Sao lưu dữ liệu AI không chỉ là chép thư mục tài liệu sang ổ khác. Một hệ thống AI nội bộ gồm nhiều lớp phụ thuộc nhau: mô hình, máy chủ mô hình, giao diện người dùng, cơ sở dữ liệu, kho vector, bộ lập chỉ mục, cấu hình mạng. Mất bất kỳ lớp nào cũng khiến hệ thống không chạy hoặc chạy sai.
Ba đặc điểm riêng cần lưu ý:
Vì vậy, mục tiêu không phải “lưu mọi thứ” mà là đảm bảo dựng lại được hệ thống trong thời gian chấp nhận được. Hai chỉ số nên xác định trước: mất tối đa bao nhiêu giờ dữ liệu là chấp nhận được (RPO) và cần khôi phục trong bao lâu (RTO).
"}, {"h2": "Danh mục cần sao lưu và tần suất khuyến nghị", "html": "Bảng dưới là danh mục cho hệ thống điển hình gồm Ollama hoặc vLLM, Open WebUI, cơ sở dữ liệu vector và kho tài liệu trên NAS. Điều chỉnh theo phần mềm thực tế bạn dùng.
Hãy lập một tài liệu “sổ tay khôi phục” ghi rõ từng thành phần nằm ở đâu, sao lưu bằng công cụ nào, ai chịu trách nhiệm. Bản thân tài liệu này cũng phải được sao lưu ở nơi không phụ thuộc vào server AI.
", "table": {"caption": "Thành phần hệ thống AI nội bộ cần sao lưu", "head": ["Thành phần", "Mức quan trọng", "Tần suất", "Cách sao lưu"], "rows": [["File docker-compose, biến môi trường, cấu hình proxy", "Rất cao", "Mỗi lần thay đổi", "Lưu trong kho Git riêng tư, khóa bí mật tách riêng"], ["Prompt hệ thống, mẫu prompt, cài đặt mô hình", "Rất cao", "Mỗi lần thay đổi", "Xuất ra file, đưa vào Git"], ["Cơ sở dữ liệu người dùng, lịch sử chat", "Cao", "Hằng ngày", "Dump cơ sở dữ liệu rồi sao lưu"], ["Cơ sở dữ liệu vector", "Trung bình đến cao", "Hằng ngày hoặc sau mỗi lần lập chỉ mục", "Snapshot hoặc xuất bản sao khi dừng ghi"], ["Tài liệu nguồn kho tri thức", "Rất cao", "Snapshot hằng giờ, sao lưu hằng ngày", "Snapshot NAS và sao lưu ngoài"], ["File mô hình", "Thấp", "Khi đổi mô hình", "Ghi tên, phiên bản, mã băm; giữ một bản trên NAS"]]}}, {"h2": "File mô hình: ghi lại phiên bản thay vì sao lưu liên tục", "html": "Một mô hình lượng tử hóa có thể nặng vài GB đến vài chục GB, sao lưu hằng ngày là lãng phí vì nội dung không đổi. Tuy nhiên, “tải lại được” có hai rủi ro: nguồn có thể gỡ bản cũ, hoặc tên mô hình giữ nguyên nhưng nội dung được cập nhật, khiến hành vi AI thay đổi mà bạn không biết.
Ghi chép này cũng giúp khi kiểm tra sự cố: nếu câu trả lời AI đột nhiên khác đi, bạn biết ngay mô hình có bị thay đổi hay không.
"}, {"h2": "Sao lưu cơ sở dữ liệu vector và lịch sử hội thoại đúng cách", "html": "Cơ sở dữ liệu là phần dễ sao lưu sai nhất. Chép thư mục dữ liệu khi phần mềm đang ghi có thể tạo ra bản sao hỏng, chỉ phát hiện khi cần khôi phục.
pg_dump, SQLite dùng lệnh sao lưu trực tuyến, các cơ sở dữ liệu vector như Qdrant, Chroma, Milvus có cơ chế snapshot riêng, xem tài liệu chính thức của phiên bản bạn dùng.Về lý thuyết, kho vector tạo lại được từ tài liệu nguồn. Thực tế, lập chỉ mục lại hàng chục nghìn tài liệu có thể mất nhiều giờ GPU, và các chỉnh sửa thủ công như gắn thẻ, phân quyền, loại bỏ tài liệu lỗi sẽ mất. Với kho nhỏ, có thể chấp nhận lập chỉ mục lại; với kho lớn, sao lưu hằng ngày rẻ hơn nhiều so với thời gian ngừng hệ thống.
Lịch sử hội thoại chứa dữ liệu nhạy cảm, bản sao lưu phải được mã hóa và áp cùng thời hạn lưu giữ như hệ thống chính.
"}, {"h2": "Quy trình sao lưu 3-2-1 cho hệ thống AI nội bộ", "html": "Một NAS hoặc ổ sao lưu trong văn phòng, một nơi lưu trữ ngoài văn phòng (dịch vụ lưu trữ đám mây hoặc thiết bị ở chi nhánh), công cụ sao lưu có mã hóa và loại bỏ trùng lặp như restic hoặc BorgBackup.
Nguyên tắc mở rộng thường được nhắc tới là 3-2-1-1-0: ba bản sao, hai loại phương tiện, một bản ngoài văn phòng, một bản không thể sửa xóa, và không lỗi khi kiểm tra khôi phục.
"}, {"h2": "Kiểm thử khôi phục: bước hay bị bỏ qua nhất", "html": "Một bản sao lưu chưa từng được khôi phục thử chỉ là giả định. Lịch kiểm thử tối thiểu:
Ghi lại thời gian và các vướng mắc mỗi lần diễn tập, bổ sung vào sổ tay. Diễn tập lần đầu thường phát hiện ít nhất một thứ bị quên, ví dụ chứng chỉ HTTPS hoặc tài khoản dịch vụ trên NAS.
"}, {"h2": "Lỗi thường gặp khi sao lưu hệ thống AI", "html": "Nếu bạn chỉ dùng AI cục bộ trên một máy cá nhân, không có kho tri thức hay lịch sử quan trọng, chỉ cần lưu lại danh sách mô hình và cấu hình công cụ. Sao lưu đầy đủ như trên dành cho hệ thống phục vụ nhiều người.
"} ], "tip": "Hãy coi cấu hình là tài sản quý nhất: mọi thay đổi cấu hình, prompt hệ thống, Modelfile đều phải đi qua Git trước khi áp dụng. Khi có sự cố, một kho Git sạch cộng bản dump cơ sở dữ liệu giúp dựng lại hệ thống nhanh hơn rất nhiều so với một ổ sao lưu chứa đầy file mô hình.", "faq": [ {"q": "Có cần sao lưu file mô hình AI không?", "a": "Không cần sao lưu thường xuyên vì tải lại được, nhưng nên giữ một bản trên NAS và ghi lại tên, phiên bản, mã băm. Mô hình tự tinh chỉnh thì phải sao lưu đầy đủ vì không tải lại được."}, {"q": "Cơ sở dữ liệu vector sao lưu thế nào cho an toàn?", "a": "Dùng cơ chế snapshot hoặc xuất dữ liệu của chính phần mềm, hoặc dừng ghi trước khi chép. Luôn lưu kèm thông tin mô hình embedding đã dùng để tạo kho vector."}, {"q": "Sao lưu hệ thống AI bao lâu một lần là đủ?", "a": "Cấu hình sao lưu mỗi lần thay đổi, cơ sở dữ liệu người dùng và kho vector hằng ngày, tài liệu nguồn snapshot hằng giờ trong giờ làm việc. Điều chỉnh theo mức mất dữ liệu chấp nhận được của công ty."}, {"q": "Ransomware có mã hóa được bản sao lưu AI không?", "a": "Có, nếu bản sao lưu nằm trên ổ hoặc thư mục mà máy bị nhiễm truy cập được với quyền ghi xóa. Cần ít nhất một bản không thể sửa xóa hoặc tách khỏi mạng."}, {"q": "Lịch sử chat AI có nên sao lưu không?", "a": "Nên, nếu lịch sử có giá trị tra cứu hoặc yêu cầu lưu trữ. Nhưng bản sao lưu phải mã hóa và áp cùng thời hạn lưu giữ, xóa như hệ thống chính vì chứa dữ liệu nhạy cảm."}, {"q": "Dùng công cụ gì để sao lưu server AI chạy Linux?", "a": "Các công cụ mã nguồn mở như restic hoặc BorgBackup hỗ trợ mã hóa, loại bỏ trùng lặp và nhiều đích lưu trữ. Kết hợp với lệnh xuất cơ sở dữ liệu và Git cho cấu hình."} ], "sources": [ {"t": "restic – công cụ sao lưu", "u": "https://restic.net"}, {"t": "BorgBackup – trang chính thức", "u": "https://www.borgbackup.org"}, {"t": "Docker Docs", "u": "https://docs.docker.com"} ], "related": ["cach-sao-luu-du-lieu-3-2-1", "nas-cho-du-lieu-ai", "server-ai-noi-bo-cho-sme", "vector-database-la-gi", "ransomware-la-gi", "docker-cho-ung-dung-ai", "chatgpt-noi-bo-tu-host", "embedding-la-gi"] }, { "id": 2017, "slug": "chay-llm-tren-may-van-phong-cu", "title": "Chạy mô hình AI nhỏ trên máy văn phòng cũ: được đến đâu", "meta_desc": "Chạy mô hình AI nhỏ trên máy văn phòng cũ không có GPU: mô hình nào chạy được, tốc độ thực tế ra sao, dùng vào việc gì, cách cài và tối ưu để không phải mua máy mới.", "excerpt": "Văn phòng nào cũng có vài chiếc máy Core i5 đời cũ, 8–16 GB RAM, không có card đồ họa rời. Chúng có chạy được AI cục bộ không? Câu trả lời là có, trong giới hạn rõ ràng. Bài viết chỉ ra mô hình nào chạy được, dùng được vào việc gì và khi nào nên dừng thử.", "answer": "Máy văn phòng cũ không có GPU rời vẫn chạy được mô hình AI nhỏ bằng CPU, thường là mô hình 1–4 tỷ tham số lượng tử hóa 4-bit, qua các công cụ như Ollama, LM Studio hoặc llama.cpp. Với CPU 4 nhân đời cũ và 8–16 GB RAM, tốc độ thường chỉ vài từ mỗi giây, đủ cho tác vụ ngắn như viết lại câu, phân loại email, trích thông tin từ đoạn văn, tóm tắt vài đoạn. Máy cũ không phù hợp cho hỏi đáp tài liệu dài, nhiều người dùng chung hay mô hình từ 7B trở lên nếu cần phản hồi nhanh.", "kws": ["chạy mô hình AI trên máy văn phòng cũ", "chạy LLM không cần GPU", "AI trên máy tính cũ", "mô hình AI nhỏ chạy CPU", "local AI máy yếu"], "sections": [ {"h2": "Chạy mô hình AI nhỏ trên máy văn phòng cũ có thực tế không", "html": "Có, nhưng cần đặt kỳ vọng đúng. Nhờ kỹ thuật lượng tử hóa và các công cụ tối ưu cho CPU như llama.cpp, mô hình ngôn ngữ nhỏ có thể chạy trên máy không có card đồ họa rời. Điều đổi lại là tốc độ chậm hơn nhiều so với GPU và chất lượng kém hơn mô hình lớn.
Trong bài này, “máy văn phòng cũ” được hiểu là:
Nhóm máy này rất phổ biến ở công ty 20–50 người tại Việt Nam, thường là máy kế toán, máy hành chính, máy dự phòng sau khi thay máy mới. Câu hỏi đáng giá là: có thể tận dụng chúng để thử nghiệm AI cục bộ, hoặc làm một vài tác vụ nhỏ không cần gửi dữ liệu ra ngoài hay không. Lý do thử thường là bảo mật dữ liệu, hoặc muốn hiểu AI cục bộ trước khi quyết định đầu tư.
"}, {"h2": "Mô hình nào chạy được và tốc độ ước lượng", "html": "Yếu tố giới hạn trên máy cũ là dung lượng RAM (quyết định mô hình có nạp được không) và băng thông bộ nhớ (quyết định tốc độ sinh chữ). CPU nhiều nhân giúp một phần, nhưng RAM chậm vẫn là nút thắt.
Bảng dưới là ước lượng có điều kiện cho mô hình định dạng GGUF lượng tử hóa khoảng 4-bit, ngữ cảnh ngắn vài nghìn token, máy không chạy ứng dụng nặng khác. Tốc độ thực tế khác nhau đáng kể theo CPU, RAM chạy một hay hai kênh, phiên bản phần mềm và mô hình cụ thể. Hãy tự đo trên máy của bạn.
Lưu ý: RAM hệ thống phải chứa cả Windows, trình duyệt và mô hình. Máy 8 GB thực tế chỉ còn khoảng 3–4 GB trống cho mô hình.
", "table": {"caption": "Khả năng chạy mô hình nhỏ trên máy văn phòng cũ (ước lượng)", "head": ["Cấu hình máy", "Cỡ mô hình khả thi", "Tốc độ cảm nhận", "Trải nghiệm"], "rows": [["4 nhân, 8 GB RAM, HDD", "Khoảng 1B–2B", "Chậm, nạp mô hình lâu", "Chỉ để thử nghiệm"], ["4 nhân, 8 GB RAM, SSD", "Khoảng 1B–3B", "Vài từ mỗi giây", "Dùng được cho câu ngắn"], ["4–6 nhân, 16 GB RAM hai kênh, SSD", "Khoảng 3B–4B, 7B rất chậm", "Vài từ mỗi giây với 3B–4B", "Dùng được cho tác vụ ngắn"], ["6–8 nhân, 32 GB RAM hai kênh, SSD", "Đến khoảng 7B–8B", "Chậm nhưng chấp nhận được với kiên nhẫn", "Thử nghiệm đa dạng hơn"]]}}, {"h2": "Dùng máy cũ chạy AI cục bộ vào việc gì là hợp lý", "html": "Mô hình nhỏ làm tốt các tác vụ có đầu vào ngắn, yêu cầu rõ, không cần kiến thức rộng hay suy luận nhiều bước:
Một cửa hàng phụ tùng có máy cũ ở quầy dùng mô hình 3B để chuẩn hóa ghi chú đơn hàng của nhân viên thành định dạng thống nhất trước khi nhập vào phần mềm bán hàng. Mỗi ghi chú chỉ vài câu, chờ vài giây là chấp nhận được, dữ liệu khách không rời máy.
"}, {"h2": "Những việc máy cũ không nên gánh", "html": "Biết giới hạn giúp tránh mất thời gian và làm người dùng thất vọng với AI nói chung.
Nếu nhu cầu nằm trong danh sách này, giải pháp hợp lý hơn là dịch vụ AI đám mây có tài khoản doanh nghiệp, một máy có GPU dùng chung, hoặc nâng cấp máy hiện có.
"}, {"h2": "Hướng dẫn cài và chạy thử trên máy cũ", "html": "ollama run <tên-mô-hình>.Ghi lại: thời gian đến chữ đầu tiên, tốc độ sinh chữ (LM Studio hiển thị số token mỗi giây; Ollama có tùy chọn --verbose), mức RAM sử dụng trong Task Manager, chất lượng câu trả lời tiếng Việt. Nếu máy dùng hết RAM và bắt đầu đọc ghi ổ liên tục, hãy chọn mô hình nhỏ hơn.
Chọn mô hình 7B trên máy 8 GB khiến máy treo; tải bản mô hình không lượng tử hóa vì tưởng chất lượng tốt hơn; đánh giá AI cục bộ “dở” chỉ sau một câu hỏi phức tạp không phù hợp với mô hình nhỏ.
"} ], "tip": "Dùng máy cũ như phòng thí nghiệm miễn phí: thử 2–3 mô hình nhỏ với chính câu hỏi công việc của bạn trong một tuần. Kết quả đó sẽ cho biết bạn cần nâng cấp máy, mua máy có GPU hay chỉ cần tài khoản AI đám mây, trước khi chi bất kỳ khoản nào.", "faq": [ {"q": "Máy tính không có card đồ họa có chạy được AI không?", "a": "Có. Các công cụ như Ollama, LM Studio, llama.cpp chạy mô hình bằng CPU. Tốc độ chậm hơn GPU nhiều, phù hợp mô hình nhỏ khoảng 1B–4B và tác vụ ngắn."}, {"q": "Máy 8 GB RAM chạy được mô hình AI cỡ nào?", "a": "Thường khoảng 1B–3B ở bản lượng tử hóa 4-bit, vì Windows và ứng dụng khác đã chiếm phần lớn RAM. Mô hình 7B trên máy 8 GB dễ làm máy treo hoặc rất chậm."}, {"q": "Mô hình AI nhỏ có viết tiếng Việt tốt không?", "a": "Tùy mô hình. Một số mô hình nhỏ thế hệ mới xử lý tiếng Việt khá ổn cho câu ngắn, nhưng thường kém tự nhiên hơn mô hình lớn. Hãy thử bằng câu hỏi thật trước khi dùng cho công việc."}, {"q": "Chạy AI liên tục có làm hỏng máy cũ không?", "a": "CPU chạy 100% lâu làm máy nóng. Nếu tản nhiệt bám bụi hoặc keo tản nhiệt khô, máy có thể giảm xung hoặc tự tắt. Vệ sinh máy và theo dõi nhiệt độ khi chạy lâu."}, {"q": "Có nên thêm RAM cho máy cũ để chạy AI?", "a": "Nên nếu máy đang chạy một kênh hoặc chỉ có 8 GB. Nâng lên 16–32 GB hai kênh giúp chạy mô hình lớn hơn và nhanh hơn, chi phí thấp hơn nhiều so với mua máy mới."}, {"q": "Máy cũ có làm server AI cho cả văn phòng được không?", "a": "Không phù hợp. Máy không có GPU chỉ phục vụ tốt một yêu cầu tại một thời điểm. Nhiều người dùng chung cần máy có GPU hoặc server AI riêng."} ], "sources": [ {"t": "llama.cpp – GitHub chính thức", "u": "https://github.com/ggml-org/llama.cpp"}, {"t": "Ollama – trang chính thức", "u": "https://ollama.com"}, {"t": "LM Studio – trang chính thức", "u": "https://lmstudio.ai"} ], "related": ["chay-ai-tren-may-tinh-ca-nhan", "cpu-hay-gpu-cho-ai", "ram-bao-nhieu-cho-ai", "quantization-gguf-chon-ban-nao", "ollama-vs-lm-studio", "nang-cap-may-tinh-de-chay-ai", "quantization-la-gi", "cai-ollama-tren-windows"] }, { "id": 2018, "slug": "nang-cap-may-tinh-de-chay-ai", "title": "Nâng cấp máy tính hiện có để chạy AI: thay gì trước", "meta_desc": "Nâng cấp máy tính hiện có để chạy AI: thứ tự ưu tiên GPU, nguồn, RAM, SSD, CPU theo nhu cầu, cách kiểm tra tương thích và khi nào nên mua máy mới thay vì nâng cấp.", "excerpt": "Bạn đã có một chiếc PC còn tốt và muốn nó chạy được AI cục bộ. Nâng cấp đúng một linh kiện có thể thay đổi hoàn toàn trải nghiệm, nâng sai có thể tốn tiền mà không nhanh hơn. Bài viết đưa ra thứ tự ưu tiên, cách kiểm tra tương thích và ranh giới nên dừng nâng cấp.", "answer": "Khi nâng cấp máy tính hiện có để chạy AI, thứ nên thay trước trong đa số trường hợp là card đồ họa (GPU) có nhiều VRAM, vì VRAM quyết định cỡ mô hình chạy được và tốc độ. Đi kèm GPU thường phải nâng nguồn (PSU) đủ công suất và đầu cấp điện. Tiếp theo là RAM (lên 32–64 GB, chạy hai kênh) và SSD NVMe để chứa, nạp mô hình nhanh. CPU và mainboard thường để sau cùng. Nếu máy quá cũ, không có khe PCIe x16 phù hợp hoặc nguồn, thùng không thể đáp ứng, mua máy mới sẽ hợp lý hơn.", "kws": ["nâng cấp máy tính để chạy AI", "nâng cấp PC chạy AI", "thay linh kiện chạy AI", "nâng cấp GPU cho AI", "nâng cấp RAM chạy AI"], "sections": [ {"h2": "Nâng cấp máy tính để chạy AI: bắt đầu từ mục tiêu", "html": "Nâng cấp máy tính để chạy AI là thay hoặc bổ sung linh kiện cho máy đang có để chạy được mô hình AI cục bộ nhanh hơn hoặc lớn hơn. Trước khi chọn linh kiện, trả lời ba câu hỏi:
Ví dụ, nhân viên marketing muốn tạo ảnh sản phẩm bằng AI cần GPU nhiều VRAM, CPU gần như không ảnh hưởng. Nhân viên phân tích dữ liệu muốn chạy mô hình 14B để đọc báo cáo cần VRAM khoảng 10–12 GB trở lên với bản lượng tử hóa 4-bit, tùy độ dài ngữ cảnh. Không có mục tiêu cụ thể, rất dễ nâng cấp nhầm chỗ, chẳng hạn mua CPU đời mới trong khi GPU vẫn là đồ họa tích hợp.
"}, {"h2": "Thứ tự ưu tiên nâng cấp theo tình trạng máy", "html": "Bảng dưới gợi ý thứ tự nâng cấp theo tình trạng phổ biến. Đây là hướng dẫn chung; hãy kiểm tra cụ thể máy của bạn trước khi mua.
Logic đằng sau: AI cục bộ gần như luôn bị giới hạn bởi bộ nhớ, cụ thể là VRAM với GPU và dung lượng, băng thông RAM với CPU. Linh kiện giải quyết nút thắt bộ nhớ mang lại cải thiện lớn nhất trên mỗi khoản chi. CPU chỉ thật sự quan trọng khi bạn chạy mô hình bằng CPU hoặc làm tác vụ xử lý dữ liệu nặng song song.
", "table": {"caption": "Nâng cấp gì trước theo tình trạng máy hiện có", "head": ["Tình trạng máy", "Ưu tiên 1", "Ưu tiên 2", "Ưu tiên 3"], "rows": [["Không có GPU rời, 16 GB RAM, nguồn nhỏ", "GPU 12–16 GB VRAM + nguồn mới", "RAM lên 32 GB", "SSD NVMe cho mô hình"], ["GPU cũ 4–6 GB VRAM", "GPU mới nhiều VRAM hơn", "Nguồn nếu thiếu công suất", "RAM lên 32 GB"], ["GPU 8 GB, RAM 16 GB một thanh", "RAM 32 GB hai kênh", "GPU 16 GB trở lên khi cần mô hình lớn", "SSD NVMe"], ["GPU tốt, ổ HDD", "SSD NVMe 1–2 TB", "RAM nếu dưới 32 GB", "Không cần thêm"], ["GPU 24 GB, muốn mô hình 70B", "Thêm GPU thứ hai nếu mainboard, nguồn cho phép", "RAM 64–128 GB", "Cân nhắc nền tảng máy trạm"]]}}, {"h2": "Nâng cấp GPU: kiểm tra tương thích trước khi mua", "html": "GPU là nâng cấp hiệu quả nhất nhưng cũng nhiều điểm cần kiểm tra nhất. Trước khi mua, mở thùng máy và kiểm tra:
Ước lượng thô cho mô hình ngôn ngữ lượng tử hóa 4-bit: mô hình 7B–8B cần khoảng 5–6 GB, 14B khoảng 9–10 GB, 32B khoảng 18–20 GB, cộng thêm vài GB cho ngữ cảnh. Chọn card có VRAM dư một chút so với mục tiêu để dùng lâu hơn.
"}, {"h2": "Nâng cấp nguồn, RAM và SSD đi kèm", "html": "Nâng GPU thường kéo theo nâng nguồn. Cộng công suất tối đa của GPU theo thông số hãng, CPU và phần còn lại, rồi chọn nguồn dư khoảng 30–40%. Ưu tiên nguồn có chứng nhận hiệu suất, thương hiệu rõ ràng, đủ đầu cấp cho GPU mà không phải dùng dây chia. Nguồn kém chất lượng là nguyên nhân phổ biến khiến máy tự tắt khi chạy AI nặng.
Mỗi mô hình nặng vài GB đến vài chục GB. Nạp mô hình từ HDD mất rất lâu và chiếm không gian. SSD NVMe 1–2 TB riêng cho thư viện mô hình giúp chuyển đổi giữa các mô hình nhanh, đồng thời không làm đầy ổ hệ điều hành. Kiểm tra mainboard có khe M.2 hỗ trợ NVMe; nếu không, SSD SATA vẫn tốt hơn HDD nhiều.
"}, {"h2": "Quy trình nâng cấp từng bước", "html": "Chạy lại đúng mô hình và câu hỏi đã thử ở bước 1. So sánh tốc độ sinh chữ, thời gian nạp mô hình. Kiểm tra công cụ AI thực sự dùng GPU (ví dụ lệnh nvidia-smi hiển thị tiến trình và VRAM sử dụng). Chạy tải nặng 30–60 phút, theo dõi nhiệt độ GPU và đảm bảo máy không tự tắt.
Nâng cấp không phải lúc nào cũng kinh tế. Nên cân nhắc mua máy mới khi:
Giữ lại GPU mới mua khi chuyển sang máy mới. Nếu chọn nguồn và GPU đủ tốt ngay từ đầu, chúng có thể chuyển sang máy mới sau này, giảm lãng phí. Tương tự, SSD NVMe và RAM DDR5 có thể tái sử dụng nếu nền tảng mới tương thích.
"}, {"h2": "Lỗi thường gặp khi nâng cấp máy để chạy AI", "html": "Đối với doanh nghiệp có nhiều máy cần nâng cấp, hãy nâng cấp thử một máy, chạy thực tế một tuần rồi mới áp dụng cho các máy còn lại.
"} ], "tip": "Trước khi mua bất kỳ linh kiện nào, hãy chạy thử đúng mô hình bạn định dùng trên máy hiện tại và mở Task Manager xem RAM, VRAM hay CPU đầy trước. Linh kiện đầy trước chính là thứ cần thay trước.", "faq": [ {"q": "Nâng cấp RAM có giúp chạy AI nhanh hơn không?", "a": "Có, khi chạy mô hình bằng CPU hoặc mô hình quá lớn phải đẩy một phần sang RAM. Nếu mô hình nằm gọn trong VRAM của GPU, thêm RAM ít ảnh hưởng tốc độ sinh chữ."}, {"q": "Máy văn phòng đồng bộ có lắp được card đồ họa để chạy AI không?", "a": "Nhiều máy đồng bộ nhỏ gọn có nguồn yếu, không có đầu cấp điện và thùng chật nên chỉ lắp được card cỡ nhỏ, ít VRAM. Cần kiểm tra kỹ hoặc cân nhắc thay máy."}, {"q": "Nâng cấp GPU có cần thay nguồn không?", "a": "Thường có, nếu nguồn hiện tại công suất thấp hoặc không có đầu cấp điện PCIe phù hợp. Cộng công suất các linh kiện theo thông số hãng và chọn nguồn dư 30–40%."}, {"q": "GPU 8 GB VRAM có đủ chạy AI không?", "a": "Đủ cho mô hình ngôn ngữ 7B–8B lượng tử hóa 4-bit và nhiều tác vụ tạo ảnh ở độ phân giải vừa. Muốn chạy mô hình 14B trở lên thoải mái nên chọn từ 12–16 GB."}, {"q": "Có nên lắp hai card đồ họa cũ thay vì một card mới?", "a": "Một số công cụ chia mô hình ra nhiều GPU được, nhưng cần mainboard nhiều khe, nguồn lớn và tản nhiệt tốt. Với đa số người dùng, một card mới nhiều VRAM đơn giản và ổn định hơn."}, {"q": "Laptop có nâng cấp để chạy AI được không?", "a": "GPU laptop không thay được. Bạn chỉ có thể nâng RAM và SSD nếu laptop còn khe. Muốn chạy AI tốt hơn trên laptop, thường phải chọn máy mới có GPU nhiều VRAM."} ], "sources": [ {"t": "Graphics processing unit – Wikipedia", "u": "https://en.wikipedia.org/wiki/Graphics_processing_unit"}, {"t": "PCI Express – Wikipedia", "u": "https://en.wikipedia.org/wiki/PCI_Express"}, {"t": "NVIDIA CUDA Toolkit", "u": "https://developer.nvidia.com/cuda-toolkit"} ], "related": ["nen-nang-cap-linh-kien-nao-truoc-de-may-nhanh-hon", "vram-bao-nhieu-de-chay-llm", "card-do-hoa-cho-ai", "nguon-va-tan-nhiet-cho-may-ai", "ram-bao-nhieu-cho-ai", "ssd-cho-may-tinh-ai", "chay-llm-tren-may-van-phong-cu", "may-tinh-chay-ai-cuc-bo-chon-cau-hinh", "nguon-may-tinh-psu-la-gi"] } ]