書房裡，林晨盯著螢幕上緩慢爬行的進度條，眉頭緊鎖。
他的宏碁暗影騎士遊戲本，三年前為了偶爾打打《守望先鋒》買的，此刻正發出直升機起飛般的風扇轟鳴。螢幕上，PyTorch 正在訓練一個用於分析 A 股市場行業輪動規律的 LST長短期記憶）網路。
資料集不算大，不過是過去五年申萬一級行業指數的日度收益率序列，但模型跑了快一個小時，才完成了不到 30 個 epoch（訓練輪次）。
“這速度……”林晨揉了揉發脹的太陽穴，手指無意識地敲擊著桌面。
他開發的“晨曦一號”智慧投資系統，核心模組之一就是這個行業輪動模型。
原理不復雜：利用 LST捕捉不同行業板塊間複雜的時序依賴關係，試圖預測未來一段時間內哪些行業可能跑贏大盤。想法很好，程式碼也調通了，但訓練速度成了攔路虎。
筆記本的 GTX 1060 顯示卡，6GB 視訊記憶體，在 2023 年玩主流遊戲都勉強，拿來跑稍複雜點的深度學習模型，更是力不從心。
林晨已經儘可能優化了：減小批次大小（batch size）、使用混合精度訓練、把能放到 CPU 上的預處理都挪出去……但硬體天花板就在那裡。
更讓他焦慮的是時間。
再次失業在家三個多月，存款數字在緩慢但堅定地下降。鵬城的房貸、一家三口的生活費、樂樂幼兒園的學費……每一樣都是實實在在的壓力。
他必須儘快讓這個系統跑起來，驗證其有效性，甚至開始產生收益。時間，某種意義上比金錢更珍貴。
“不能等”。林晨關掉了訓練程式。
風扇聲逐漸平息，書房恢復了安靜，只剩下窗外隱約傳來的車流聲。
他開啟瀏覽器，開始搜尋“深度學習 訓練 加速”“個人 GPU 伺服器”“雲伺服器 AI 訓練”。
資訊如潮水般湧來。知乎、CSDN、GitHub 上的討論帖，技術部落格的測評，各大雲服務商的廣告……
他泡了杯濃茶，像當年準備高考一樣，開始系統性地研究和記錄。
首先是自己組裝一臺深度學習工作站。
他快速列了個配置單：RTX 3090 顯示卡（24GB 視訊記憶體，當時的高階卡）大概一萬二；配套的 CPU、主機板、大記憶體、大功率電源、機箱……整套下來，兩萬塊打不住。
這還沒算可能需要的多卡並聯（為了更大模型或更快訓練）。
兩萬塊，幾乎是目前家庭備用金的十分之一。而且，一臺固定配置的機器，可能很快又面臨效能瓶頸或技術迭代。
“太重了，也不靈活。”林晨在“自建工作站”後面打了個叉。
失業期投入這麼大一筆固定資產，風險太高。
接著是雲伺服器。
阿里雲、騰訊雲、華為雲、AWS、Google Cloud……他一個個官網點進去，找到它們的 GPU 計算例項產品頁面。
價格讓他倒吸一口涼氣。
以阿里云為例，一臺配備單顆 NVIDIA V100（32GB 視訊記憶體，專業計算卡）的 gn6v 例項，按量付費（用多久算多久錢）的價格，每小時接近三十元。
如果包月，一個月要一萬多。
騰訊雲、華為雲的同類產品價格也大同小異。AWS 的 p3 例項更貴。Google Cloud 的 TPU（張量處理單元）倒是專門為 TensorFlow 最佳化，但他現在主攻 PyTorch，而且 TPU 例項價格也不菲。
。力無陣一到晨林。”的擔負期長能者發開人個是不本這“
。板花天著看，上子椅在癱他
。接法無得低將率效驗實、度速代迭那？週一至甚天幾練訓型模個一？磨慢慢本記筆用？裡這在卡被要就道難
