用三块旧显卡搭建一台AI工作站，到底靠不靠谱？

作者 | 张建imest

来源 | 至顶AI实验室

这两周如果你也刷到了”RTX 3060 12GB全国复产“的消息，大概会冒出同一个念头：它便宜、显存不算小，还能一口气多买几张。那干脆拼三张3060，把显存堆到比3090还大，是不是反而更划算？凑巧的是，YouTube频道Digital Spaceport最近发布了一期评测，用大约1500美元搭建了一台本地AI“迷你怪兽”：2张RTX 3060 12GB加1张从家人旧电脑里淘汰下来的RTX 3060 Ti 8GB，三张卡显存合计32GB，拿它和1张RTX 3090 24GB对比，测试对象是Qwen3.6 27B Dense、Gemma 4 26B A4B和开源Agent项目Hermes Agent。

看完完整测试数据后，这篇文章想把一个判断说清楚：多卡拼出来的32GB，确实不等于一张连续的32GB大显存卡——实测文本生成速度大约只有单张3090的一半；但这个差距，并不像很多"多卡=性能腰斩"的说法那样夸张，而是一笔需要按场景具体权衡的账。这个判断，对正在纠结本地AI机器怎么配的个人开发者、小团队技术负责人，以及准备评估本地化部署的企业IT决策者，应该都有参考价值。

本地AI的第一道门槛，是显存，不是算力很多人第一次搭本地AI机器，会先盯CPU、主板、电源，真正开始跑模型才发现，第一道门槛往往是显存：模型要先放得进去，才谈得上跑得快不快。

这一点在视频实测里看得很具体。Qwen团队于2026年4月发布的Qwen3.6-27B是一个稠密（dense）模型，全部27B参数逐token激活，开源协议为Apache 2.0，常见的Q4_K_M量化下理论需要约17GB显存；视频里用Unsloth的UD-Q4_K_XL动态量化版本实测，跑到约65K上下文时，实际显存占用大约23GB。Gemma 4 26B A4B则是Google的MoE（混合专家）模型，推理时只激活约4B参数，但全部26B参数都要先加载进显存才能维持路由速度，理论上Q4量化约需18GB、Q8约需28GB；视频里同样用Unsloth的UD-Q4_K_XL量化版本实测，跑到128K长上下文时，三张卡上的实际占用大约22GB。也就是说，"只激活4B参数"并不等于"只占4B显存"，长上下文还会继续往上加——这也是为什么作者特别提到，22GB左右的占用"刚好能完全塞进一张24GB的3090"，这正是他选择对比这两个模型的原因。

长上下文、工具调用、Agent常驻、多人同时用，都会继续吃显存和系统内存。这也是RTX 3090到现在还被本地AI玩家反复提起的原因：它不是新卡，也不省电，但24GB显存这道门槛，比单纯堆算力更实用。

问题是，3090的价格并不友好，于是用便宜的旧卡拼显存就显得诱人。真正的问题是：拼出来的显存，能不能跟一张大显存卡划等号？

32GB还是36GB？先弄清楚这台机器到底用了哪几张卡视频简介把这台机器称为"32GB VRAM rig"。这台机器装的并不是三张RTX 3060 12GB，而是2张RTX 3060 12GB，加1张从家人淘汰下来的RTX 3060 Ti 8GB——三张卡显存合计正好是32GB（12+12+8）。作者在视频里特意把它们区分开来：跑测试用的是两张12GB的3060，加一张8GB的3060 Ti，不是三张规格统一的卡。

这个区分很关键，因为它说明"凑显存"在实际操作中往往比想象中更碎片化：手头有什么闲置卡，就先用什么闲置卡，未必是专门去买三张完全一样的卡。作者也提到，如果想复刻这套方案、手头没有闲置的3060 Ti，更推荐统一买三张12GB的3060，这样能拿到完整的36GB显存；他自己这次是正好有一张闲置的3060 Ti，才凑出了32GB这个版本。

多卡显存池，实测差距比想象中小——但确实存在这是这次评测最有价值的部分：作者把这套32GB的三卡机器，和换上去的1张RTX 3090，跑了同样的Gemma 4 26B A4B和Qwen3.6 27B Dense，记录了从1K到128K不同上下文长度下的提示词处理（prompt processing）和文本生成（text generation）速度，全程没有做任何batch调优，就是为了让结果可复现。

文本生成（模型真正"吐字"的速度）上，差距是实打实的：跑Gemma 4 26B A4B，三卡机器在512到8K上下文区间大致是64-68 tokens/s，单张3090稳定在130-133 tokens/s，三卡机器大约是3090的一半；跑Qwen3.6 27B Dense（稠密模型，本来就比MoE慢），三卡机器是17.2-17.8 tokens/s，3090是38-40 tokens/s，差距同样接近一半。作者原本预期会差到25%左右，结果"打平"在50%，他自己也说这是意外的好消息。

但提示词处理速度（决定一次对话或一次工具调用"读完上下文需要多久"）上，差距比想象中小得多，长上下文下尤其明显：跑Gemma 4 26B A4B到128K上下文时，三卡机器约2026 tokens/s，3090约2109 tokens/s，差距不到5%；跑Qwen3.6 27B Dense到128K时，三卡机器731 tokens/s，3090是754 tokens/s，差距也很小。换句话说，"读得快不快"这件事，多卡分摊带来的损耗远没有"吐字快不快"那么明显。

这组数据和泛泛的"多卡=性能严重打折"的说法有出入——至少在这次测试里，2张3060+1张3060 Ti这套32GB方案的表现，比作者自己预期的好不少。但这不代表"多卡显存池≠大显存卡"这个判断不成立：50%的生成速度损失依然是实打实的代价，而且这只是没做任何调优的baseline结果——作者明确说，如果花时间调batch size，这个数字还能往上提，这恰恰说明多卡方案的真实表现从来不是"显存加起来就行"的简单算术题，而是取决于你愿不愿意、有没有时间精力把这套系统调好。

省下的显卡钱，从功耗、机箱和驱动里重新冒出来先看实测功耗：这套三卡机器把单卡功耗墙设到了大约85%（也就是没有让3060/3060 Ti跑满载），处理高峰时系统整机功耗大致在390-526瓦之间，作者记录到的峰值是580瓦——这是在5950X单线程占用、并没有跑满CPU的情况下测得的，1000W电源完全够用，远没有逼近上限。换上3090之后，视频里没有给出对应的整机功耗实测，但RTX 3090官方TDP是350瓦，单卡功耗比三张降了功耗墙的卡加起来还是低一些，只是差距没有用理论TDP直接相加算出来的那么夸张。

再看成本：作者给出的实际清单是，5950X（自己原有的二手件）282美元，技嘉B550 Eagle Wi-Fi6主板110美元，Corsair H170i水冷100-150美元，512GB NVMe约30美元，1000W电源约100-110美元，开放式GPU机架约65美元，这些"基础件"加起来接近800美元；显卡部分，12GB的3060约250美元一张，8GB的3060 Ti约200美元，三张卡合计约700美元——整机正好落在1500美元左右。如果想复刻这套方案、又没有闲置的3060 Ti，统一换成三张全新12GB的3060，按这份清单算总价也差不太多。

软件和维护这一层，视频里也留下了不少线索：B550这块主板标称5条PCIe x16物理插槽，但电气层面只有1条是真正的x16，剩下4条都只是x1带宽——这正是为什么这套方案离不开PCIe riser转接线。Proxmox虚拟化、LXC容器、llama.cpp/llama-server、Unsloth的GGUF动态量化版本，每一层都是可能出问题、需要人盯着维护的环节，不是"装上就能用"的傻瓜方案。

国内现在买，新3060未必比二手3090便宜视频里的对比基于美元报价，国内读者需要重新算一遍账，而2026年6月恰好出现了一个新变量：RTX 3060 12GB正在以全新形态重新铺货，而不只是二手市场里的旧卡。

由于GDDR7显存持续紧缺、挤占了RTX 5060系列的产能，英伟达在今年6月恢复了RTX 3060 12GB芯片的生产，七彩虹战斧系列已率先全国到货，批量批发价2199元，零售价2349元，华硕、微星、影驰等品牌也将陆续跟进——不过首批区域到货量有限（单地仅几十片），货源仍偏紧，品牌方计划每周常态化补货。这意味着，国内读者如果想用三张匹配的12GB新卡复刻"36GB版"方案，不一定要冒矿卡风险去淘二手，但短期内也未必能轻松凑齐三张。

三张全新RTX 3060 12GB，按零售价粗算大约7000元左右；而二手RTX 3090 24GB目前国内成交价大致在4500元到7000元区间（具体成交价随成色、地区和短期行情波动）。也就是说，凑足36GB"显存账面"的三张新卡，价格未必比一张24GB的二手3090更便宜，还没算上三张卡更高的功耗、更复杂的走线，以及多卡切分带来的性能损耗。

它适合实验，不适合把生产任务交给它多卡旧显卡方案可以关注，但不建议直接照抄。

值得一提的是，作者自己给这套机器的定位也很诚实：他本来就有一台更大的四卡3090服务器作为主力机，这套32GB的三卡机器，是专门留的"备用机"——主力机器离线维护、折腾新东西的时候，用它顶一阵子，"having a small machine that's always on is substantially less disruptive"。也就是说，即便是亲手测试、对它评价相当正面的作者本人，也没有打算把核心任务长期交给这套多卡方案，而是把它当成一个补位角色。这其实是对"适合实验，不适合托付"这句话最直接的佐证。

对个人玩家，它很适合：愿意折腾Linux、驱动、容器、模型切分和PCIe带宽，接受baseline没调好、还得自己花时间优化，那几张卡就是理解本地AI基础设施的入门课。对小团队，它可以做原型验证——先试试本地Agent有没有价值、内部文档能不能被有效检索，这个阶段，多卡方案可能比一步到位买昂贵工作站更灵活。

但如果要长期跑，尤其是企业生产环境，就要谨慎。企业要的是稳定、可维护、可审计、权限可控、故障有人负责，开放式机架加几张消费级旧卡（甚至是从家人电脑里拆下来的闲置卡），更像实验室方案，不像成熟基础设施。它能回答"本地AI对我们有没有用"，但很难直接回答"公司能不能把关键任务交给它"。

同样预算下，选择也不止这一条：如果想少折腾，一张二手RTX 3090或预算允许上RTX 4090，文本生成速度能稳定多一倍，故障点也更少；如果只是偶尔跑模型，云GPU按量付费也是一笔能算清楚的账。

至顶AI实验室洞见多张消费卡拼出来的本地AI服务器，既不是骗局，也不是无脑省钱方案。实测显示，这类方案的文本生成速度大致是单张大显存卡的一半，但提示词处理速度的差距其实很小，整体表现比很多人预期的要好——这本身就值得纠正一些过于悲观的"多卡必崩"说法。它适合愿意折腾、能接受baseline性能、愿意花时间调优的个人玩家和小团队，用来验证本地Agent和私有推理是否有价值。

但如果要长期稳定使用，尤其是企业场景，一张更省心的大显存卡、成熟工作站，甚至云GPU，可能反而更划算——国内RTX 3060复产后的真实价格也说明，"凑显存"和"省钱"未必是同一件事。就连这套方案的测试者自己，都只把它当成主力机之外的备用机。

本地AI机器真正要算的，不是显卡买得有多便宜，而是模型跑起来之后，谁来保证它一直稳定地跑下去。

常见问题

Q：多张消费卡拼出来的"显存池"，实际跑起来速度损失有多大？

A：以视频实测的2张RTX 3060 12GB+1张RTX 3060 Ti 8GB（合计32GB）为例，对比单张RTX 3090 24GB：文本生成速度上，无论是Gemma4 26B A4B还是Qwen3.6 27B Dense，多卡方案大致是单卡3090的50%左右；但提示词处理速度上，尤其是128K长上下文场景，差距反而很小（多在5%以内）。也就是说，"吐字"变慢更明显，"读上下文"基本不受影响，而且这还是没做任何batch调优的baseline结果。

Q：在本地跑Qwen3.6 27B Dense或Gemma4 26B A4B，至少需要多大显存？

A：理论上Q4量化下，Qwen3.6-27B（稠密模型）约需17GB，Gemma4 26B A4B（MoE模型）约需18GB，Q8则接近28GB。视频实测中，跑到长上下文（Qwen约65K、Gemma约128K）时，实际占用分别约23GB和22GB，这也是为什么22GB左右的占用被作者认为"刚好能塞进一张24GB的3090"。

Q：企业能不能直接照搬这种多卡方案做生产部署？

A：不建议。连视频里亲自测试、评价正面的作者本人，也只把这套机器当成主力四卡3090服务器之外的"备用机"，而不是生产主力。企业要的是稳定、可维护、可审计、故障有人兜底，这更接近实验室原型,而非成熟基础设施。