PC pentru AI

Un PC pentru inteligență artificială nu e un PC de gaming cu altă siglă. E o mașină construită în jurul memoriei video și al fluxului de date, gândită pentru sarcini lungi și grele: antrenare de modele, rulare de LLM local, generare de imagini, data science. În ghidul ăsta îți explicăm, componentă cu componentă, ce contează și de ce, cu cifre preluate din surse de specialitate — plus trei configurații concrete, de la buget la enthusiast.

Pe scurt: GPU-ul (și VRAM-ul lui) e regele. Apoi: RAM cat mai mult (32–128GB+), CPU cu destule nuclee și linii PCIe, un SSD NVMe rapid și o sursă supradimensionată. Mai jos ai detaliile și 3 build-uri gata făcute.

1. GPU — placa video (cea mai importantă componentă)

În AI, GPU-ul face 90% din muncă. Și ce contează cel mai mult la el nu e viteza brută, ci VRAM-ul (memoria video) — pentru că modelul și datele trebuie să încapă în ea.

Cât VRAM?

Reperele din ghidurile de specialitate:

8–12 GB — computer vision (rețele CNN, ResNet) (Tim Dettmers)
minim 12 GB — generare de imagini (Stable Diffusion) (Tim Dettmers)
24 GB+ — lucrul cu transformere (BERT, GPT, LLM-uri) (Tim Dettmers)
24–48 GB — inferență LLM, în funcție de dimensiunea modelului
24 GB+ — antrenare de modele medii-mari (Corsair)

De ce VRAM și nu doar „putere”

Un detaliu pe care puțini îl știu: chiar și pe plăcile cu Tensor Cores puternice, nucleele stau degeaba 35–55% din timp în timpul antrenării, pentru că așteaptă date din memoria video — adevăratul gât de sticlă e lățimea de bandă a memoriei, nu calculul (Tim Dettmers). De aceea o placă cu VRAM mare și bandă bună bate adesea una „mai rapidă” pe hârtie, dar cu memorie mică.

Ce plăci?

Entry: RTX 4060 Ti 16GB — suficientă pentru modele de 13B la cuantizare Q4 (Newegg)
Mid: RTX 4070 Ti Super 16GB / RTX 4090 24GB / RTX 5060 Ti 16GB
Pro: RTX 5090 32GB — rulează Llama 3.3 70B la Q4_K_M și modele de 32B cu context mare (Newegg)
Multi-GPU: două RTX 4090 (48GB total) sunt mai rentabile decât o singură placă profesională de 48GB (Newegg)

👉 Detalii pe VRAM pentru LLM: vezi ghidul Cât VRAM îți trebuie pentru un LLM local. Și de ce NVIDIA, nu AMD: AMD sau NVIDIA pentru AI.

2. CPU — procesorul

GPU-ul calculează, dar CPU-ul hrănește datele. Dacă e subdimensionat, devine gâtuirea întregului sistem la preprocesare.

Regulă: cel puțin 4 nuclee per GPU; un procesor de 16 nuclee e considerat minimul pentru un workstation serios (Puget Systems, via rezultate de căutare).
Platforme recomandate pentru multi-GPU: AMD Threadripper PRO și Intel Xeon W — oferă fiabilitate, multă memorie și, esențial, destule linii PCIe pentru mai multe plăci.
Pentru un sistem cu 1 GPU, un Ryzen 7 / Ryzen 9 sau Core i5/i7 modern e suficient.
Pentru multi-GPU, procesoarele AMD sunt în general mai ieftine și mai bune decât Intel (Tim Dettmers).

PCIe lanes (liniile PCIe)

Țintește cel puțin x8 linii per GPU (PCIe 3.0 e suficient).
PCIe 4.0 / 5.0 nu aduc beneficii reale pentru majoritatea sarcinilor de deep learning — la x4 pierzi doar 5–10% performanță (Tim Dettmers).

3. RAM — memoria de sistem

Regula practică: RAM-ul de sistem ar trebui să fie cel puțin dublul VRAM-ului total. Reperele pe utilizare (Corsair):

32 GB — baza în 2026, pentru început
64 GB — minim pentru inferență serioasă și data science
128 GB — recomandat pentru AI/ML profesional
256 GB+ — pentru dataseturi foarte mari

RAM-ul contează la preprocesarea datelor, încărcarea checkpoint-urilor și rularea mai multor procese în paralel.

4. Storage — stocarea

Un GPU scump ținut în așteptare de un disc lent e bani aruncați.

Minim 2 TB NVMe SSD, pentru dataseturi, checkpoint-uri și iterații rapide (Corsair, Newegg).
Ideal: un NVMe pentru sistem + unul separat pentru date.
SSD-ul rapid e esențial pentru încărcarea rapidă a modelelor.

5. Sursa de alimentare (PSU)

Sarcinile AI țin plăcile la 100% ore în șir, deci sursa trebuie să fie de calitate și supradimensionată.

Formula: adună consumul GPU + CPU, apoi înmulțește cu 110% (Tim Dettmers). Repere:

~600 W — un singur GPU
~1000 W — două GPU high-end
1600–2000 W — patru GPU

Ia o sursă cu eficiență mare (Gold/Platinum/Titanium), mai ales la multi-GPU.

6. Răcire și carcasă

Temperaturi mici = frecvențe stabile și durată de viață mai mare la rulări non-stop.

CPU: cooler bun pe aer sau AIO lichid.
GPU-uri: airflow bun în carcasă, ventilatoare suficiente.
La multi-GPU: lasă cel puțin un slot liber între plăci (dacă nu sunt blower sau pe apă), ca să nu se sufoce termic. Riser-ele PCIe pentru a distanța plăcile sunt foarte eficiente la răcire.

7. Trei configurații concrete

Repere de build din ghidurile de specialitate (Newegg, Local AI Master). Componentele se ajustează după caz; la noi prețul e ofertă la cerere.

Nivel	GPU	CPU	RAM	Storage	Bun pentru
Buget	RTX 4060 Ti 16GB	Ryzen 7 7700	32 GB	1 TB NVMe	Stable Diffusion, LLM mici (7–13B)
Mid	RTX 5060 Ti 16GB	Ryzen 9 7900X	64 GB	2 TB NVMe	Fine-tuning LoRA, LLM medii
Enthusiast	RTX 5090 32GB	Ryzen 9 7950X	128 GB	4 TB NVMe	LLM 70B, training serios

8. Cum alegi rapid, după ce vrei să faci

Vrei să faci	Țintește
Generare imagini (SD/Flux)	12–16 GB VRAM, 32 GB RAM
Rulare LLM local (7–34B)	16–32 GB VRAM, 64 GB RAM
Fine-tuning / LLM 70B	32–48 GB VRAM, 128 GB RAM
Training serios / multi-model	multi-GPU, 128–256 GB RAM, Threadripper/Xeon

Concluzie

Ordinea priorităților pentru un PC pentru inteligență artificială e clară:

GPU cu VRAM mare (factorul #1)
RAM mult (minim dublul VRAM-ului)
CPU cu destule nuclee + linii PCIe
NVMe rapid
Sursă supradimensionată + răcire pentru 24/7

Nu cumpăra „cel mai scump”, ci dimensionat pe ce vrei să faci — un sistem echilibrat bate unul cu un GPU scump și restul subdimensionat.

La F5it îți recomandăm, asamblăm și testăm AI Workstation-ul potrivit cazului tău, în București, cu livrare în toată România. Cere o ofertă personalizată — fără obligații.

Ce PC îți trebuie pentru inteligență artificială? Ghid complet (2026)