你想买一台AI迷你主机跑本地模型。打开电商平台，从两千多到九千多，几十款产品，参数表长得像天书。NPU算力、TOPS、内存带宽、LPDDR5x、PCIe 4.0……这些词你都认识，但连在一起就不知道该怎么选了。
一个做独立开发的朋友上周问了我一个问题。
他想买一台AI迷你主机，预算五千左右，主要用来跑本地代码辅助和文档知识库。他看中了三款产品，参数分别如下：
A款：Intel Core Ultra 5 125H，NPU 10 TOPS，16GB DDR5，512GB SSD，¥3,999
B款：Intel Core Ultra 7 155H，NPU 22 TOPS，32GB LPDDR5x，1TB SSD，¥5,499
C款：AMD Ryzen 7 8845HS，NPU 16 TOPS，32GB DDR5，1TB SSD，¥4,899
他问我：“B款贵了1500块，NPU算力是A款的两倍多。但我真的需要那么多算力吗？还是把这1500块省下来？”
这个问题问得很好。
AI迷你主机的选购，核心不是“买最贵的”或者“买算力最大的”，而是“买最适合你实际使用场景的”。 算力过剩浪费预算，算力不足影响体验。这篇文章帮你找到那个平衡点。
一台AI迷你主机的成本构成大致如下：
| 部件 | 成本占比 | 对AI体验的影响 | 选购优先级 |
|---|---|---|---|
| 处理器（含NPU） | 35-45% | 决定AI推理速度和可用模型规模 | ★★★★★ |
| 内存（容量+类型） | 15-20% | 决定能跑多大模型、能并发多少任务 | ★★★★★ |
| 存储（容量+速度） | 8-12% | 决定模型加载速度和数据存取效率 | ★★★★ |
| 散热系统 | 8-12% | 决定持续性能输出能力（是否降频） | ★★★★ |
| 接口与扩展 | 5-8% | 决定能接多少外设、能不能扩展 | ★★★ |
| 品牌与售后 | 5-8% | 决定出问题后的解决效率 | ★★★ |
处理器和内存是核心成本项，也是决定AI体验的关键。 把预算优先分配给这两个部件，是选购的基本原则。
NPU（神经网络处理单元）的算力以TOPS（每秒万亿次操作）为单位。2026年市面上的AI迷你主机，NPU算力从10 TOPS到45 TOPS不等。
先看一张表，了解不同NPU算力能做什么：
| NPU算力 | 代表处理器 | 能跑的模型 | 典型推理速度 | 适合谁 |
|---|---|---|---|---|
| 10-15 TOPS | Intel Core Ultra 5 125H | 7B模型（INT4量化） | 10-15 token/秒 | 入门体验、轻度文档辅助 |
| 15-20 TOPS | AMD Ryzen 7 8845HS | 7B模型（INT4） | 15-20 token/秒 | 日常代码辅助、文档问答 |
| 20-30 TOPS | Intel Core Ultra 7 155H | 7B-8B模型（INT4/INT8） | 20-30 token/秒 | 高频开发者、多任务并发 |
| 30-45 TOPS | Intel Core Ultra 9 / 骁龙X Elite | 13B模型（INT4） | 15-25 token/秒（更大模型） | 复杂推理、团队共享、边缘部署 |
| 45+ TOPS | 骁龙X Elite高端型号 | 13B-20B模型 | 10-20 token/秒 | 企业级边缘AI、大模型本地部署 |
选购建议：
如果你是入门体验型用户（偶尔用AI、不追求极致速度）：10-15 TOPS够用。跑7B模型做日常辅助没问题，速度稍慢但可接受。预算优先省下来。
如果你是日常高频开发者（每天用AI辅助写代码、处理文档）：15-25 TOPS是甜点区间。7B-8B模型推理流畅，多任务切换不卡顿。这是大多数个人开发者的最佳选择。
如果你需要跑更大模型或更高并发：30 TOPS以上。可以跑13B级别模型，或同时处理多路AI任务。适合团队共享、边缘网关部署、复杂AI应用开发。
如果你是企业级边缘部署：45 TOPS+，并关注内存带宽和散热持续性。边缘场景对持续算力输出要求高，NPU峰值算力不是唯一指标。
一个关键提醒：不要只看NPU算力，还要看内存带宽。
NPU算力再高，如果内存带宽不够，数据喂不进去，实际推理速度会大打折扣。同样标称20 TOPS的两台设备，内存带宽高的那台，实际推理速度可能快30%以上。
内存带宽参考值：
DDR5-4800：约76.8 GB/s
LPDDR5-6400：约102.4 GB/s
LPDDR5x-7500：约120 GB/s
LPDDR5x-8533：约136 GB/s
预算允许的情况下，优先选择LPDDR5x内存的机型。
内存（RAM）是AI迷你主机选购中最容易被低估的部件。
内存容量决定了你能跑多大的模型、能同时运行多少个AI任务。
| 内存容量 | 能跑的模型 | 多任务能力 | 适合谁 |
|---|---|---|---|
| 8GB | 3B模型勉强，7B模型吃力 | 只能跑一个AI任务 | 不推荐用于AI场景 |
| 16GB | 7B模型（INT4）可跑 | 跑AI时基本干不了别的 | 入门用户、轻度使用 |
| 32GB | 7B-8B模型流畅，13B可尝试 | 跑AI同时可做其他任务 | 主流开发者、推荐配置 |
| 64GB | 13B-20B模型可跑 | 多任务并发轻松 | 重度用户、团队共享、边缘部署 |
| 128GB | 30B+模型可尝试 | 多路并发无压力 | 企业级部署、专业AI开发 |
选购建议：
16GB是底线，但不推荐。 16GB能跑7B模型，但系统本身占用一部分，实际可用内存有限。跑AI时后台基本干不了别的，风扇狂转，体验受限。
32GB是2026年的主流推荐。 能流畅跑7B-8B模型，同时保留足够内存给操作系统和其他应用。对于大多数个人开发者，32GB是性价比最高的选择。
64GB适合有明确大模型需求或团队共享场景。 如果你需要跑13B以上模型，或者多人同时使用同一台设备，64GB能提供足够的余量。
内存类型同样重要：
DDR5 SODIMM：可插拔，方便后期升级。带宽中等，延迟略高。
LPDDR5/LPDDR5x：板载焊接，不可升级。带宽更高，功耗更低，适合AI推理场景。
如果预算允许且不打算后期升级，优先选择LPDDR5x板载内存的机型——更高带宽对AI推理速度有实质性帮助。
一个实用的计算公式：
你需要的最大内存 ≈ 模型参数量 × 量化精度占用 + 操作系统占用 + 应用软件占用 + 余量
以7B模型（INT4量化）为例：
模型文件：约4GB
操作系统：约3-4GB
推理框架和缓存：约2-3GB
应用软件（编辑器、浏览器等）：约4-6GB
余量：约4GB
总计：约17-21GB → 32GB内存是最稳妥的选择
存储对AI体验的影响常被忽略，但实际上很关键。
容量决定能存多少模型和数据，速度决定模型加载快不快、推理时数据读取是否跟得上。
| 存储配置 | 模型加载速度 | 能存多少模型 | 适合谁 |
|---|---|---|---|
| 512GB SATA SSD | 慢（30-60秒） | 3-5个7B模型 | 入门，不推荐 |
| 512GB NVMe SSD | 中（15-30秒） | 3-5个7B模型 | 预算有限可接受 |
| 1TB NVMe SSD | 快（8-15秒） | 8-10个7B模型 | 主流推荐 |
| 2TB NVMe SSD | 快（8-15秒） | 15-20个7B模型 | 重度用户、多模型切换 |
选购建议：
容量：1TB是2026年的起步推荐。 一个7B模型（INT4）约4GB，加上操作系统、应用软件、开发工具，512GB很快就会捉襟见肘。1TB提供足够的余量。
速度：必须选择NVMe SSD，且优先PCIe 4.0。 PCIe 4.0 NVMe的读取速度可达5000MB/s以上，是SATA SSD的10倍。模型加载时间从30秒缩短到8秒，体验差异明显。
接口：确认是M.2 2280规格。 这是最通用的SSD规格，方便后期自行升级更换。
一个容易忽略的细节：检查是否有第二个M.2插槽。 如果后期需要扩容，有第二个插槽会方便很多——直接加装一块SSD即可，不需要替换原有硬盘。
AI推理是持续负载，不是瞬间峰值。散热设计决定了设备能不能在长时间高负载下维持性能。
散热方案对比：
| 散热方案 | 典型功耗范围 | 噪音水平 | 持续性能 | 适合场景 |
|---|---|---|---|---|
| 无风扇被动散热 | 10-25W | 0dB | 受限于散热面积，高负载易降频 | 轻量AI任务、安静环境 |
| 单风扇主动散热 | 25-45W | 25-35dB | 可维持中等负载持续输出 | 主流AI开发 |
| 双风扇主动散热 | 45-65W | 35-45dB | 可维持高负载持续输出 | 重度AI任务、边缘部署 |
| 均热板+风扇 | 45-65W | 30-40dB | 散热效率最优，噪音控制好 | 高性能AI迷你主机 |
选购建议：
如果你主要跑轻量AI任务（文档问答、代码补全）：无风扇或单风扇方案足够。无风扇机型完全静音，适合办公室或卧室环境。
如果你需要长时间跑AI推理：选择双风扇或均热板+风扇方案。AI推理是持续负载，散热不足会导致CPU/NPU降频，实际推理速度下降20-30%。
如果你部署在工业或边缘环境：优先选择无风扇工业级方案，但需确认散热设计能满足持续负载需求。工业级无风扇设备的散热能力通常强于消费级无风扇产品，因为其外壳本身就是大型散热器。
一个简单的判断方法：
看厂商公布的“持续功耗”和“峰值功耗”。如果两者差距很大（如峰值65W，持续只有35W），说明散热能力不足以支撑长时间满载。持续功耗越接近峰值功耗，散热设计越好。
接口配置取决于你的使用场景。以下是不同场景的接口需求：
基础场景（个人开发、文档辅助）：
USB 3.2 × 3（接键盘、鼠标、U盘）
HDMI 2.1 × 1（接显示器）
2.5GbE网口 × 1
3.5mm耳机孔 × 1
进阶场景（多显示器、外设扩展）：
USB 4/Thunderbolt × 1（高速外设、外接显卡）
HDMI 2.1 + DP 1.4（双显示器）
2.5GbE网口 × 2（内外网隔离）
SD读卡器 × 1
边缘部署场景（工业、安防）：
2.5GbE网口 × 2（内外网隔离，或链路聚合）
USB 3.2 × 4以上
RS232/RS485串口（工业设备连接）
GPIO接口（传感器、报警器）
M.2插槽 × 2（一个装SSD，一个装4G/5G模块）
选购建议：
优先确认网口数量。 边缘部署至少需要2个网口。个人使用1个够用。
USB接口数量和版本。 至少3个USB 3.2接口。如果外设多（摄像头、硬盘、键鼠），考虑带USB 4/Thunderbolt的机型。
视频输出接口。 如果需要双屏，确认有HDMI+DP或双HDMI。如果只是单屏，HDMI 2.1足够。
扩展插槽。 M.2插槽数量决定了后期扩展能力。至少1个用于SSD，如果需要蜂窝网络，确认有第二个M.2或Mini-PCIe插槽。
根据不同使用场景和预算，以下是2026年的配置推荐：
| 使用场景 | 预算区间 | 处理器 | NPU算力 | 内存 | 存储 | 推荐配置示例 |
|---|---|---|---|---|---|---|
| 入门体验 | ¥3,000-4,000 | Intel Core Ultra 5 125H | 10-15 TOPS | 16GB | 512GB NVMe | 基础款AI迷你主机 |
| 日常开发 | ¥4,500-5,500 | Intel Core Ultra 7 155H / AMD Ryzen 7 8845HS | 16-22 TOPS | 32GB | 1TB NVMe | 主流开发者配置 |
| 高频重度 | ¥6,000-7,500 | Intel Core Ultra 9 / AMD Ryzen 9 | 25-35 TOPS | 32-64GB | 1TB-2TB NVMe | 高性能AI迷你主机 |
| 团队共享 | ¥7,000-9,000 | Intel Core Ultra 9 / 骁龙X Elite | 35-45 TOPS | 64GB | 2TB NVMe | 企业级边缘AI节点 |
| 边缘部署 | ¥5,000-8,000 | Intel Core Ultra 7（宽温版） | 20-25 TOPS | 32GB | 1TB NVMe | 工业级无风扇AI迷你主机 |
个人开发者的最优选择（2026年）：
处理器：Intel Core Ultra 7 155H 或 AMD Ryzen 7 8845HS
NPU算力：16-22 TOPS
内存：32GB LPDDR5x
存储：1TB PCIe 4.0 NVMe
散热：双风扇或均热板方案
接口：2.5GbE × 2，USB 3.2 × 3，HDMI 2.1 × 1
价格区间：¥4,500-5,500
这个配置能流畅运行7B-8B模型，支持日常代码辅助、文档问答、轻度图像处理，同时保留足够余量给多任务操作。对于90%的个人开发者，这个配置足够用2-3年。
误区一：只看TOPS数字，不看实际推理速度
TOPS是理论峰值，实际推理速度受内存带宽、散热、软件优化影响。选型时要求厂商提供在具体模型上的实测推理速度（token/秒），而不是只看TOPS。
误区二：为了省钱选16GB内存
16GB能跑7B模型，但跑AI时系统基本干不了别的。32GB是2026年的合理起点。省下的几百块换来的是长期的使用受限，不值得。
误区三：忽略散热对持续性能的影响
AI推理是持续负载，散热不足会导致降频。选购时看“持续功耗”而非“峰值功耗”，两者差距大的机型慎选。
误区四：买不可升级内存的机型
LPDDR5x板载内存性能好，但不可升级。如果你未来可能需要更大内存（如升级到64GB跑更大模型），选择DDR5 SODIMM插槽的机型，方便后期升级。
误区五：忽视BIOS定制能力
如果你需要无人值守运行（断电自启、看门狗），标准BIOS可能不支持。选型时确认厂商是否支持BIOS定制，这在边缘部署场景中是刚需。
AI迷你主机的选购，本质上是“为你的使用场景匹配硬件”。
先想清楚你用它干什么：
偶尔体验AI → 入门配置即可，预算省下来
每天用AI辅助工作 → 中端配置是甜点，重点关注内存和散热
跑大模型或多任务并发 → 高端配置，NPU算力和内存带宽都要够
边缘部署、无人值守 → 工业级配置，BIOS定制能力是核心考量
然后把预算按优先级分配：
处理器和内存优先 → 存储够用就好 → 散热不能省 → 接口按需选择
最后，用实测数据验证：
要求厂商提供在你需要的模型上的实测推理速度，而不是只看参数表。参数是参考，实测才是真相。
选对一台AI迷你主机，它会在未来2-3年里成为你得力的工作伙伴。选错了，它就是个吃灰的小盒子。
