离9月开学还有一周多。如果你是一名即将进入计算物理、计算材料或计算化学课题组的准新生——硕士、博士，或者提前进组的本科生——这几天多半在纠结一件事：科研用的电脑，到底该怎么买？
最怕的不是花钱，是花错钱。先看看别人踩过的坑：知乎上有人总结第一性原理计算工作站的装机翻车实录，配完8万的显卡跑VASP，发现根本不吃GPU；内存只插了4通道，同一个结构算一次比同行慢一倍。知乎
8万块的显卡坐冷板凳，内存配置让速度慢一半，这两个坑踩中的其实是同一个问题：没搞懂软件吃什么，就先决定了买什么。这篇文章把这件事一次说清楚。
物理计算软件的算力偏好天差地别，别先盯显卡
最普遍的误解是"做计算=买显卡"。大部分传统第一性原理程序原生不支持GPU加速，新人上来就冲RTX 4090/5090，踩坑成本极高。知乎
原因不复杂：第一性原理的计算流程高度依赖CPU双精度浮点算力，整体计算速度和CPU双精度性能呈强正相关，不存在"显卡替代CPU"的通用方案。知乎
换个角度说，预算该往哪投，取决于你跑什么：
计算类型 | 代表软件 | 算力偏好 | 预算优先级 |
|---|---|---|---|
第一性原理（DFT） | VASP、Gaussian、Wien2k | CPU双精度浮点+内存带宽 | CPU核数、内存插满通道 |
经典分子动力学 | LAMMPS、GROMACS、AMBER | GPU友好 | 显卡 |
机器学习势/深度学习 | DeePMD-kit、MACE、PyTorch | 强依赖GPU | 显卡+大内存 |
数据处理与写作 | Origin、MATLAB、LaTeX | 常规性能即可 | 轻薄本 |
需要说明的是，具体到软件和版本，情况会变：比如CP2K和较新版本的Quantum ESPRESSO对GPU的支持已经比较成熟，VASP也从6系版本开始提供GPU移植，但很多课题组的实际部署仍以CPU集群为主。买之前，请以你实际要用的版本文档为准——这也是全文最重要的一条原则：先定软件，再定硬件。
大多数人：一台轻薄本就够了
就在几天前，知乎上还有人问"物理系学生对电脑的要求高吗"，在读学长的回答很有代表性：物理专业对电脑性能的要求其实不算高，日常就是写实验报告用Origin、MATLAB做数据处理，高年级用LaTeX排版，计算物理课程的作业代码规模小、运行时间短，一台轻薄本完全够用。知乎
更扎心也更真实的一句是：对物理专业来说，用纸笔推演公式才是常态，用电脑的时候其实不多。知乎
所以入学这台笔记本，别为"我要做计算"去堆性能：优先长续航、轻重量、屏幕看着舒服，能稳定SSH远程连上课题组服务器就行。游戏本的性能大多用不上，2.5公斤的重量倒是天天背得见。系统方面，主力软件如果跑在Linux环境，Windows用WSL也能覆盖大部分需求；macOS多数场景没问题，但个别工具的部署方式不同，买之前问一句同组师兄师姐最稳妥。
真要配算力：先问人，再配机器，再看价格
如果你的方向确实要跑大规模计算，记住这个顺序。
先问导师和师兄师姐三个问题：组里主力用什么软件、常规算多大的体系、有没有现成的集群或云资源。很多课题组对新人的正确路径根本不是自己装机，而是申请学校超算中心或组里已有的服务器——先用现成的，缺了再补。
如果确实要装工作站或服务器，钱要花在DFT软件真正吃的地方：纯DFT能量、结构优化、能带计算，预算优先投CPU；只有频繁做大体系分子动力学、高精度杂化泛函计算，才轮到专业计算GPU。知乎内存也别只看容量：通道数插不满，带宽上不去，同样的计算就是比别人慢，把通道插满往往比升级CPU更划算。
另外，今年有一个值得关注的新选项：128GB统一内存的迷你工作站。"统一内存"就是CPU和GPU共享同一池内存，不用来回搬运数据。AMD和NVIDIA都已经给出方案，这类产品在京东已有十几款，价格从两万到三万七不等，算上国补，最便宜的128GB统一内存AI工作站两万出头。知乎
比如爱范儿体验过的NVIDIA DGX Spark，重量只有1.2公斤，128GB的GPU+CPU融合内存，GB10超算芯片的图形性能对标RTX 5070/5070Ti。36氪
这台机器在京东等渠道的售价约32000元。36氪它不适合当大规模第一性原理计算的主力，但恰好补上了一个新场景：把中等规模模型和推理任务放在本地跑。除了跑科研代码，这类机器的本地AI场景相当能跑——比如直接运行14B参数的文生视频模型，现场出视频样片。
AI正在改写物理计算的门槛与算力需求
为什么说"今年"值得关注？因为AI正在以看得见的速度改写物理计算的工作流，而且信号就集中在最近这一个月。
8月第一周，谷歌灵魂人物Jeff Dean宣布离职，带着其它几位高管出走成立DiscoveryLoop公司，致力于加速生命科学及其他行业的研究进程。36氪
紧接着，OpenAI宣布模型Astra推导出了10道人类长期悬而未决的数学难题，Anthropic未发布的科研版Claude把黎曼猜想的相关零点下界从41.6%推进到了67.2%。36氪
AI在物理圈的渗透方向也有规律可循：它不是在替代物理学家，而是在那些"物理问题已经被整理成可计算问题"的地方进步最快——量子多体计算、量子化学、振幅、格点模型、实验数据处理，都会被越来越深地改造。知乎
对新生更直接的影响是入门门槛在快速下降。以前计算物理课题组的环境配置指南里写着：新生进来后，光配环境就要折腾好几天，而且每个人踩的坑都差不多。知乎
今年，这份指南被重写成了共26章的在线教程，专门加入"Agent辅助研究"和"Vibe Coding"章节。作者说得直白：Agent不再是一个"你问我答"的工具，而是一个能直接与你的研究环境交互的助手——分析代码、调试编译错误、批量处理数据、画finite-size scaling的图，全程不用离开终端。知乎
评论区有学生调侃：现在，全让ai安装。知乎
这个趋势对买硬件的启示是：课题组对GPU和ML推理算力的需求大概率会越来越多。所以即便你现在主要跑传统DFT，装机时留好扩展位和电源余量是聪明的；但也别为三年后的需求提前买单——硬件会贬值，买在当下任务匹配的位置最值。趋势其实已经看得见：在128GB统一内存的个人超算上，20B级别的开源大模型可以本地跑起来，推理速度直接摆在眼前。
买前清单：三个问题、一个顺序、几个信号
最后把决策压成一张可以直接用的清单。
买前问三个问题（问导师、问师兄师姐）：
组里主力跑什么软件？——决定该把钱花在CPU还是GPU
常规算多大的体系？——决定内存容量和通道数
有没有现成的集群或云资源？——决定你到底要不要自己配机器
预算顺序（以第一性原理计算为主时）：CPU核数与双精度性能＞内存容量与插满通道＞高速SSD＞GPU（按需再加）。
持续观察的信号：主力软件的GPU支持还在按版本演进，VASP、Quantum ESPRESSO这类软件的新动向值得跟着官方文档看；显卡价格有波动，大额支出先蹲一蹲、比一比再下手；AI4S方向的新工具会直接影响课题组未来的算力结构，入学后多留意组里方向的变化。
物理计算的硬件从来不是军备竞赛，把钱花在和你跑的软件、算的规模相匹配的地方，省下的预算留给更值钱的东西。你在课题组装过什么机器、踩过什么坑？评论区聊聊，给后面的新生避避坑。
