8K ProRes 每小時動輒上 TB，本機 SSD 根本裝不下。本文從 Mac Studio M4 Max／M3 Ultra 的媒體引擎與統一記憶體配置講到 Thunderbolt 5 硬體 RAID 工作碟＋NAS 共享，含 RAID 取捨、重建風險與 100TB–1PB 容量規劃。
統一記憶體讓 Mac Studio 一台機就能本地跑 70B 甚至 120B 級量化模型，省電又安靜；FCP／DaVinci 的 on-device AI 也越來越好用。但訓練與大量 ComfyUI 出圖仍是 NVIDIA 較強。這篇用創作者視角講清楚 2026 怎麼選，附 MAQ 真實機型與價格。
100TB 到 1PB 的影音與 AI 資料該怎麼放？本文用三層式架構拆解：Thunderbolt 5 DAS 當高速工作碟、NAS 走 10/25GbE 做團隊共享與歸檔、離線異地存第三份備份，並比較 DAS／NAS／SAN、SSD／HDD 每 TB 成本與 RAID 重建風險，附 2026 真實行情與 MAQ 整合方案。
單卡 70B 跑得動，但多卡並聯、8 通道 ECC、128 條 PCIe 5.0 才是訓練與大模型的勝負手。一張表看懂 Ryzen 9、Threadripper（PRO）、EPYC 三大平台差在哪，以及為何多卡 LLM 要選 WRX90。
統一記憶體 vs VRAM、MLX vs CUDA、70B 量化能不能跑、prefill 為何慢、能耗噪音怎麼算——2026 最新型號與價格行情實測，一篇看懂 Mac Studio 與 NVIDIA RTX PRO 工作站跑本地 LLM 各自的甜蜜點，以及該配哪一台。
代理式 AI 不是要不要做，而是怎麼算回本。本文用 2026 真實雲端 API 計費與本地模型成本，給你一套四步驟 ROI 試算框架，並解釋為何 AI Agent 真正吃的是 CPU 核心數與記憶體，而非高階獨顯——一台 NT$34,000 起的代理 PC 為何常在數週到數月內回本。
微調跟推論的選機邏輯完全不同：訓練吃 ECC、吃系統記憶體、序列長度一拉長 VRAM 就爆。本文用 QLoRA 4-bit 各尺寸實測 VRAM（8B 約 14-16GB、70B 約 46-48GB），講清楚 QLoRA／標準 LoRA／全參數微調三檔需求差一個數量級，單卡能撐到哪、何時非上多卡不可，並對照 MAQ 四階機型幫你一次選對。
想跑全精度 70B（FP16≈140GB）或做張量並行訓練，單卡 96GB 不夠，必須多卡合計。本文從 WRX90 原生 4–7 卡並聯、PCIe 5.0 通道分配、每張 600W 的電源散熱，到張量並行 vs 管線並行的頻寬取捨，逐項拆給你看，對照 MAQ AMD-WRX90 方案。
雲端 LLM API 用量一上來，月帳單就像跳表計程車；地端自建則是一次性硬體加電費。我們用三年 TCO 實算告訴你損益平衡點落在哪、每日 token 量多少該地端化，並對照 MAQ 真實機型與 Alishan 知識主機。
雲端與地端怎麼算才划算、跑某個模型要買幾張卡、RAG 知識庫地端化怎麼選——MAQ 技術團隊把採購會遇到的難處與評比一次說清楚。完整選機邏輯見 AI 硬體選購指南 →
