我的便携取暖器My Portable Heater

它的发热量不小，分量也有些重，而且在我主力计算设备上的配置过程相当繁琐。

但说实话，我很庆幸能有这样一款产品存在。

最近我体验了一款 eGPU——Gigabyte Aorus RTX 5060 Ti AI Box，它本质上是一块装在相对小巧的机箱里的台式机 GPU。我一直对 eGPU 非常感兴趣，部分原因是在许多场景下，它们似乎能带来两全其美的体验。你平时照常带着笔记本电脑，而当你需要强悍性能时，只需把 eGPU 接入你的设备，瞬间就能获得出色的图形处理能力。

这款 AI Box 的有趣之处在于，从技术上讲，它的体积小到足以塞进你的笔记本电脑包，同时还能为你那可能有些老旧的笔记本提供强劲助力。（由于它支持 Thunderbolt 5，未来当你升级设备时，它的运行速度也会随之提升。）

其搭载的实际上是一块台式机 GPU，尽管它刚问世时曾遭到玩家们的吐槽。Nvidia RTX 5060 在最初发布时，被普遍认为性能不足且显存捉襟见肘。5060 Ti 依然没少挨玩家的白眼，但提升至 16GB 的显存，让它对创意工作者，或者说……没错，对那些在本地机器上折腾 AI 的用户来说，吸引力大增。

这在一定程度上得益于它的设计。与大多数 GPU 不同，它是为 8 通道 PCIe Gen 5（第五代）配置设计的，而不是更常见的 16 通道设计。（如今的 PCIe 速度已经非常快，因此这种设计完全可行。）而且，一旦你拆掉它上面那密密麻麻的散热风扇，其 PCB 板其实非常小巧。

说来也怪，我认为使用场景才是评判它的关键。如果放在普通《Black Myth: Wukong》（黑神话：悟空）玩家的台式机里，它的性能确实偏弱。但对于那些只是偶尔打开 Steam 玩玩游戏的笔记本用户来说，它瞬间就变得香极了。它是微型化技术的一个标杆，竟然有人能把一张性能如此强悍的显卡，塞进一个传统 Thunderbolt 扩展坞大小的空间里。

你可以带着这玩意走进一家 Panera 面包店，人们会以为你带着一块巨大的电源适配器。（在这个使用场景下，一个小小的遗憾是没有配备更坚固的收纳包；在网上挑了一圈后，我选择了 Koolertron 防水单反相机包。它刚好能塞进我的 Chrome 帆布包里。）

考虑到它所适配的那些笔记本本身的性能——我的 HP Envy 虽然搭载了 Intel Arc 独立显卡，但在这款设备面前简直黯然失色——它的核心价值就凸显出来了。

它的价值还体现在另一方面：其售价为 699 美元，并不比单独买一块 5060 Ti 贵多少，而且它基本算是一个高度集成的独立设备，这绝对是那些低端 eGPU 做不到的。（虽然这比 5060 Ti 显卡原本的起售价要贵，但你知道的，毕竟带了 AI 属性。）市面上的大多数 eGPU 只是廉价的转接器，前提条件是你：1）自备电源；2）能忍受显卡就这么裸露在外。这是一个罕见的例子：当你不去纠结它的可升级性时，反而能从中获得更高的价值。

（不过也许它还是可以升级的！正如 eGPU.io 论坛上的一位用户所指出的，该设备本身其实就是一块小巧 PCIe 板卡上的 GPU，插在转接器上而已。因此，如果未来出现类似规格的显卡，你甚至有可能对其进行升级。）

我在 Linux 环境下配置了这玩意，纯粹是因为我有点自虐倾向

我就不粉饰太平了：如果你买 eGPU 是为了在 Linux 上运行，那你纯粹是在自讨苦吃。幸运的是，作为一名前 Hackintosher（黑苹果玩家），我本身就是个喜欢迎难而上的人，而且我愿意为了最终的回报去不断试错。

而这个盒子带来的问题——只要启用驱动程序就会死机——让我想起了在 Clover 中排查 kexts 问题最让人头疼的经历。

目前 Linux 上尚未完全解决 AI Box 的驱动问题。但这并没有阻止一些人的尝试，尤其是开发者 Andrew Obersnel，他构建了一个名为 nvidia-driver-injector 的项目，本质上是对 Nvidia 驱动打补丁，然后将其运行在 Docker 容器中。

即使有了这个起点，过程也绝非易事。Obersnel 的工具是为更强大的 5090 AI Box 编写的——属于同一系列，但需求有所不同。除此之外，我试图在 Bazzite DX（一个不可变发行版）上运行它，这意味着我的情况更加复杂。（不过我已经习惯了。）

要让这些东西正常运行绝对是个苦力活，在这种情况下使用 LLM 会大有帮助，它能帮你理清那些极其复杂的调试方案。这花了我几个小时，但最终我大功告成。

不幸的是，紧接着 Bazzite 的下一次更新就发布了，迫使我不得不重新构建所有内容。虽然很烦人，但再多花点精力借助 LLM 干点苦力活，我又恢复了正常。但有一点必须清楚：目前的 Linux 还不适合胆小的人。希望未来能有所改变。

其他操作系统的情况则各不相同：我在 Windows 11 上运行了它，安装了 Nvidia 驱动程序，立刻就能顺利使用了。更有趣的是，得益于 TinyGrad 新推出的一些官方认可驱动，这款 GPU 理论上可以在 Apple Silicon 上运行。我实际上在我的 M1 Air 上测试了这种方法，但立刻碰了壁，不过如果显卡型号老一点，可能就成功了。罢了，六个月后再试一次吧。

到处都在进行速度测试

我针对这款设备的计划使用场景包括：测试本地 LLM，并为创意软件（尤其是 Affinity）提供一点额外的性能加持。

我确实在 LM Studio 中进行了一次速度测试，让它们运行相同的提示词。使用 Qwen 3 VL 4B（一个足够小、能完全塞进笔记本 Intel Arc 芯片的模型）时，差距相当悬殊。笔记本的独立 GPU 生成文本的速度大约是每秒 14 个 token；而 eGPU 的速度则达到了每秒 118 个 token。差距极其明显，而且这东西甚至还有性能盈余。

较新的模型也令人印象深刻，包括新的 Gemma4 12B 模型（大约每秒 35 个 token）以及基于 DeepSeek 4 训练的 Qwen 3.5 蒸馏版（大约每秒 60 个 token）。至少从速度的角度来看，这些模型的表现相当不错——经过一些优化后，我还能进一步提升这些数据。

然而，本地 LLM 确实存在局限性，而且很容易触及瓶颈。我用一个带有强烈 Tedium 风格的挑战证明了这一点，该挑战涉及我最喜欢的独立摇滚王朝之一：“给我讲个故事，说说 Conor Oberst 是如何在一场关于奥马哈历史的问答游戏中击败 Tim Kasher 的。”

所有的测试都给出了一个故事，但细节却经不起推敲。大多数（并非全部）LLM 知道 Oberst 是 Bright Eyes 的主唱，但没有一个能猜出 Kasher 领导的是哪支乐队——一个说是 The Decemberists，另一个说是 The National。（答案当然是 Cursive，或者如果你是铁杆粉丝的话，会知道是 The Good Life。）当然，你本来就不应该指望模型能提供完全准确的事实，但本地 LLM 在事实储备上可能比它们位于服务器机架里的“表亲”更为匮乏。

而且从编程的角度来看，你必须谨慎使用这类工具，需要测试一些模型以找到合适的平衡点。例如，我发现 Gemma4 在 Opencode 中很难完成与编程相关的任务，而我测试的 Qwen/DeepSeek 组合则表现良好，即使它不如 DeepSeek 本身那么聪明。

（不过，这已经比一年前好太多了。）

测试结果让我满意的一个领域是 Affinity。我使用图形安装器全新安装了这款工具，经过一番故障排查后，我得到了一款非常完善的应用程序，在接入该 GPU 的情况下，它在 Vulkan 模式下表现极为出色。

而对于极客们，是的，我确实试玩了一两款游戏。2016 年版的《毁灭战士》（Doom）可能是我的游戏库中最接近大型游戏的作品了，它在 4K 中等画质下跑出了 70fps，在 1440p 极高画质下则接近 100fps。表现相当不错。

但这其中也充满了波折，部分原因是 Linux 特有的问题。我遇到了一些关于 Resizable BAR（Base Address Register，基址寄存器）的问题需要解决，而即使解决之后，在尝试通过 eGPU 本身连接 DisplayPort 线缆时，我仍然遇到了频繁的死机现象。我认为这不是设备的问题，而是驱动程序不成熟和用户操作失误混合导致的。这确实意味着，在修复这个问题之前，性能无法完全发挥，除非我咬咬牙退回到 Windows 11。

在 Linux 上，这并不是一款即插即用的设备。事实上，它倾向于从其他已插入的设备中攫取资源，以满足其对带宽无尽的渴求。（有时，它会导致插入 Thunderbolt 扩展坞的其他设备失灵，比如我的键盘、鼠标和摄像头。）但对于那些愿意下功夫折腾的人来说，它的能力非常强大。

适合普通大众的 eGPU？目前还不是，但是……

我当然不会说我对 eGPU 市场有很深的了解，但由于其定位，普通消费者一直很难理解它的潜力。它是一种将固定桌面端任务带到便携系统中的工具，这个细分市场从未像迷你 PC 那样真正迎来属于它的高光时刻。

我认为像这样的设备让我们离那个时刻更近了一步。从技术角度来看，这些东西确实有真正的缺点：Thunderbolt 的速度就是不如 PCIe 连接，而且为了获得最佳的图形性能，你需要将其连接到外部显示器。让画面回传经过笔记本电脑会严重拖累性能，尽管它可能仍然比你机器里的任何其他硬件都要快。

5060 Ti AI Box 当然不是第一个尝试将这种形态以更便携的方式带到计算机上的“扩展盒”。但它是一只相对罕见的“野兽”——装在盒子里的桌面级 GPU，而且比标准的桌面级 GPU 显卡还要小。此外，之前的大多数尝试都是 AMD 显卡。AMD 还行，但从机器学习的角度来看，该公司处于落后地位，即使它最近对其 ROCm 计算堆栈进行了改进。（顺便说一句：我认为 Intel 应该考虑推出一款 eGPU，或者至少推动其合作伙伴推出一款，因为其 Arc 显卡目前性价比相当高，而且可能会与 Linux 配合得更好。）

随着笔记本电脑越来越强化内置 GPU，eGPU 最终有可能成为一种过渡设备。这种现象在 Mac 生态系统中已经发生过；而基于 Nvidia 近期在 ARM 笔记本电脑领域的动作，PC 领域也可能重演这一幕。这些芯片非常强大，配备了 5070 级别的 GPU 和海量的 RAM。但由于其工作站级别的定位，它们在很长一段时间内都无法进入普通消费者的手中。

除非 Nvidia 像 Apple 那样动用雄厚的资金储备（进行补贴），否则这些很可能是售价高达四五千美元的电脑。即使是硬件发烧友也可能会望而却步，至少一开始是这样。

从这个角度来看，一款只需插入 Thunderbolt 接口，就能为使用普通笔记本的用户提供接近那种体验的 eGPU，无疑是一个极佳的折中方案。如果 LLMs 在我们的日常工作中变得更加不可或缺，情况就更是如此了。

当我拿到这款设备时，我没料到“便携性”会成为我如此喜欢它的一个重要原因，但说实话，这确实是它最主要的卖点。我希望未来能看到十几款类似的产品。

我也希望业界能付出实质性的努力，让这些设备成为 Linux 的“一等公民”。