卖B70显卡，只是英特尔本地AIGC生意的开始 | 雷峰网

一张显卡，开始被越来越多创作者当成生产资料重新算账。

过去，要把AI视频真正搬到本地，首先卡在模型。效果更好的视频模型大多通过云端服务提供，能够下载到本地的开源模型，距离稳定生产往往还有一段距离。

但今年夏天发生了变化。在MiniMax开放新一代视频模型H3权重的同一天，英特尔宣布锐炫Pro B70完成H3的Day 0适配。这张几个月前才发布的32GB专业显卡，由此有了一个更加具体的本地视频生成负载。

当模型能下载，显卡也能跑，本地AI视频的创作和生成也迎来新的挑战。日前，英特尔联合MiniMax、数字折叠举办AIGC创作研讨会。现场的讨论并没有局限于显存和峰值算力，而是更关注一套贴近实际生产的本地算力：它究竟能完成多少工作、如何支持多人共享，以及新模型出来后能否及时跟进等。

英特尔想抓住的，正是这个变化。

多卡开工，本地AI有了「生产线」

AI视频工具正在变成创作者的常用助手。

Adobe针对384名美国视频内容创作者的调查显示，71%的受访者已经使用过AI视频生成或编辑工具，其中41%的使用者每周都会使用。

使用频率上升，也让云端模式原本不明显的成本被放大。

一条视频往往不是生成一次就结束。从角色和分镜确定，到反复抽卡、修改、转绘、超分，再到最终剪辑，“生成、修改、再生成”才是更接近真实生产的状态。当调用次数越来越多，按次付费和排队等待就不再只是体验问题，而开始关乎制作成本。

近期社交媒体流传的一组AI漫剧团队“7月账单”，把这笔账摆得更加直观：约28万元收入中，算力成本接近20万元，再扣除人工、版权、场地等成本后，最终所剩无几。

当AI进入高频生产，云端算力的高成本开始显现，本地部署也重新进入创作者的选择范围。

英特尔技术专家在现场谈到，本地AIGC的价值并不只在省下一笔云端算力费。未公开的素材和创意涉及数据隐私，专业创作者还需要训练自己的LoRA（低秩自适应，是一种AI微调技术）、搭建更复杂的定制工作流。此外，用户也希望在反复试错时能摆脱排队和调用次数的限制。

他同时强调，本地并不意味着彻底放弃云端，不同任务仍然可以在二者之间灵活切换。

而锐炫Pro B70承接的，就是这部分本地负载。根据英特尔披露的规格，这张卡提供32GB GDDR6显存、608GB/s显存带宽和367 TOPS峰值INT8算力。

不过，对于真正的视频生产来说，一张显卡的价值并不只取决于生成一条视频有多快，还取决于它在整个制作过程中有多少时间真正处于工作状态。

英特尔此次展示的本地AI流程从素材处理就已经开始。视频进入本地素材库后，可以先经过硬件解码、分段和采样，再交给多模态模型理解内容、生成标签并完成入库。

需要重新调用素材时，创作者可以直接用自然语言描述人物、物品或场景，从历史视频中检索对应画面。在现场演示中，一段旧素材就通过这种方式被重新找出，并加入新的故事线。

到了剪辑环节，锐炫Pro B70集成的双路硬件编解码单元继续承担视频解码、编码和导出。进入更吃算力的视频生成阶段，活动现场测试结果显示，在锐炫Pro B70上运行MiniMax H3优化工作流，生成一段720P、5秒视频约需9分钟。完成本地生成后，如果还想将720P视频提升至2K，可以继续使用同一张B70运行视频超分工作流，耗时约7分钟。

从素材整理、剪辑到生成、超分，一张卡能够覆盖的环节越多，被闲置的时间就越少，这也直接影响本地硬件投入能否被持续的内容生产摊薄。

而当制作从几条视频进入批量生产，采购逻辑又会发生一次变化。有限预算究竟应该集中在一张更快的卡上，还是拆成多张卡，同时处理更多任务？

英特尔给出的思路并不只是比较单卡速度，而是看整套算力最终能够完成多少工作。

在英特尔技术专家介绍的双B70视频智能体方案中，其中一张卡运行本地大模型，支撑智能体运行并提供多模态能力，另一张则专门承担AIGC生成，把前面的处理结果真正落地。

数字折叠展示的则是另一种思路。在视频生成这一道工序里，多张卡可以同时处理不同的生成任务，让原本依次完成的多个镜头并行开工。

而无论是让不同负载各司其职，还是让大量独立任务并行开工，可以看到的是，本地AI视频已经开始呈现出一条小型生产线的雏形。

开箱即用，难在显卡之外

生产线能不能搭起来，又是另一回事。

对熟悉硬件和AI工具的玩家来说，安装显卡驱动、配置模型环境、搭建ComfyUI工作流可能只是准备工作。对更多创作者而言，准备工作本身就是门槛。他们并不想先研究显卡怎么配置、模型需要哪些软件环境，再学会几十个节点的工作流，才能生成第一条视频。