高校AI实验室第一次采购GPU，很容易踩坑：买错型号、供电不够、散热不行、没人维护。本文总结过来人经验，帮新实验室少走弯路。
一、常见坑
第一是盲目追新卡，上一代卡性价比更高；第二是低估供电和散热，多卡机箱功率要留余量；第三是没有售后，实验室坏了没人修；第四是环境管理混乱，学生依赖版本冲突。
二、采购建议
| 事项 | 建议 | 原因 |
|---|---|---|
| 选卡 | 够跑即可 | 不追新 |
| 供电 | 留30%余量 | 多卡峰值高 |
| 售后 | 三年上门 | 实验室无人修 |
三、替代方案
其实新实验室不必急着自购，先用云GPU跑一年摸清真实需求，再决定采购什么型号，比拍脑袋买卡靠谱。云GPU按卡时付费，项目结束也不用处置设备。
需要先跑起来再决定采购时，可参考GPU云租用，用真实数据指导采购决策。
实际采购中，很多实验室预算有限却想一步到位买顶配，结果买回来一半任务用不上那么大显存。建议先统计前一年组里实际跑的模型大小和batch，再决定显存。供电和散热最容易被忽视：多卡同时满载时功率远高于单卡之和，机箱和空调都要留余量。售后尤其重要，实验室没人懂硬件维修，卡坏了没人管，项目就停摆。
四、决策小结
按历史数据定显存、供电散热留余量、签好售后，是新实验室采购三张安全牌。
实验室云算力和自购服务器混合用，日常用云、长期固定任务用本地。
实验室建好后要写好使用文档，新生来了照着做就能用，不必每届都重新教一遍，节省老师和高年级学生的时间。
总之，先上云摸需求再决定采购，新实验室风险最小。
写好使用文档，新生照着做就行。
按真实需求选卡，不盲目追新。
新实验室先上云跑一年，用真实数据指导采购决策。
常见问题
问：实验室自购还是上云好？答：新实验室先上云摸需求，一年后稳定了再评估自购，风险最小。
