CPU را در مرحله بعد، با توجه به قیمت روز، پلتفرم، مادربرد و RAM انتخاب خواهید کرد.

بهترین CPU برای هوش مصنوعی در هر رده کاربری

در بسیاری از سیستم‌های AI، یک CPU میان‌رده مدرن کافی است و بهتر است بودجه اضافی ابتدا صرف GPU و VRAM شود. CPU قدرتمندتر زمانی توجیه بیشتری دارد که سیستم بارهای CPUمحور سنگین، Hybrid Inference، Multitasking گسترده یا چند GPU داشته باشد.

بهترین CPU اقتصادی برای هوش مصنوعی

اگر هدف اصلی شما اجرای مدل‌هایی مانند Stable Diffusion، SDXL، FLUX و ComfyUI روی یک GPU مجزا است، نیازی نیست بخش بزرگی از بودجه سیستم را صرف CPU کنید.

در این رده، AMD Ryzen 5 9600X یکی از گزینه‌های منطقی است. این پردازنده 6 هسته و 12 Thread، معماری Zen 5، فرکانس Boost تا 5.4 گیگاهرتز و TDP پیش‌فرض 65 وات دارد.

در خانواده اینتل، Core Ultra 5 250K Plus از نسل Core Ultra 200S Plus گزینه اصلی این رده است. Core Ultra 5 250K Plus دارای ۱۸ هسته (۶ هسته Performance و ۱۲ هسته Efficient) و ۱۸ رشته پردازشی است و حداکثر فرکانس Boost آن به 5.3 گیگاهرتز می‌رسد. این پردازنده از AVX-VNNI و ابزارهایی مانند OpenVINO برای برخی بارهای AI پشتیبانی می‌کند.

البته این دو پردازنده از نظر معماری هسته و روش طراحی کاملاً قابل مقایسه یک‌به‌یک نیستند؛ بنابراین انتخاب بین آنها باید با توجه به بودجه شما، قیمت نهایی CPU، مادربرد، حافظه و عملکرد واقعی در workload موردنظر انجام شود.

این رده برای شما مناسب است اگر:

• کاربرد اصلی شما تولید تصویر (Stable Diffusion، FLUX، ComfyUI) روی GPU مجزا است.
• LLMهای موردنظرتان به‌طور کامل در VRAM جا می‌شوند و Offload سنگین ندارید.
• GPU قدرتمندی دارید و CPU صرفاً نقش هماهنگ‌کننده و میزبان نرم‌افزار را دارد.
• ترجیح می‌دهید بودجه اضافی را صرف GPU، VRAM یا RAM بیشتر کنید.

به یاد داشته باشید که اگر سیستم شما تقریباً فقط برای اجرای مدل‌های GPUمحور ساخته می‌شود، ارتقا از این رده به پردازنده‌های گران‌تر از خانواده‌های Ryzen 7/9 یا Core Ultra 7/9 لزوماً افزایش محسوسی در سرعت Inference ایجاد نمی‌کند.

بهترین CPU میان‌رده برای هوش مصنوعی

برای کاربری که علاوه بر AI به Gaming، برنامه‌نویسی، تولید محتوا و Multitasking نیز می‌پردازد، پردازنده‌های رده Ryzen 7 و Core Ultra 7 معمولاً تعادل بهتری ایجاد می‌کنند.

AMD Ryzen 7 9700X با 8 هسته و 16 Thread، معماری Zen 5 و حداکثر فرکانس Boost تا 5.5 گیگاهرتز، یکی از گزینه‌های متعادل این رده است. TDP پیش‌فرض 65 و پشتیبانی از PCIe 5.0 و DDR5 نیز باعث می‌شود برای ساخت یک سیستم تک‌GPU مدرن گزینه مناسبی باشد.

در سمت اینتل، Core Ultra 7 270K Plus یکی از گزینه‌های مهم این رده در دسکتاپ است. همچنین مدل‌های نسل 13 به بالا نیز عملکرد خوبی دارند ولی باید توجه داشته باشید که قابلیت‌های ویژه هوش مصنوعی این سری اختلاف قابل توجهی با معماری‌های جدیدتر اینتل دارد.

Core Ultra 7 270K Plus از ۲۴ هسته (۸ هسته Performance و ۱۶ هسته Efficient) و ۲۴ رشته پردازشی بهره می‌برد و حداکثر فرکانس Boost آن 5.5 گیگاهرتز است. اینتل مجموع توان AI این پردازنده را حدود ۳۶ TOPS اعلام کرده که شامل NPU، iGPU و CPU است و نباید آن را به‌عنوان توان پردازش CPU در نظر گرفت. همچنین پشتیبانی از دستورالعمل‌های AVX-VNNI و سازگاری با OpenVINO از دیگر ویژگی‌های این نسل محسوب می‌شود.

البته وجود NPU یا قابلیت‌های AI در CPU را نباید با توان اجرای مدل‌های بزرگ Generative AI روی CPU اشتباه گرفت. در یک سیستم مجهز به GPU مجزا، این قابلیت‌ها بیشتر برای workloadهای سازگار با شتاب‌دهنده‌های داخلی CPU اهمیت دارند و جای GPU قدرتمند را نمی‌گیرند.

چه کسانی این رده پردازنده را انتخاب کنند؟

• اگر Local AI تنها یکی از کاربردهای اصلی سیستم است.
• علاوه بر AI، Gaming یا تولید محتوا دارید.
• برنامه‌نویسی و Multitasking سنگین انجام می‌دهید.
• یک سیستم قدرتمند تک‌GPU می‌خواهید که محدود به یک کاربرد خاص نباشد.

در نظر داشته باشید که اگر تنها هدف شما تولید تصویر یا اجرای LLM روی GPU است، افزایش بودجه CPU از این رده معمولاً اولویت ندارد.

بهترین CPU حرفه‌ای برای هوش مصنوعی

اگر سیستم علاوه بر AI قرار است پردازش‌های بسیار سنگین CPUمحور نیز انجام دهد، ورود به رده 12 هسته‌ای منطقی‌تر می‌شود.

AMD Ryzen 9 9900X دارای 12 هسته و 24 Thread، معماری Zen 5، فرکانس Boost تا 5.6 گیگاهرتز و 64MB حافظه L3 است. این پردازنده نسبت به مدل‌های 6 و 8 هسته‌ای فضای پردازشی بیشتری برای Multitasking و workloadهای چندرشته‌ای فراهم می‌کند.

نکته مهم این است که Ryzen 9 9900X را صرفاً به دلیل «اجرای مدل AI بزرگ» پیشنهاد نمی‌کنیم. اگر یک LLM به‌طور کامل در VRAM قرار بگیرد و GPU بخش اصلی محاسبات را انجام دهد، CPU دوازده‌هسته‌ای لزوماً سرعت Inference را به شکل محسوسی افزایش نمی‌دهد.

این CPU زمانی ارزش بیشتری پیدا می‌کند که AI فقط یکی از چند workload سنگین سیستم باشد؛ برای مثال در کنار اجرای مدل محلی، کامپایل پروژه، پردازش داده، رندر، فشرده‌سازی یا چند برنامه سنگین دیگر نیز اجرا شود.

اگر مشمول یکی از حالت‌های زیر می‌شوید، می‌توانید از این دسته، پردازنده مناسب خود را انتخاب کنید:

• سیستم شما برای AI و کارهای حرفه‌ای CPUمحور ساخته می‌شود.
• Multitasking سنگین دارید.
• بخشی از workload به CPU واگذار می‌شود.
• علاوه بر AI، پردازش‌های چندرشته‌ای جدی انجام می‌دهید.

اگر تنها هدف شما اجرای مدل‌های GPUمحور است، بهتر است قبل از خرید CPU قوی‌تر، بررسی کنید آیا افزایش VRAM یا انتخاب GPU سریع‌تر تأثیر بیشتری روی عملکرد سیستم شما ندارد.

بهترین CPU برای AI و گیمینگ

اگر سیستم قرار است علاوه بر Local AI، یک سیستم Gaming رده‌بالا نیز باشد، پردازنده‌های X3D AMD گزینه‌های جذابی هستند.

در این رده، Ryzen 9 9950X3D با 16 هسته و 32 رشته پردازشی و فناوری نسل دوم 3D V-Cache قرار می‌گیرد. AMD برای این پردازنده حداکثر فرکانس Boost تا 5.7 گیگاهرتز و TDP پیش‌فرض 170 وات اعلام کرده است.

مزیت اصلی 3D V-Cache در workloadهایی است که از Cache بزرگ سود می‌برند، به‌ویژه Gaming. بنابراین نباید تصور کرد که وجود 3D V-Cache به‌خودی‌خود باعث افزایش چشمگیر سرعت اجرای مدل‌های Generative AI می‌شود.

بنابراین 9950X3D را صرفاً برای AI خالص پیشنهاد نمی‌کنیم؛ اگر Gaming برایتان اهمیت ندارد، بهتر است بودجه آن میان GPU، VRAM، RAM و CPU متناسب با workload توزیع شود.

بهترین CPU برای سیستم AI چند GPU

وقتی تعداد GPUها افزایش پیدا می‌کند، انتخاب CPU دیگر فقط به تعداد هسته و فرکانس محدود نیست. در یک Workstation چندGPU، مواردی مانند تعداد خطوط PCIe، تعداد کانال‌های حافظه، ظرفیت RAM، پهنای باند حافظه و امکانات I/O پلتفرم اهمیت بسیار بیشتری پیدا می‌کنند.

در چنین سیستمی، خانواده‌هایی مانند AMD Threadripper PRO و Intel Xeon می‌توانند منطقی‌تر از پردازنده‌های دسکتاپ معمولی باشند؛ زیرا هدف اصلی آنها فراهم کردن زیرساخت مناسب برای Workstationهای توسعه‌یافته و چندGPU است.

این رده برای کاربری که تنها یک GPU و چند مدل Local AI دارد، معمولاً بیش از نیاز است. اما اگر قرار است چند GPU قدرتمند، حافظه RAM با ظرفیت بالا و تجهیزات PCIe متعدد در اختیار داشته باشید، محدودیت‌های پلتفرم‌های دسکتاپ معمولی می‌تواند به یک عامل تعیین‌کننده تبدیل شود.

چه کسانی این رده پردازنده را برای امور AI انتخاب کنند؟

• افرادی که چند GPU را به‌صورت هم‌زمان استفاده می‌کنند.
• به RAM با ظرفیت بسیار بالا نیاز دارند.
• تعداد زیادی تجهیزات PCIe در سیستم دارند.
• در حال ساخت یک Workstation حرفه‌ای AI هستند.

مجدداً تکرار می‌کنیم که در این سطح، به‌جای انتخاب صرفاً بر اساس مدل CPU، باید کل پلتفرم Workstation شامل CPU، مادربرد، RAM و خطوط PCIe را متناسب با تعداد GPUها انتخاب کرد.

کدام CPU را برای هوش مصنوعی بخریم؟

با توجه به کلیه موارد فنی بیان شده در این بخش، پیشنهاد خرید ما برای بهترین CPU مناسب Local AI در امور مختلف به شرح جدول زیر است:

برای بیشتر سیستم‌های تک‌GPU، Ryzen 7 و Core Ultra 7 نقطه تعادل مناسبی هستند و در بودجه محدودتر، Ryzen 5 یا Core Ultra 5 نیز می‌توانند کافی باشند. اگر AI عمدتاً روی GPU اجرا می‌شود، معمولاً اختصاص بودجه بیشتر به GPU و VRAM بازده بیشتری از ارتقای CPU به مدل پرچمدار دارد؛ CPUهای رده‌بالا زمانی توجیه پیدا می‌کنند که CPU سهم قابل‌توجهی از workload را بر عهده داشته باشد.

جمع‌بندی

برای انتخاب CPU مناسب هوش مصنوعی، قوی‌ترین پردازنده لزوماً بهترین انتخاب نیست. به صورت بسیار خلاصه باید بگوییم:

1. اولویت با GPU و VRAM است: در بسیاری از کاربردهای Generative AI، ابتدا GPU و ظرفیت VRAM را متناسب با مدل و کاربرد انتخاب کنید و سپس CPU را بر اساس سهم آن در workload تعیین کنید.
2. CPU را در حد نیاز بگیرید: برای اکثر سیستم‌های تک‌GPU، پردازنده Ryzen 7 / Core Ultra 7 نقطه تعادل است و Ryzen 5 / Core Ultra 5 نیز برای بودجه محدودتر کاملاً کافی است تا گلوگاه سیستم نشود.
3. هزینه برای CPU قدرتمندتر تنها در شرایط خاص توجیه دارد: پردازنده‌های Ryzen 9، Core Ultra 9 و پلتفرم‌های Workstation (مانند Threadripper / Xeon) تنها زمانی ارزش خرید دارند که CPU واقعاً سهم قابل‌توجهی از بار کاری را بر عهده داشته باشد (Hybrid Inference سنگین، پردازش داده، Multitasking گسترده یا سیستم‌های چندGPU).
4. حافظه یکپارچه برای مدل‌های بزرگ: اگر هدف اجرای LLMهای بزرگ در یک سیستم کامپکت است، معماری‌هایی مانند Apple Silicon و Ryzen AI Max+ 395 می‌توانند به دلیل ظرفیت و پهنای باند بالای حافظه گزینه‌های قابل‌توجهی باشند؛ با این حال، محدودیت ارتقا و تفاوت اکوسیستم نرم‌افزاری را نیز باید در نظر گرفت.

سوالات متداول

آیا برای هوش مصنوعی به CPU قدرتمند نیاز داریم؟

خیر، نه همیشه. اگر مدل AI عمدتاً روی GPU اجرا شود، یک CPU میان‌رده مدرن برای بسیاری از کاربردها کافی است. CPU قدرتمندتر زمانی اهمیت بیشتری پیدا می‌کند که بخشی از پردازش روی CPU انجام شود یا سیستم workloadهای سنگین دیگری داشته باشد.

برای اجرای LLM محلی Ryzen 7 کافی است؟

در بسیاری از سیستم‌های تک‌GPU بله. اگر مدل عمدتاً در VRAM اجرا شود، Ryzen 7 مدرن معمولاً انتخاب مناسبی است. برای CPU Inference یا Hybrid Inference سنگین، ممکن است CPU قوی‌تری ارزش داشته باشد.

برای اجرای LLM بزرگ، RAM بیشتر مهم‌تر است یا CPU قوی‌تر؟

اگر بخش قابل‌توجهی از مدل روی CPU اجرا شود، ظرفیت و پهنای باند RAM اهمیت زیادی پیدا می‌کند. افزایش تعداد هسته CPU زمانی مفید است که پردازنده بتواند داده موردنیاز را با سرعت کافی از حافظه دریافت کند. بنابراین در CPU Inference یا Hybrid Inference، CPU و RAM باید به‌عنوان یک مجموعه انتخاب شوند و یک پردازنده متعادل همراه با حافظه پرظرفیت و سریع می‌تواند از CPU پرچمدار با RAM محدود انتخاب منطقی‌تری باشد.

آیا برای اجرای LLM بزرگ حتماً به CPU رده‌بالا نیاز داریم؟

خیر. اندازه مدل به‌تنهایی CPU موردنیاز را مشخص نمی‌کند. اگر مدل عمدتاً در VRAM اجرا شود، حتی یک CPU میان‌رده مدرن نیز می‌تواند کافی باشد. نیاز به CPU قوی‌تر زمانی افزایش پیدا می‌کند که بخش قابل‌توجهی از مدل روی CPU اجرا شود، Hybrid Offload سنگین داشته باشید یا سیستم هم‌زمان بارهای CPUمحور دیگری را اجرا کند.

برای Stable Diffusion و FLUX چه CPUای مناسب است؟

اگر تولید تصویر عمدتاً روی GPU انجام می‌شود، یک CPU مدرن ۶ یا ۸ هسته‌ای برای بسیاری از سیستم‌ها کافی است. اگر هم‌زمان رندر، کامپایل، پردازش داده یا Multitasking سنگین دارید، CPU ۸ تا ۱۲ هسته‌ای انتخاب متعادل‌تری خواهد بود. در چنین سیستمی، معمولاً افزایش بودجه GPU یا VRAM اولویت بیشتری نسبت به خرید CPU رده‌بالا دارد.

آیا تعداد هسته CPU روی سرعت اجرای هوش مصنوعی تأثیر دارد؟

بسته به workload. وقتی محاسبات عمدتاً روی GPU انجام می‌شود، افزایش تعداد هسته CPU تأثیر محدودی دارد؛ اما در CPU Inference، پردازش داده و برخی حالت‌های Hybrid، هسته‌های بیشتر می‌توانند مفید باشند.

آیا NPU برای اجرای مدل‌های هوش مصنوعی کافی است؟

معمولاً خیر. NPU برای بارهای کاری AI سازگار و کم‌مصرف طراحی شده است و در کاربردهای پشتیبانی‌شده می‌تواند مفید باشد، اما جایگزین GPU قدرتمند برای اجرای LLMهای بزرگ و مدل‌های سنگین تولید تصویر نیست.

برای هوش مصنوعی اینتل بهتر است یا AMD؟

پاسخ مطلقی وجود ندارد. برای AI روی GPU، تفاوت CPU دو شرکت معمولاً اهمیت کمتری از انتخاب GPU دارد. انتخاب AMD یا Intel باید بر اساس قیمت، عملکرد بار کاری موردنظر، مادربرد، مصرف انرژی و قابلیت ارتقا انجام شود.

برای هوش مصنوعی CPU مهم‌تر است یا GPU؟

در اغلب کاربردهای هوش مصنوعی مولد، GPU اهمیت بسیار بیشتری دارد. به‌خصوص برای تولید تصویر، ویدئو و اجرای LLMهای GPUمحور، قدرت محاسباتی GPU و ظرفیت VRAM معمولاً عوامل تعیین‌کننده‌تری هستند.

برای اجرای چند مدل هوش مصنوعی هم‌زمان چه CPUای لازم است؟

اگر چند مدل واقعاً هم‌زمان روی GPU اجرا شوند، ظرفیت VRAM و توان پردازشی GPU معمولاً محدودکننده اصلی هستند. CPU زمانی اهمیت بیشتری پیدا می‌کند که پردازش داده، مدیریت چند سرویس یا سایر وظایف CPUمحور نیز هم‌زمان سنگین باشند.

برای سیستم هوش مصنوعی چند GPU چه CPUای بخریم؟

در این حالت صرفاً انتخاب Ryzen 9 یا Core Ultra 9 کافی نیست. باید تعداد PCIe Lane، کانال‌های حافظه، ظرفیت RAM و قابلیت‌های مادربرد را بررسی کرد و در صورت نیاز به پلتفرم‌های Workstation مانند Threadripper PRO یا Xeon رفت.

آیا Ryzen 9 9950X3D برای هوش مصنوعی بهترین CPU است؟

نه به‌صورت مطلق. 9950X3D یک CPU بسیار قدرتمند است، اما مزیت اصلی 3D V-Cache در بسیاری از کاربردها به‌خصوص Gaming است. برای AI خالص، بودجه آن ممکن است با سرمایه‌گذاری روی GPU و VRAM بازده بیشتری داشته باشد.

برای یک سیستم AI اقتصادی چه CPUای بخریم؟

برای سیستمی که بیشتر محاسبات AI را GPU انجام می‌دهد، Ryzen 5 9600X یا Core Ultra 5 مناسب می‌تواند انتخاب منطقی باشد. مهم‌تر از CPU، انتخاب GPU با VRAM کافی برای مدل موردنظر است.