首先，我们需要了解通用图形处理器和图形处理器服务器。

　　根据总线接口的类型，它可以分为虚拟链路接口、传统总线接口和传统PCI-e总线。

　　NVIDIA V100采用SXM2接口。DGX-2有SXM3接口。

　　英伟达的DGX超级计算机合作伙伴的英伟达接口服务器。DGX超级计算机不仅提供硬件，还提供相关的软件和服务。

　　目前，具有传统总线接口的GPU的主流是这几种产品，如V100、P40、P4、T4等。PCI-e接口。P4和T4相对较薄，仅占据一个插槽，通常用于推理。目前，也有成熟的推理和识别模型。

　　在高性能计算中，选择应该基于准确性。例如，一些高性能计算需要双倍精度。如果P40或P4不合适，只有V100或V100可以使用。同时，对视频存储容量也有要求，例如石油或石化勘探的计算应用对视频存储有更高的要求；总线标准也有一些要求，所以GPU模型的选择取决于业务需求。

　　在GPU服务器人工智能领域也有许多应用。在教学领域，对图形处理器虚拟化的要求相对较高。根据班级数量，教师可能需要将GPU服务器虚拟化到30个甚至60个虚拟GPU，因此批量训练需要更多的GPU，V100通常用于GPU训练。模型训练后，需要推理，所以P4或T4一般用于推理，V100也在少数情况下使用。

　　选择图形处理器型号时，请考虑使用哪个图形处理器服务器。此时，我们需要考虑以下情况:

　　在边缘服务器上，需要根据数量选择T4或P4等相应的服务器。同时，也应考虑服务器的使用场景，如火车站卡口、机场卡口或公安卡口。在中心产生影响时，可能需要V100服务器，以及吞吐量、使用场景、数量等。需要考虑。

　　有必要考虑用户和客户自身的信息技术操作和维护能力。对于英美烟草这样的大公司来说，他们自己的运营能力相对较强，此时将选择通用的PCI-e服务器。对于一些信息技术操作和维护能力较差的客户，他们更注重数字和数据标签。我们称这些人为数据科学家，选择GPU服务器的标准将会不同。需要考虑支持软件和服务的价值。

　　考虑整个GPU集群系统的成熟度和工程效率。例如，像DGX这样集成图形处理器的超级计算机有一个非常成熟的操作系统，它将Docker从底层驱动到其他固定和优化的部分，然后效率相对较高。