游戏与大模型能否兼得？Strix Halo 实战测试

最近拿到一台搭载 AMD Strix Halo 平台的工程机，心里一直嘀咕：官方宣传的“三芯合一”架构，真能扛得住一边跑 3A 大作、一边本地推理大模型这种“变态”场景吗？毕竟以前这么干，要么游戏卡成 PPT，要么 AI 回复慢得像在思考人生。今天咱们不聊参数云评测，直接上硬菜，模拟真实的高负载环境，看看这台机器到底是不是全能选手。

测试环境与“魔鬼”场景设定

为了还原最真实的压力测试，我特意构建了一个典型的极客工作流：前台全开画质运行对 CPU 和 GPU 要求极高的 3A 射击游戏，后台则挂起一个本地大模型服务，随时准备处理复杂的代码生成或文档总结任务。

硬件核心是 Strix Halo 平台，这颗 U 的亮点在于集成了高性能 CPU、Radeon 8060S 级别的强力核显，以及算力高达 50 TOPS 的 Ryzen AI NPU。软件方面，为了兼顾易用性和性能监控，我选择了 Ollama 作为后端推理引擎，搭配 LM Studio 进行可视化交互。模型选用的是量化后的 Llama-3-8B-Instruct-Q4_K_M，这个尺寸在端侧设备上平衡了智商与速度，是本地部署的热门选择。

测试逻辑很简单：在游戏进入激烈交火、帧数波动敏感的环节，通过 LM Studio 向后台模型发送一条长指令（例如：“解释这段 Python 异步代码的逻辑并优化”），观察两个维度的表现：

1. 游戏侧：平均帧率（FPS）是否出现断崖式下跌？最低帧（1% Low FPS）是否稳定？
2. AI 侧：首字延迟（Time to First Token）是多少？生成速度（Tokens/s）是否维持在可对话的水平？

资源调度：三芯如何“分赃”？

按下启动键，游戏加载完毕，后台 Ollama 服务也已就绪。打开任务管理器和 AMD 自带的性能监控面板，有趣的资源分配现象出现了。

当游戏独自运行时，Radeon 核显的占用率几乎飙升至 95% 以上，CPU 的多核性能也被充分调用以处理物理运算和 AI 逻辑（游戏内的 NPC 行为等）。此时，NPU 处于低功耗待机状态。

一旦我在 LM Studio 中点击"Generate"，系统调度机制瞬间介入。并没有出现我预想中“显卡被抢走导致游戏画面撕裂”的情况。监控数据显示，Radeon 核显依然牢牢占据着图形渲染的主导权，游戏帧数仅在瞬间有不到 3 帧的微小波动，随即恢复稳定。

那么，大模型的算力从哪来？答案正是那颗 50 TOPS 的 Ryzen AI NPU。在 Ollama 的配置中，通过指定 num_gpu 参数或利用后端自动调度，推理任务被精准地导向了 NPU 和部分闲置的 GPU 计算单元。在监控图中可以清晰看到，NPU 的利用率瞬间拉满至 80%-90%，而 CPU 的大核占用率几乎没有明显变化。这种“专芯专用”的异构计算架构，完美避开了游戏与 AI 争夺同一块显卡资源的尴尬。

实测数据：丝滑还是卡顿？

经过半小时的连续“双开”折磨，结果出乎意料地稳。

游戏表现：
在 1080P 高画质下，游戏的平均帧率稳定在 85 FPS 左右。开启后台大模型推理后，平均帧率微降至 82 FPS，跌幅不足 4%。更关键的是，在实际体感中，完全察觉不到任何卡顿或操作延迟。Strix Halo 强大的内存带宽（统一内存架构）在这里功不可没，它确保了游戏贴图和模型权重数据在高速通道中互不干扰。

AI 响应速度：
这才是重头戏。在后台高负载下，Llama-3-8B 的首字延迟约为 1.2 秒，生成速度稳定在 18-22 tokens/s。这是什么概念？相当于正常人语速的两倍多，阅读体验非常流畅，完全没有那种“挤牙膏”式的等待感。即便是在游戏爆炸特效满天飞、GPU 负载最高的时刻，AI 的输出也没有出现明显的停顿或降速。

# 简单的 Ollama 运行命令示例，实际测试中可配合环境变量优化
ollama run llama3:8b-instruct-q4_k_m
# 输出示例：
# > 解释这段代码...
# (等待 1.2s)
# 这段代码使用了 asyncio 库来实现并发... (流畅输出中)

为什么 Strix Halo 能做到？

这次测试之所以成功，核心在于 AMD 这套架构对算力边界的重新定义。传统的集成显卡方案，往往因为显存带宽不足或计算单元共享，导致“顾此失彼”。而 Strix Halo 通过以下两点实现了破局：

首先是物理隔离与动态协同。NPU 的存在不仅仅是为了凑 TOPS 数字，它实际上承担了大量持续的、中等负载的 AI 推理任务，把宝贵的 GPU 资源彻底解放出来留给游戏渲染。只有当模型过大或需要极高精度时，系统才会智能调动 GPU 辅助，这种动态调度由底层驱动自动完成，用户无感。

其次是统一内存架构（UMA）的红利。Strix Halo 支持高达 128GB 的 DDR5 内存，且 CPU、GPU、NPU 共享这片高速内存池。这意味着加载大模型权重时，不需要在显存和内存之间来回拷贝数据，极大地降低了延迟，也避免了因显存爆满而导致的游戏崩溃。

给玩家的实践建议

如果你也想复刻这种“游戏 +AI 助手”的双屏工作流，这里有几个实操小贴士：

• 模型选择要克制：虽然 Strix Halo 很强，但本地显存/内存总量是有限的。推荐运行 7B-14B 参数量化的模型（如 Q4 或 Q5 版本），既能保证智商在线，又能留出足够资源给游戏。
• 工具链配置：使用 Ollama 时，可以通过 OLLAMA_NUM_PARALLEL 限制并发请求，避免多个 AI 任务同时抢占资源。LM Studio 里记得关闭不必要的后台预加载功能。
• 散热是关键：双高负载必然带来高发热。建议将笔记本垫高或使用外置散热底座，保持进风口通畅，这样才能让 CPU 和 NPU 长时间维持高频运行而不降频。

折腾完这一圈，不得不感叹端侧 AI 时代的到来。以前我们总以为本地跑大模型是开发者的专利，或者必须牺牲游戏体验。但现在，像 Strix Halo 这样的平台证明，一台 PC 完全可以既是顶级的游戏机，又是私密的 AI 工作站。当你一边在战场上冲锋，一边让本地的 AI 助手帮你整理战术笔记时，那种“一切尽在掌握”的感觉，或许就是未来 PC 该有的样子。