每次想搭建地端 AI 工作站，硬體規格就是第一個難以跨越的難題，一打開規格表，看到 CPU 幾核、GPU 幾核、頻寬多少 GB/s，滿滿的數字排開，頭都昏了，看了半天也不知道該從何評估起。常常看著看著心累，默默切回雲端 API ...

這次不能再輕易放過自己。既然手邊是兩台既有設備，不用在購物車前猶豫不決，那就乖乖坐下來，搞清楚「這兩台到底能被我榨出多少價值」。

話先說在前頭：這不是跑分實測文，今天看不到任何效能圖表。今天要做的事很單純：看官方釋出的數據，釐清哪些數字是決定 Local Agent 跑得順不順的關鍵因子，哪些純粹只是印在包裝盒上好看而已。

看懂規格前，先挑出真正重要的指標

挑硬體大家最先盯著看的通常是 CPU、GPU 核心數。核心多，理論峰值當然漂亮，但那比較像是「天花板」，不代表日常巡航速度。尤其是跑 Agent 這種負載，動不動就呼叫模型、等 Tool 回傳、再來回迭代，瓶頸往往根本不在算力上限。

比算力更早遇到瓶頸的，永遠是記憶體：

• 記憶體容量： 模型權重塞不進去，後面速度再快都是空談，直接 OOM 給你看。
• 記憶體機制： 兩台設備都主打「統一記憶體」，但骨子裡是兩碼子事。Apple 是把 CPU 和 GPU 刻在同一顆 SoC 上，實體上共享同一塊記憶體；GX10 則是 Grace CPU 與 Blackwell GPU 各自獨立，中間拉一條頻寬極高的 NVLink-C2C 橋接，在軟體層面模擬出連續的定址空間。機制不同，盲目比數字只會導出奇怪的結論。
• 記憶體頻寬： 大語言模型在推論階段，主要仰賴頻寬而不是純算力。每生出一個 token，整包模型參數就得在記憶體裡重新搬運一輪。換句話說，算力再高，頻寬如果卡住，輸出也快不起來。
• 精度支援： 晶片有沒有針對低位元運算做硬體加速，直接決定模型能壓得多小、跑得多快、掉多少精度。原生硬體支援跟純靠軟體層模擬，跑起來根本是兩個世界。
• 推論框架與生態整合： 規格再猛，要是主流框架沒有針對它最佳化，效能直接打折。

兩位選手登場

MacBook Pro M3 Max

手邊這台是滿血版：16 核心 CPU（12P + 4E）、40 核心 GPU，附帶 16 核心 Neural Engine。翻了 Apple 規格才發現，64GB 統一記憶體剛好綁定在這個晶片級別，記憶體頻寬來到 400GB/s。
推論生態主要是 llama.cpp跟 Apple 自家的 MLX。它沒有硬體級的極低位元加速電路，量化推論基本得靠軟體層硬扛。

ASUS Ascent GX10

這台搭載 NVIDIA GB10 Grace Blackwell Superchip，CPU 給了 20 核心 Arm，GPU 則是 Blackwell 架構配第五代 Tensor Core。記憶體配了 128GB LPDDR5x，頻寬為 273GB/s。官方標榜 FP4 精度下算力峰值可達 1 petaFLOP，號稱單機最高能吃下 200B 參數的模型。
系統走的是專為 AI 打造的 NVIDIA DGX OS，底層是熟悉的 Ubuntu Linux。軟體生態毫無懸念是標準 CUDA 全家桶——vLLM、TensorRT-LLM、llama.cpp 隨插隨用；更關鍵的是它自帶 FP4 Transformer Engine 原生硬體支援，這是 Mac 無法享有的優勢。

規格排排坐

數字攤開後，幾個有趣的切入點

• 容量與頻寬的微妙反差： GX10 容量整整是 Mac 的兩倍，直覺上應該全方位輾壓，但頻寬反而是 Mac 的 400GB/s 佔優勢。照運算特性推敲，GX10 的優勢在於「吞得下大模型」，而 Mac 說不定在「同一顆中小型模型的生成速度」上會有驚喜。當然，這純屬紙上推論，是真是假後續揭曉
• 統一記憶體的本質差異： 一邊是極致整合的單晶片思路，另一邊是高速匯流排橋接的模組架構。後者更偏向伺服器思維，也說明了 GX10 本來就不是拿來當個人電腦用的，它生來就是一台專屬運算節點。
• 硬體精度的斷層： GX10 原生吃 FP4，意味著在容量吃緊時能用更極限的量化塞進巨型模型，速度損失也小；Mac 缺乏專用電路，全靠軟體支撐。這代表挑選模型跟量化格式時，兩台設備很難放在完全對等的基準線上去比。

帳面數字之後

以上這些,終究都是印在規格表、寫在官網頁面上的紙上談兵。GX10 帳面看起來像是全面壓制,但那份優勢能不能真的落地,還得看軟體生態撐不撐得起來、實際部署會不會卡關;Mac 那個「頻寬領先」的小驚喜,也可能在真正跑起模型之後,被其他沒列在規格表上的因素抵銷掉。

帳面規格說到底只是預測,不是答案。這兩台設備真正的實力差距,得等實際把模型跑起來、量出數據之後才算數——這部分,就留到後面幾天慢慢揭曉。