GPU NVIDIA RTX là dòng card đồ họa có Tensor Core, đơn vị tính chuyên cho phép nhân ma trận, vốn là phép toán chiếm phần lớn thời gian khi chạy mô hình AI. Từ thế hệ RTX 20 trở đi, mọi card RTX đều có Tensor Core, nên ngay cả card tầm trung cũng chạy được LLM, nhận dạng giọng nói và tạo ảnh.
Lý do RTX được chọn nhiều không chỉ nằm ở phần cứng. Hầu hết công cụ AI phổ biến như Ollama, LM Studio, llama.cpp, PyTorch, ComfyUI đều hỗ trợ GPU NVIDIA trước tiên thông qua nền tảng CUDA. Khi gặp lỗi, cộng đồng hướng dẫn sửa cho card NVIDIA cũng nhiều nhất.
NVIDIA chia RTX thành hai nhánh chính:
Câu hỏi đúng không phải là “card nào mạnh nhất” mà là “việc của tôi cần bao nhiêu VRAM và chạy bao nhiêu giờ mỗi ngày”.
"}, {"h2": "Bốn thông số cần đọc trước khi chọn card RTX", "html": "Trang thông số của một card RTX có hàng chục dòng. Với AI, chỉ bốn thông số thực sự quyết định trải nghiệm.
VRAM quyết định mô hình có vừa trong GPU hay không. Nếu không vừa, phần còn lại bị đẩy sang RAM hệ thống và tốc độ có thể giảm vài lần. Đây là thông số ưu tiên số một.
Khi sinh chữ, LLM phải đọc toàn bộ trọng số cho mỗi token. Băng thông bộ nhớ (GB/s) càng cao thì tốc độ token mỗi giây càng nhanh. Hai card cùng 16 GB nhưng bus bộ nhớ khác nhau có thể chênh tốc độ rõ rệt.
Thế hệ mới hỗ trợ thêm định dạng số như FP8, FP4, giúp tạo ảnh và huấn luyện nhanh hơn với phần mềm đã tối ưu. Với chat LLM lượng tử hóa, khác biệt thế hệ ít quan trọng hơn VRAM.
Card cao cấp có thể tiêu thụ trên 400 W khi tải nặng. Thông số này kéo theo yêu cầu về nguồn, tản nhiệt, UPS và tiền điện, nên phải tính ngay từ đầu.
"}, {"h2": "Chọn dòng RTX theo từng loại việc AI", "html": "Bảng dưới là cách ghép mức VRAM với việc thường gặp ở doanh nghiệp. Con số là ước lượng cho mô hình lượng tử hóa 4-bit, ngữ cảnh vừa phải; ngữ cảnh dài hoặc độ chính xác cao hơn sẽ cần nhiều VRAM hơn.
Hãy coi bảng như điểm xuất phát, sau đó kiểm tra lại với mô hình và công cụ cụ thể bạn định dùng, vì yêu cầu VRAM thay đổi theo phiên bản phần mềm.
", "table": {"caption": "Ghép mức VRAM GPU RTX với việc AI phổ biến (ước lượng)", "head": ["Việc cần làm", "VRAM gợi ý", "Nhánh RTX phù hợp", "Ghi chú"], "rows": [["Chat, tóm tắt, soạn thảo cho 1 người, mô hình 7B–8B", "8–12 GB", "GeForce tầm trung", "8 GB chạy được nhưng ngữ cảnh ngắn"], ["Mô hình 12B–14B, RAG tài liệu nội bộ", "12–16 GB", "GeForce tầm trung cao", "Điểm cân bằng cho văn phòng"], ["Tạo ảnh SDXL, Flux, xử lý ảnh sản phẩm", "16–24 GB", "GeForce cận cao cấp", "Flux bản đầy đủ thích VRAM lớn"], ["Mô hình 32B, nhóm 5–15 người dùng chung", "24–32 GB", "GeForce cao cấp", "Cần nguồn và tản nhiệt tốt"], ["Mô hình 70B, server cả công ty", "48 GB trở lên", "RTX chuyên nghiệp hoặc nhiều GPU", "Cân nhắc thuê GPU đám mây"], ["Fine-tune LoRA mô hình 7B–14B", "16–24 GB trở lên", "GeForce cao cấp hoặc chuyên nghiệp", "Chạy nhiều giờ liên tục"]]}}, {"h2": "GeForce RTX hay RTX chuyên nghiệp: khác nhau ở đâu", "html": "Nhiều chủ doanh nghiệp nghĩ card chuyên nghiệp lúc nào cũng tốt hơn cho AI. Thực tế, về sức tính thuần, một card GeForce cao cấp có thể ngang hoặc nhỉnh hơn card chuyên nghiệp cùng thế hệ. Khác biệt nằm ở những điểm sau:
Kết luận thực tế: văn phòng 10–30 người chạy trợ lý nội bộ thường bắt đầu tốt với GeForce. Khi cần VRAM từ 48 GB trong một card, hoặc máy chủ đặt trong tủ rack chạy liên tục, lúc đó RTX chuyên nghiệp mới thực sự đáng tiền.
"}, {"h2": "Ví dụ chọn card cho ba kiểu doanh nghiệp Việt Nam", "html": "Nhu cầu: tóm tắt công văn, soạn email, hỏi đáp quy trình nội bộ, dữ liệu không được rời văn phòng. Một máy chạy Ollama và Open WebUI với card GeForce 16 GB phục vụ mô hình 8B–14B là đủ. Mỗi lúc thường chỉ 2–3 người hỏi cùng lúc, độ trễ chấp nhận được.
Nhu cầu: tạo ảnh nền sản phẩm, xóa phông, viết mô tả. Ưu tiên card 16–24 GB để chạy mô hình tạo ảnh mà không phải hạ chất lượng. Ở đây băng thông và thế hệ Tensor Core ảnh hưởng tốc độ ra ảnh rõ hơn so với chat.
Nhu cầu: trợ lý code nội bộ, RAG trên tài liệu dự án, thử nghiệm fine-tune. Nên tách hai máy: một server suy luận có 24–48 GB VRAM phục vụ cả công ty, một máy trạm riêng để thử nghiệm huấn luyện. Gộp chung dễ khiến người dùng bị chậm khi có job huấn luyện chạy.
"}, {"h2": "Card RTX laptop và card cũ có dùng được cho AI không", "html": "Card RTX trên laptop dùng chung tên với card desktop nhưng thường có VRAM ít hơn và giới hạn công suất thấp hơn nhiều. Một laptop có GPU 8 GB vẫn chạy được mô hình 7B lượng tử hóa cho một người, phù hợp nhân viên kỹ thuật cần demo hoặc làm việc ngoài văn phòng. Nhưng chạy liên tục nhiều giờ, laptop sẽ nóng, quạt ồn và có thể hạ xung.
Card cũ là lựa chọn được nhiều người cân nhắc. Một số card RTX thế hệ trước có VRAM lớn (ví dụ dòng cao cấp 24 GB) vẫn chạy LLM tốt vì VRAM quan trọng hơn thế hệ. Tuy vậy cần lưu ý:
Nếu mua card cũ, hãy chạy thử tải nặng ít nhất 30–60 phút, theo dõi nhiệt độ và kiểm tra VRAM bằng công cụ chẩn đoán trước khi nhận.
"}, {"h2": "Khi nào không nên mua GPU RTX cho AI", "html": "GPU RTX không phải lúc nào cũng là khoản đầu tư hợp lý. Bạn nên dừng lại và cân nhắc phương án khác trong các trường hợp:
Một cách làm an toàn là thử nghiệm trước với một card tầm trung hoặc thuê đám mây trong vài tuần, ghi lại số người dùng và câu hỏi thực tế, rồi mới quyết định đầu tư card lớn.
"}, {"h2": "Checklist trước khi chốt mua GPU RTX cho AI", "html": "Đi hết checklist này thường giúp loại bỏ được lựa chọn mua thừa, hoặc phát hiện sớm rằng hệ thống hiện tại cần nâng cấp nguồn, thùng máy trước khi gắn card mới.
"} ], "tip": "Hãy chọn card theo mô hình bạn thực sự sẽ dùng trong 12–18 tháng tới, và ưu tiên dư VRAM hơn dư sức tính; thiếu VRAM là giới hạn cứng, còn thiếu tốc độ chỉ khiến chờ lâu hơn một chút.", "faq": [ {"q": "Card RTX 8 GB có chạy được ChatGPT nội bộ không?", "a": "Chạy được mô hình 7B–8B lượng tử hóa 4-bit cho một người dùng với ngữ cảnh ngắn. Chất lượng thấp hơn ChatGPT bản đám mây và khó phục vụ nhiều người cùng lúc."}, {"q": "Nên mua 1 card 24 GB hay 2 card 12 GB để chạy AI?", "a": "Thường nên ưu tiên 1 card VRAM lớn vì đơn giản hơn và nhanh hơn. Chia mô hình qua 2 card làm được nhưng cần phần mềm hỗ trợ, bo mạch đủ khe và nguồn lớn hơn."}, {"q": "GeForce RTX có được dùng trong server doanh nghiệp không?", "a": "Về kỹ thuật thì được và nhiều doanh nghiệp nhỏ vẫn dùng. Cần lưu ý tản nhiệt khi lắp nhiều card và đọc kỹ điều khoản cấp phép driver đối với triển khai trung tâm dữ liệu."}, {"q": "Card RTX đời mới có nhanh hơn hẳn card đời cũ khi chạy LLM không?", "a": "Khi chạy LLM lượng tử hóa, tốc độ phụ thuộc nhiều vào băng thông bộ nhớ và VRAM. Card mới thường nhanh hơn và tiết kiệm điện hơn, nhưng một card cũ VRAM lớn vẫn có thể chạy được mô hình mà card mới VRAM nhỏ không chạy được."}, {"q": "Tạo ảnh AI cần card RTX mạnh hơn chat AI không?", "a": "Tạo ảnh tận dụng sức tính của Tensor Core nhiều hơn, nên card thế hệ mới và mạnh hơn cho kết quả nhanh rõ rệt. Mô hình tạo ảnh lớn cũng cần 16 GB VRAM trở lên để chạy thoải mái."}, {"q": "Có cần cài CUDA Toolkit khi dùng card RTX với Ollama không?", "a": "Thường không cần. Ollama và LM Studio đã kèm thư viện cần thiết, bạn chỉ cần cài driver NVIDIA mới và kiểm tra bằng lệnh nvidia-smi."} ], "sources": [ {"t": "NVIDIA GeForce", "u": "https://www.nvidia.com/en-us/geforce/"}, {"t": "NVIDIA CUDA Zone", "u": "https://developer.nvidia.com/cuda-zone"}, {"t": "GeForce (Wikipedia)", "u": "https://en.wikipedia.org/wiki/GeForce"} ], "related": ["card-do-hoa-cho-ai", "vram-bao-nhieu-de-chay-llm", "rtx-4060-vs-4070-cho-ai", "cuda-la-gi", "gpu-amd-cho-ai", "may-tinh-chay-ai-cuc-bo-chon-cau-hinh", "ha-tang-it-cho-ai-sme"] }, { "id": 2026, "slug": "gpu-amd-cho-ai", "title": "GPU AMD chạy AI được không? Ưu nhược điểm và cách dùng thực tế", "meta_desc": "GPU AMD chạy AI được không? Phân tích ROCm, Vulkan, hỗ trợ Ollama, LM Studio, ưu nhược điểm Radeon so với NVIDIA và khi nào doanh nghiệp nên chọn AMD.", "excerpt": "GPU AMD Radeon hoàn toàn chạy được AI, nhưng trải nghiệm phụ thuộc mạnh vào công cụ, hệ điều hành và đời card. Bài này giải thích rõ chỗ AMD làm tốt, chỗ còn vướng và cách chọn cho đúng.", "answer": "GPU AMD chạy AI được, đặc biệt tốt với việc suy luận LLM qua Ollama, LM Studio hoặc llama.cpp. AMD dùng nền tảng ROCm (tương đương CUDA của NVIDIA) và backend Vulkan, nên nhiều card Radeon đời mới chạy mô hình lượng tử hóa ổn định. Ưu điểm là VRAM lớn so với tầm giá và phần mềm mã nguồn mở. Nhược điểm là hệ sinh thái nhỏ hơn: một số công cụ tạo ảnh, huấn luyện và thư viện chỉ tối ưu cho CUDA, hỗ trợ trên Windows hạn chế hơn Linux. Chọn AMD nếu chủ yếu chat, RAG; chọn NVIDIA nếu cần nhiều công cụ và ít mày mò.", "kws": ["GPU AMD chạy AI", "Radeon chạy LLM", "ROCm là gì", "AMD hay NVIDIA cho AI", "card AMD cho Ollama"], "sections": [ {"h2": "GPU AMD chạy AI được không: câu trả lời ngắn", "html": "Có. GPU AMD chạy AI được, và với một số việc thì chạy khá tốt. Điều cần hiểu là AI không chạy trực tiếp trên “card đồ họa” chung chung, mà qua một lớp phần mềm trung gian giúp chương trình gửi phép tính xuống GPU. Với NVIDIA, lớp đó là CUDA. Với AMD, lớp chính là ROCm, ngoài ra còn có Vulkan và trên Windows có DirectML.
Vì phần lớn công cụ AI được viết cho CUDA trước, việc dùng GPU AMD giống như dùng một chiếc xe tốt nhưng ít trạm bảo dưỡng: đi đường chính thì ổn, rẽ vào đường nhỏ thì phải tự xoay xở.
Cụ thể với doanh nghiệp:
ROCm là bộ nền tảng mã nguồn mở của AMD cho tính toán GPU, gồm trình biên dịch, thư viện toán và lớp HIP giúp chuyển mã CUDA sang chạy trên AMD. PyTorch có bản dựng hỗ trợ ROCm. Danh sách card được hỗ trợ chính thức có giới hạn và thay đổi theo phiên bản, nên luôn kiểm tra trang tài liệu ROCm trước khi mua.
Vulkan là API đồ họa đa nền tảng, có trên Windows và Linux. llama.cpp và các công cụ dựa trên nó như LM Studio có backend Vulkan, cho phép card AMD (cả đời cũ không có trong danh sách ROCm) chạy LLM với cài đặt đơn giản. Tốc độ có thể thấp hơn ROCm một chút tùy card và phiên bản.
DirectML là lớp tăng tốc AI của Microsoft trên Windows, dùng được với GPU nhiều hãng. Một số ứng dụng tạo ảnh và ONNX Runtime dùng đường này. Ngoài ra, các APU AMD có NPU tích hợp hỗ trợ một số tác vụ AI nhẹ trên laptop.
Tóm lại, nếu dùng Linux và card nằm trong danh sách ROCm, bạn có trải nghiệm tốt nhất. Trên Windows, Vulkan qua LM Studio thường là cách nhanh nhất để bắt đầu.
"}, {"h2": "Ưu điểm và nhược điểm của GPU AMD cho AI", "html": "Bảng dưới tổng hợp điểm mạnh, điểm yếu khi dùng GPU AMD cho AI so với lựa chọn NVIDIA phổ biến. Đây là đánh giá về hệ sinh thái tại thời điểm viết; AMD cập nhật ROCm khá thường xuyên nên tình hình có thể cải thiện.
", "table": {"caption": "Ưu nhược điểm GPU AMD khi chạy AI", "head": ["Tiêu chí", "GPU AMD Radeon", "Ảnh hưởng thực tế"], "rows": [["VRAM theo tầm giá", "Thường nhiều VRAM hơn card NVIDIA cùng phân khúc", "Chạy được mô hình lớn hơn với cùng ngân sách"], ["Hỗ trợ công cụ chat LLM", "Tốt với Ollama, LM Studio, llama.cpp", "Phù hợp trợ lý nội bộ, RAG"], ["Công cụ tạo ảnh, video", "Hỗ trợ có nhưng ít tài liệu, cài phức tạp", "Tốn thời gian mày mò"], ["Huấn luyện, fine-tune", "Chủ yếu trên Linux với ROCm", "Rủi ro lỗi thư viện cao hơn"], ["Windows", "Hỗ trợ hạn chế hơn Linux", "Nên dùng Vulkan hoặc chuyển sang Linux"], ["Mã nguồn mở", "ROCm, driver Linux mở", "Linh hoạt, không phụ thuộc giấy phép đóng"], ["Cộng đồng hỗ trợ", "Nhỏ hơn", "Khó tìm lời giải khi gặp lỗi lạ"]]}}, {"h2": "Những việc AI nào GPU AMD làm tốt nhất", "html": "Nếu đã có sẵn card AMD hoặc đang cân nhắc vì VRAM lớn, hãy tập trung vào những việc mà hệ sinh thái AMD đã ổn định.
Ví dụ: một công ty luật nhỏ 15 người muốn hỏi đáp trên kho mẫu hợp đồng mà không đưa dữ liệu lên mạng. Một máy Linux với card Radeon 16–24 GB chạy Ollama, Open WebUI và mô hình 14B lượng tử hóa đáp ứng tốt. Họ không cần tạo ảnh hay huấn luyện, nên điểm yếu của AMD gần như không ảnh hưởng.
"}, {"h2": "Khi nào không nên chọn GPU AMD cho AI", "html": "Có những trường hợp chọn NVIDIA sẽ tiết kiệm nhiều thời gian hơn, dù phải trả nhiều tiền hơn cho cùng dung lượng VRAM:
Nguyên tắc đơn giản: liệt kê tất cả phần mềm AI định dùng trong một năm tới, kiểm tra từng cái có hỗ trợ AMD hay không. Chỉ cần một phần mềm bắt buộc CUDA là đủ lý do chọn NVIDIA.
"}, {"h2": "Cách kiểm tra card AMD có chạy AI tốt không", "html": "Trước khi mua hoặc trước khi triển khai trên card AMD đã có, làm theo các bước sau:
Nếu tốc độ rất thấp và GPU gần như không hoạt động, nhiều khả năng phần mềm đang chạy bằng CPU vì không nhận được card. Lúc này hãy kiểm tra lại driver, biến môi trường và phiên bản công cụ.
"}, {"h2": "Có nên chuyển từ AMD sang NVIDIA hay dùng song song", "html": "Doanh nghiệp đã có máy dùng card AMD không nhất thiết phải bỏ. Một cách bố trí hợp lý là phân vai:
Các công cụ như Open WebUI có thể kết nối nhiều máy chủ mô hình cùng lúc, nên người dùng cuối không cần biết câu hỏi đang được xử lý trên card hãng nào.
Khi lập kế hoạch nâng cấp, nên tính tổng chi phí sở hữu chứ không chỉ giá card: thời gian kỹ thuật viên cài đặt, xử lý lỗi, mức độ phụ thuộc vào một người biết làm. Với đội IT mỏng, chi phí thời gian này nhiều khi lớn hơn phần chênh lệch giá phần cứng.
"} ], "tip": "Trước khi mua card AMD cho AI, hãy kiểm tra cùng lúc danh sách GPU của ROCm và của công cụ bạn định dùng như Ollama; nếu card chỉ chạy được qua Vulkan, hãy chấp nhận đó là phương án thử nghiệm chứ chưa phải nền tảng lâu dài.", "faq": [ {"q": "Card AMD Radeon có chạy được Ollama không?", "a": "Có, Ollama hỗ trợ nhiều card Radeon đời mới trên Linux và Windows. Danh sách cụ thể nằm trong tài liệu trên GitHub của Ollama và thay đổi theo phiên bản."}, {"q": "ROCm có chạy trên Windows không?", "a": "AMD có cung cấp một phần thành phần (HIP SDK) cho Windows, nhưng hỗ trợ đầy đủ nhất vẫn ở Linux. Muốn ổn định khi dùng PyTorch với ROCm, nên chạy Linux."}, {"q": "GPU AMD có tạo ảnh AI như Stable Diffusion được không?", "a": "Được, qua ROCm trên Linux hoặc qua DirectML, ONNX trên Windows. Cài đặt phức tạp hơn NVIDIA và một số tiện ích mở rộng có thể không hoạt động."}, {"q": "Cùng tầm tiền, nên mua AMD nhiều VRAM hay NVIDIA ít VRAM để chạy LLM?", "a": "Nếu chỉ chạy LLM qua Ollama, LM Studio và card AMD được hỗ trợ, VRAM lớn hơn thường có lợi. Nếu cần nhiều công cụ khác hoặc ít người biết kỹ thuật, NVIDIA an toàn hơn."}, {"q": "Làm sao biết LM Studio đang dùng GPU AMD chứ không phải CPU?", "a": "Xem phần cài đặt runtime trong LM Studio có chọn Vulkan hoặc ROCm không, và quan sát mức sử dụng GPU trong Task Manager khi chạy. Nếu GPU gần như đứng yên còn CPU tăng cao thì mô hình đang chạy bằng CPU."}, {"q": "APU AMD có NPU chạy được LLM không?", "a": "NPU trên APU AMD hỗ trợ một số tác vụ AI nhẹ và mô hình nhỏ đã được tối ưu. Để chạy LLM cỡ 7B trở lên một cách thoải mái, GPU rời vẫn là lựa chọn thực tế hơn."} ], "sources": [ {"t": "AMD ROCm Documentation", "u": "https://rocm.docs.amd.com/"}, {"t": "Ollama trên GitHub", "u": "https://github.com/ollama/ollama"}, {"t": "ROCm (Wikipedia)", "u": "https://en.wikipedia.org/wiki/ROCm"} ], "related": ["gpu-nvidia-rtx-cho-ai", "cuda-la-gi", "card-do-hoa-cho-ai", "ollama-la-gi", "lm-studio-la-gi", "vram-bao-nhieu-de-chay-llm", "ha-tang-it-cho-ai-sme"] }, { "id": 2027, "slug": "ups-cho-server-ai", "title": "UPS cho server và máy trạm AI: tính công suất thế nào cho đúng", "meta_desc": "Cách tính công suất UPS cho server và máy trạm AI: đo tải thực, đổi VA sang W, dư tải, thời gian lưu điện, chọn UPS online sóng sin và tắt máy an toàn.", "excerpt": "Máy chạy AI có GPU tiêu thụ điện lớn và dao động mạnh, nên chọn UPS theo thói quen cho máy văn phòng rất dễ thiếu. Bài này hướng dẫn tính công suất UPS từng bước và chọn loại phù hợp.", "answer": "UPS cho server và máy trạm AI cần tính theo công suất thực (W) khi GPU chạy tải nặng, không theo công suất ghi trên nguồn. Cách tính: đo hoặc ước lượng tổng W của máy và thiết bị mạng đi kèm, cộng dư 25–40% cho các đỉnh tải ngắn của GPU, rồi chọn UPS có công suất W lớn hơn con số đó. Máy GPU nên dùng UPS online chuyển đổi kép hoặc ít nhất line-interactive sóng sin chuẩn. Thời gian lưu điện chỉ cần đủ để tắt máy an toàn, thường 5–15 phút, kèm phần mềm tự tắt máy khi pin yếu.", "kws": ["UPS cho server AI", "tính công suất UPS", "UPS cho máy trạm GPU", "chọn bộ lưu điện cho máy AI", "UPS online sóng sin"], "sections": [ {"h2": "Vì sao server và máy trạm AI cần UPS riêng", "html": "UPS cho server AI là bộ lưu điện cấp nguồn liên tục cho máy chạy mô hình AI khi điện lưới mất, sụt hoặc chập chờn. Máy văn phòng mất điện thì mất bản Word chưa lưu. Máy AI mất điện có thể gây hậu quả lớn hơn:
Ngoài ra, máy GPU có đặc điểm riêng: công suất dao động mạnh trong thời gian rất ngắn khi GPU chuyển trạng thái tải. UPS chọn sát nút theo công suất trung bình có thể báo quá tải và tự ngắt đúng lúc máy đang làm việc nặng nhất.
"}, {"h2": "VA và W khác nhau thế nào khi chọn UPS", "html": "Nhãn UPS thường ghi hai con số, ví dụ “1500VA / 900W” hoặc “1500VA / 1350W”. Đây là chỗ nhiều người chọn sai.
Máy tính hiện đại dùng nguồn có PFC chủ động nên hệ số công suất gần 1, nghĩa là tải W gần bằng tải VA. Vì vậy khi chọn UPS cho máy AI, hãy so sánh theo W. Một UPS ghi 1500VA nhưng chỉ có 900W sẽ không gánh nổi máy GPU tiêu thụ 1000W, dù 1000 nhỏ hơn 1500.
Lấy tổng công suất thực của máy (W), nhân 1,3 đến 1,4, rồi tìm UPS có thông số W lớn hơn kết quả. Đừng dựa vào con số VA in to trên vỏ hộp.
"}, {"h2": "Các bước tính công suất UPS cho máy AI", "html": "Cần biết cấu hình máy (GPU, CPU, số ổ cứng), các thiết bị sẽ cắm vào UPS (switch, router, NAS, màn hình) và tốt nhất là có một đồng hồ đo công suất cắm ổ điện.
Sau khi lắp, chạy tải nặng và xem màn hình UPS: mức tải nên nằm khoảng 50–75%. Rút điện lưới thử trong giờ nghỉ để chắc chắn máy tự tắt đúng kịch bản.
"}, {"h2": "Bảng ước lượng công suất UPS theo cấu hình máy AI", "html": "Bảng dưới là ước lượng cho các cấu hình thường gặp. Công suất thực phụ thuộc mẫu card, giới hạn công suất cài đặt và mức tải, vì vậy hãy đo lại khi có máy thật.
", "table": {"caption": "Ước lượng tải và UPS gợi ý cho máy AI (tính theo W)", "head": ["Cấu hình", "Tải đỉnh ước lượng", "UPS gợi ý (công suất W)", "Loại UPS"], "rows": [["PC 1 GPU tầm trung, chạy chat LLM", "300–450 W", "từ 600–700 W", "Line-interactive sóng sin"], ["Máy trạm 1 GPU cao cấp", "550–800 W", "từ 1000–1100 W", "Line-interactive sóng sin hoặc online"], ["Máy trạm 2 GPU", "900–1300 W", "từ 1500–1800 W", "Online chuyển đổi kép"], ["Server 4 GPU chuyên nghiệp", "1500–2200 W", "từ 2500–3000 W trở lên", "Online, cân nhắc nguồn 220 V riêng"], ["NAS và switch đi kèm", "60–150 W", "cộng vào tổng ở trên", "Dùng chung UPS hoặc UPS nhỏ riêng"]]}}, {"h2": "Chọn loại UPS: offline, line-interactive hay online", "html": "Lý do cần sóng sin: nguồn máy tính có PFC chủ động đôi khi phản ứng không tốt với sóng mô phỏng, dẫn tới máy tự tắt, kêu rè hoặc nguồn nóng bất thường khi chuyển sang pin. Đây chính là lỗi “có UPS mà máy vẫn tắt khi mất điện” hay gặp.
Với UPS công suất lớn, chú ý thêm loại ổ cắm đầu ra, khả năng gắn pin mở rộng và việc UPS có phải đặt trong tủ rack hay dạng tháp.
"}, {"h2": "Thời gian lưu điện bao lâu là đủ", "html": "Nhiều người muốn UPS giữ máy AI chạy cả tiếng khi mất điện. Với máy GPU tải 800–1500 W, điều này cần pin rất lớn, chiếm chỗ và tốn kém. Cách tiếp cận hợp lý hơn:
Lưu ý thời gian lưu điện giảm mạnh khi tải tăng và khi pin già. Bảng runtime của nhà sản xuất thường đo với pin mới ở nhiệt độ chuẩn; phòng nóng sẽ làm pin xuống cấp nhanh hơn. Ắc quy chì kín trong UPS thường cần thay sau vài năm tùy điều kiện sử dụng, nên ghi lịch kiểm tra định kỳ.
"}, {"h2": "Cài phần mềm tự tắt máy khi mất điện", "html": "UPS chỉ phát huy tác dụng khi máy biết lúc nào cần tắt. Các bước cơ bản: