Какой компьютер нужен для нейросетей: ноутбук, видеокарта и локальный ИИ

Для работы с нейросетями через браузер - ChatGPT, Claude, GigaChat, DeepSeek - подойдёт любой ноутбук и даже телефон: все вычисления идут на чужих серверах, твоё устройство только показывает ответ. Отдельный мощный компьютер нужен ровно для одного сценария - запускать модели локально, у себя. И там решает не процессор, а видеопамять: минимум 24 ГБ на карте под серьёзную модель.

Дальше разберу оба случая по отдельности, потому что их всё время путают и в итоге либо переплачивают за железо, которое не пригодится, либо покупают слабую карту в надежде запустить то, что в неё физически не влезет.

Два разных вопроса: пользоваться или запускать

Прежде чем смотреть характеристики, честно ответь себе, что ты собираешься делать. От этого зависит всё, а разброс требований тут в сотни раз.

Первый сценарий - пользоваться готовыми нейросетями. Ты открываешь сайт или приложение, пишешь запрос, получаешь ответ. Модель крутится в дата-центре OpenAI, Anthropic или Сбера, твой компьютер к вычислениям не причастен.

Второй сценарий - запускать модель на своей машине. Файл с весами лежит у тебя на диске, и все расчёты идут на твоём железе, без интернета и без чужих серверов. Вот здесь и начинаются требования к видеокарте, о которых пишут в обзорах.

Что нужно для облачных нейросетей: почти ничего

Если ты в первом лагере, а это 95 процентов людей, специальный компьютер для работы с ИИ тебе не нужен. Хватит любого устройства, которое открывает современный браузер.

Ноутбук пятилетней давности, бюджетный планшет, телефон - всё это тянет ChatGPT, Claude, Gemini и российские GigaChat с YandexGPT одинаково, потому что не считает ничего само. Единственное, что реально важно, - нормальный интернет, потому что ответ приходит с сервера.

Зачем вообще запускать модель локально

Резонный вопрос: если облако удобнее и не требует железа, зачем вообще городить локальный запуск. Причины есть, и они не про понты.

Приватность - запрос не уходит наружу, обрабатывается на твоей машине. Критично, когда работаешь с чужими персональными данными, коммерческой тайной или медициной, где отправлять текст на чужой сервер просто нельзя. Деньги - после покупки железа ты не платишь за токены, а гоняешь модель сколько угодно, что имеет смысл при больших объёмах. И независимость - локальная модель работает без интернета и не отвалится, если сервис введёт лимиты или уйдёт из России.

Обратная сторона честная: домашняя модель слабее облачного флагмана и требует вложений в железо. Поэтому локальный запуск - это не «дешевле облака вообще», а осознанный размен под конкретную задачу.

Видеокарта и видеопамять: главный параметр

Здесь один параметр важнее всех остальных вместе взятых - объём видеопамяти (VRAM). Модель целиком должна поместиться в память видеокарты, иначе она либо не запустится, либо будет ползать по системной памяти со скоростью улитки. Не гигагерцы, не число ядер - именно гигабайты VRAM определяют, какого размера модель ты потянешь.

Спасает то, что модели сжимают - это называется квантование. Модель в полной точности требует огромной памяти, а в 4-битном кванте влезает в разы меньше почти без потери качества. Ходовой пример: модель на 27-30 миллиардов параметров в родной точности просит около 56 ГБ, а в рекомендованном 4-битном варианте - около 17 ГБ, что комфортно влезает в 24-гигабайтную карту.

Видеопамять	Что запустишь	Карты
8 ГБ	модели 7-8B в 4-бит, базовый уровень	RTX 3050/4060
12 ГБ	до 13-14B, комфортный вход	RTX 3060 12ГБ
16 ГБ	14B свободно, 30B впритык на низком кванте	RTX 4060 Ti 16ГБ
24 ГБ	30B в 4-бит с запасом под контекст	RTX 3090, RTX 4090
32 ГБ	30B точнее, задел на будущее	RTX 5090
48+ ГБ	модели класса 70B	пара карт или профи-железо

Рабочий минимум для серьёзной домашней модели - 24 ГБ. Именно поэтому в обзорах постоянно всплывает RTX 3090: это самая дешёвая 24-гигабайтная карта, на вторичке она заметно доступнее новых. RTX 4090 с теми же 24 ГБ ощутимо быстрее, а новая RTX 5090 везёт уже 32 ГБ и берёт модели покрупнее.

Ноутбук, ПК или Mac

Форм-фактор вторичен, важна память, но нюансы есть.

Стационарный ПК - лучший вариант по деньгам. Одна видеокарта с 24 ГБ, обычный процессор, 32 ГБ оперативной памяти, и ты собрал рабочую машину дешевле, чем аналогичный ноутбук. Апгрейд простой: поменял карту - получил больше.

Ноутбук для работы с ИИ имеет смысл, только если нужна мобильность, и тут смотри не на общую видеопамять рекламного «игрового» ноута, а на конкретный объём VRAM у дискретной карты. Игровые ноутбуки с RTX 4090 несут всего 16 ГБ видеопамяти против 24 ГБ у настольной версии с тем же названием - легко обжечься.

Mac на Apple Silicon - отдельная история из-за единой памяти. У чипов M4 и M5 память общая для процессора и графики, поэтому видеокарте доступен весь объём. Mac с 32 ГБ комфортно тянет 30B-модели, а Mac Studio с 64 ГБ и выше берёт модели класса 70B, что на одной домашней видеокарте недостижимо. Расплата - цена и скорость: считает Mac медленнее топовых Nvidia, зато большие модели влезают туда, куда обычная карта не пускает.

Что с оперативной памятью и процессором

Раз видеопамять решает всё, логичный вопрос - а остальное железо тогда какое. Ответ спокойный: обычное.

Оперативной памяти достаточно 32 ГБ. Она нужна, чтобы загрузить модель с диска и подать в видеокарту, а не для самих вычислений. Часть инструментов умеет выгружать хвост модели, который не влез в VRAM, в обычную память, но радоваться тут нечему: как только расчёт уходит из видеопамяти в системную, скорость падает в разы. Рассчитывай на то, что влезает в карту целиком.

Процессор вторичен - подойдёт любой современный, отдельно вкладываться в топовый Ryzen или Core i9 ради нейросетей смысла нет. А главное заблуждение звучит так: «скачаю огромную модель и запущу её с SSD». Не выйдет. Модели нужен быстрый случайный доступ к весам на каждом шаге, а SSD для такого слишком медленный - модель будет думать над одним словом минутами. Веса должны лежать в памяти, а не на диске.

Нужен ли тебе вообще отдельный компьютер

Если коротко - большинству нет. Для работы через ChatGPT, Claude или GigaChat хватит того устройства, что уже есть, и тратиться на железо смысла ноль.

Отдельная машина под нейросети оправдана в трёх случаях: тебе принципиальна приватность и данные нельзя отдавать в облако; у тебя большие объёмы и токены в облаке выходят дороже железа; или ты разработчик и хочешь свой локальный стек без оглядки на лимиты. Тогда ориентир простой - карта на 24 ГБ VRAM или Mac с 32 ГБ единой памяти как точка входа, а дальше по бюджету.

С чего начать локальный запуск на уже имеющемся железе, я разбирал в статьях про бесплатную модель на своём компьютере и локальный ИИ для кода прямо в VS Code. Оба сценария заводятся за вечер, если карта подходит по памяти.