Lenovo ThinkStation PGX SFF AI 工作站 （4TB SSD）
非常適合 LLM 推論 / LoRA 微調 / AI Prototype / CUDA 開發。
1) 核心亮點：GB10（Grace Blackwell Superchip）
Nvidia GB10 Grace Blackwell（20 核心 ARM CPU，SoC），具備 1 PFLOP AI 效能
Nvidia GB10 Grace Blackwell（20 核心 ARM CPU，SoC），具備 1 PFLOP AI 效能
這邊的關鍵有 2 個：
✅ (1) 它是 SoC（系統晶片）
意思是：CPU + GPU + 記憶體架構是同一套整合平台，有點像 Apple M 系列那種思路，但面向 AI 的算力更兇。
✅ (2) AI 算力主打 FP4 / Tensor（1 PFLOP）
1 PFLOP 通常指的是 FP4（低精度）+ Tensor Core 這種 AI 專用算力，不是你在一般 CPU benchmark 看到的那種浮點效能。
2) 作業系統：NVIDIA DGX OS
預載 DGX OS（Ubuntu Linux based）
直接附 NVIDIA AI 軟體堆疊（CUDA、PyTorch、Jupyter 等）
3) 記憶體：128GB LPDDR5x「統一系統記憶體」（UMA）
✅ 統一記憶體 = CPU/GPU 共用同一池 128GB
不像一般 PC：
CPU RAM 64GB
GPU VRAM 24GB
LLM 會被 VRAM 卡死。
而 PGX 是：
整池 128GB 都可以被 AI 用（以 UMA 模式）
且 bandwidth 規格很強（可到 273GB/s)
➡️ 這對 LLM 意義超大：
你可以塞下更大的模型（或更大的 context），不用一開始就上伺服器/雲端。
4) GPU：NVIDIA Blackwell（整合式）
它不是插一張獨顯
而是 GB10 Superchip 內建 Blackwell GPU
✅ 優點：AI tensor 推論非常強
⚠️ 限制：它不是為了 3D 工作站渲染/遊戲而生（但能顯示）
5) 儲存：最高 4TB NVMe M.2
這部分的意義在於：
AI 模型、dataset、container image 很吃 SSD
NVMe 對 pipeline（資料前處理、embedding、cache）有差
6) 網路：ConnectX-7 Smart NIC + 10GbE RJ45
ConnectX-7 在 NVIDIA 生態就是：
給高速模型/多機協作、RDMA、集合通訊用的
✅ 兩台 PGX 可串聯
甚至 Lenovo 的產品說明有提到：
兩台 PGX 可以組合跑更大的模型（例如參數量翻倍上去）。
7) 連接埠：4x USB-C 20Gbps + HDMI 2.1a
它幾乎所有 I/O 都走 USB-C：
4x USB-C（USB 20Gbps）
HDMI 2.1（4K@60Hz）
8) 顯示器：最多 4 部獨立顯示器
9) 體積/功耗：150mm 小立方 + 240W
150 x 150 x 50.5 mm
約 1.2kg
240W
這台 PGX 適合誰？
✅ 非常適合
本機 LLM 開發（RAG、Agent、function calling）
推論服務 PoC（先本機跑起來再搬到機房/雲端）
LoRA / PEFT 微調
CUDA / TensorRT / Triton 開發
想用「DGX OS 風格」做 AI 開發流程的人
⚠️ 不太適合
把它當一般 Windows 工作站（它是 DGX OS 生態為主）
期待像 RTX 5090 那種遊戲/3D 渲染定位
