我是用來做生產排程管理的
-
3090 早就停产了。目测资金不是很宽松。上这个卡要有一定的硬件基础。或有一个靠谱的朋友。如果 魔改的话更需谨慎。max 395 更建议上这个。你这种项目一定要考虑稳定性。再有 3090基本都是矿过的卡。m4 mac mini还在等待周期。目前本地算力不在考虑范围。性价比几乎没有。本身就是低功耗机型。
对比项 7900XTX 24G Ryzen AI Max+ 395 (128G) 显存容量 24 GB 96 GB 显存带宽 ~960 GB/s ~215 GB/s FP16 算力 ~123 TFLOPS ~59 TFLOPS 可跑最大模型 ~Q4_K_M 70B (很勉强) Q8 120B+ 轻松 70B 稠密模型速度 较快 ~5 tok/s (慢) MoE 模型表现 正常 优势场景 功耗 ~300W+ ~120W 平台 Linux ROCm Linux Vulkan / ROCm -
我倒是跟你不一样，现在有Epr, CRM, Email, Mrp, pi, data server
每个服务都使用自己的电脑，不过是小型公司，150 user, 但并不是全部挤进同一架电脑
Erp / Crm /Accounting = 20 user (i7 + 16gb ram, 2tb ssd)
Mrp / store = 没有user, 电脑自动连接 pi, 通过 pi 去拿 cnc 资料 （Intel dual core, 8 gb ram, 512g ssd)
最近帮他写了一个 3D 仓库，所有事情在主机render, 所以才想mrp 需不需要换主机加显示卡，
现在也才有idea, 看他是不是需要nvidia那套即时监督系统，可以在画面上detect 到每一个员工的属性和工作时间，就好像玩 roller coaster 那样。。。总之，升级都是慢慢一样一样来，不会突然全部挤进一块流程里 -
我想要構建我的電腦硬體設備 用來計算生產排程, 建構小型ERP, 有 CRM, SRM, QMS, WMS, PLM, MRP 等等系統的小型模塊
問了claude一直告訴我顯卡不是重點, 要把內存與CPU的單核能力考慮進來但是 內存比顯卡還貴....要弄到 64GB的DDR5要價 台幣 26000了...差不多跟顯卡一樣
託股市的福已經可以有本錢搞好點的卡了, 但一直想著是要不要一步到位去搞3090 (一張也是 35000台幣的)工作上因為公司使用的oracle R12系統都只能做下載後運算, 所以一直動腦筋想著要搞本地運算....
但現在就沒什麼頭緒 想上來問問有沒人跟我一樣的用途的? 你們都是公司可以support 硬體的設置嗎?再來才是想是否要真的搞一台AI max 395來試試....或是便宜的m4 mac mini先玩玩?
-
感謝，我目前還是小白一隻，只會把資料從ERP往雲端搬過去，可是問題就在每張工單的bom,用料，生產途層，即時庫存數放到雲端，要花很多時間撈資料,還要debug, 其實還是覺得蠻辛苦的，也想把mes架構起來，替代紙本工單的方式改成生產產品的條碼過帳，最麻煩的其實還是搬資料，尤其原本erp的資料格式特殊，導致可能有錯位導致的資訊錯而不自知，然後就被同事嫌棄ai不好用，還順便酸一下是不是人的問題.....我只能對著AI喊苦...
最麻煩的其實還是搬資料，尤其原本erp的資料格式特殊，導致可能有錯位導致的資訊錯而不自知给你参考，
// auto_import_machine_log.php
// FINAL Aggregated Rebuild Version v5.2
// 功能：
// 1) 多 xxx 按 xxx 对齐
// 2) 先聚合，再重建
// 3) 同一xxxx 连续累计，只保留一笔
// 4) xxxx 会自动分段
// 5) 重复 import 结果稳定你叫 codex 帮你分析所有的资料，按照xxx 条件，先Aggregated Rebuild 先聚合，再重建
重点是这个字眼...先聚合，再重建 （Aggregated Rebuild）
缘起，当初我也是面对你这种问题，花了很多时间也搞不定，最终灵光一闪，使用了先聚合，再重建的原理去处理。。。
这个原理就好像你现在使用的 ai ，随便prompt, 他总会出一些东西给你，而不是我们以前的那套什么if then else, 然而本质上ai 也是if then else, 但是原理上：
機器學習與圖神經網絡 (GNN)情境：在處理大型圖結構（如 GraphSAGE 等模型）時，需學習各節點的特徵。應用邏輯：演算法會先進行鄰居節點的特徵聚合（Aggregate），將多重資訊壓縮提取；接著再利用這些聚合特徵來重建（Rebuild）節點嵌入（Node Embedding）或預測結果。
圖像處理與 3D 重建情境：電腦視覺領域中，從 2D 圖像計算深度資訊或建構 3D 空間模型。應用邏輯：演算法會先利用局部特徵進行代價或上下文聚合（Aggregation）以過濾雜訊，然後基於聚合後的資訊進行高精度的 3D 結構重建（Reconstruction）。
所以无形中我拿到一个对混乱的file 处理专利了。。。XD
-
最麻煩的其實還是搬資料，尤其原本erp的資料格式特殊，導致可能有錯位導致的資訊錯而不自知给你参考，
// auto_import_machine_log.php
// FINAL Aggregated Rebuild Version v5.2
// 功能：
// 1) 多 xxx 按 xxx 对齐
// 2) 先聚合，再重建
// 3) 同一xxxx 连续累计，只保留一笔
// 4) xxxx 会自动分段
// 5) 重复 import 结果稳定你叫 codex 帮你分析所有的资料，按照xxx 条件，先Aggregated Rebuild 先聚合，再重建
重点是这个字眼...先聚合，再重建 （Aggregated Rebuild）
缘起，当初我也是面对你这种问题，花了很多时间也搞不定，最终灵光一闪，使用了先聚合，再重建的原理去处理。。。
这个原理就好像你现在使用的 ai ，随便prompt, 他总会出一些东西给你，而不是我们以前的那套什么if then else, 然而本质上ai 也是if then else, 但是原理上：
機器學習與圖神經網絡 (GNN)情境：在處理大型圖結構（如 GraphSAGE 等模型）時，需學習各節點的特徵。應用邏輯：演算法會先進行鄰居節點的特徵聚合（Aggregate），將多重資訊壓縮提取；接著再利用這些聚合特徵來重建（Rebuild）節點嵌入（Node Embedding）或預測結果。
圖像處理與 3D 重建情境：電腦視覺領域中，從 2D 圖像計算深度資訊或建構 3D 空間模型。應用邏輯：演算法會先利用局部特徵進行代價或上下文聚合（Aggregation）以過濾雜訊，然後基於聚合後的資訊進行高精度的 3D 結構重建（Reconstruction）。
所以无形中我拿到一个对混乱的file 处理专利了。。。XD
-
再来才是想是否要真的搞一台AI max 395来试试....或是便宜的m4 mac mini先玩玩?
-------首选 老黄的英伟达显卡,他支持cuda加速, 既然是小白,别折腾其他的. 万一两年后,老黄的显卡还能卖点钱.
AI max 这些都能扔了. 苹果我不敢评价. 我怕有人黑我. -
@imbiplaza-ASUS 感謝，我來試看看，
比如我想做個APS，首先要有定單明細（包含機種，生產數量,齊料日），再來是途層跟標準工時，還有設定不同製程的工站，讓AI幫我自動在接收定單時把預計生產與預計產出時間估算出來，因我是生產PCBA的工廠，每天有超過20種以上的產品在線,還要煩腦產線該投那些機種來配合業務想要的交期,
下一步就是物料的MRP系統了....
