| NVIDIA GPU | Tensor 核心 | CUDA 核心 | 電源 | 新台幣價格 |
| H200-NVL-141G | 528 | 16896 | 600W | 148萬 |
| RTX-PRO6000-96G | 752 | 24064 | 600W | 38萬 |
| RTX-5090-32G | 680 | 21760 | 600W | 11萬5千 |
| RTX-5080-16G | 336 | 10752 | 360W | 4萬9千 |
| RTX-5070TI-16G | 280 | 8960 | 300W | 3萬5千 |
| NVIDIA GPU | FP64 | FP32 | FP16 | 寬度 | 散熱 |
| H200-NVL-141G | 30.16 | 60.32 | 241.3 | 2 | 被動無風扇 |
| RTX-PRO6000-96G | 1.968 | 126 | 126 | 2 | 2 風扇 |
| RTX-5090-32G | 1.637 | 104.8 | 104.8 | 3 或 4 | 3 風扇 |
| RTX-5080-16G | 0.8793 | 56.28 | 56.28 | 3 | 3 風扇 |
| RTX-5070TI-16G | 0.6866 | 43.94 | 43.94 | 3 | 3 風扇 |
AI 運算主要會用到 Tensor 核心， Tensor 核心越多， AI 運算速度越快。
一般 AI 運算主要是用 FP16 半精度或是 BF16。
Tesla 系列顯示卡的優勢在於 FP64 雙精度浮點數，特別適用於天文物理模擬及有限元素法模擬。
由於 AI 訓練所需的記憶體越來越大，建議購買記憶體 32GB 以上的顯示卡為宜。
建議選擇優先順序：
1. 記憶體越大越好
2. Tensor 核心越多越好
3. 寬度越薄越好，佔用插槽數越少越好。
不常用於 AI 運算的 GPU 顯示卡沒有收錄到此常用比較表。
歡迎聯絡我們訂購，可配合學校報帳及公開招標。