從云端到 PC、手機，2025 年擁抱 AI 已是大勢所趨。不僅從事 AI 相關行業的開發者和創業人群數量激增，普通消費者和自由職業者也能從 AI 應用中獲得實實在在的幫助和效率提升。

針對 AI 時代的需求，PC 廠商也順勢推出了更加便利、靈活的市場解決方案，比如咱們今天要聊的這臺惠普 Z2 Mini G1a 迷你 AI 工作站，它搭載了專為 AI 時代量身定制的超大杯 AMD 銳龍 AI Max 300 系列處理器，NPU 算力高達 50 TOPS。那么它的表現究竟如何，一起來看看吧。一、外觀設計惠普 Z2 Mini G1a 迷你 AI 工作站采用了小巧、簡約的機身設計，外觀符合工作站類型設備的氣質，但相比傳統工作站的外形，設計更顯時尚、潮流。不同于一般工作站四四方方的鐵盒子造型，惠普 Z2 Mini G1a 迷你 AI 工作站的外殼采用了拼接設計，2 個 U 型外殼包裹住上下左右，大弧度的倒角彎折讓機身看起來非常圓潤。做工細致，品質感滿滿。惠普 Z2 Mini G1a 迷你 AI 工作站提供了橫向和豎向兩種擺放方式，顯得更加靈活。在默認的橫向擺放狀態下，機身左側提供了一個 10Gbps 速率的 USB3.2 Type-A 接口，一個 10Gbps 速率的 USB3.2 Type-C 接口以及 3.5mm 音頻接口。前面板采用大面積棱形格柵外開孔，內部則是一組亮面凹陷處理的棱形格柵，兩側遙相呼應在光線照射下很有質感，好似經過了金屬 CNC 切削一樣，最里面還有一層更小開孔的金屬格柵用于散熱。面板左側提供了帶有白色指示燈的電源按鍵，右側還有標志性的經典薯條標，整體元素搭配起來不僅不呆板，反而給人一種精致小巧的時尚感。通過側面可以看到，橫向放置和豎向放置下，對應的底面都有腳墊支撐，防滑又避免外殼與桌面刮蹭。尺寸方面，惠普 Z2 Mini G1a 迷你 AI 工作站的實測數據為 200*163*85mm，單機重量約 2543g，電源為內置設計。機身背部的上方也提供了棱形格柵設計，用于出風散熱。下方則是豐富的接口，從左到右依次是一個 2.5 千兆以太網口、一個電源接口、兩個 10G 速率的 USB-A 接口、兩個 USB-A 2.0 接口、一個防盜鎖孔、一個免工具側蓋下拉開孔、兩個 40G 速率高速雷電 4 的 USB Type-C 接口、一個快捷閂鎖、兩個 Mini DP2.1 UHBR10 接口、兩個 Flex IO 接口（帶擋板），用戶可以根據自身需求選配串口、額外 USB 接口或 2.5G 網口甚至 10G 萬兆網口，接口類型非常全，便于用戶進行外接拓展。配件方面，惠普 Z2 Mini G1a 迷你 AI 工作站提供了一根三角插頭電源線、一副有線鍵鼠套裝以及一根 Mini DP to DP 口轉接線。二、理論性能惠普 Z2 Mini G1a 迷你 AI 工作站的最大看點，自然是其搭載的 AMD“Strix Halo”系列旗艦芯片 —— 銳龍 AI Max+ PRO 395，它采用創新的 Zen 5 架構和領先的臺積電 4nm FinFET 工藝打造，擁有 16 顆超大核 32 線程設計，基礎頻率 3.0GHz，最高加速頻率 5.1GHz，配備 80MB 的（L2+L3）大緩存，默認 TDP 低至 55W，可配置熱設計功耗 45-120W，兼顧性能和能耗方面的需求，非常適合小體積的臺式工作站搭載，而且規格上已經是個人桌面級消費 PC 的最高級別。與此同時，這顆 CPU 也集成了 RDNA 3.5 架構的 Radeon 8060S iGPU，搭載 40 組計算單元和 2900MHz 頻率，理論性能接近 RTX 4070 移動端顯卡，依托 AMD 獨特的 UMA（統一內存架構）技術，可以從內存中最高調配 96GB 的專屬顯存和 16GB 共享顯存，打破顯存瓶頸，降低數據延遲，從而為大模型本地部署提供支持。它不僅能夠流暢運行 1080P 分辨率下的主流游戲，在專業創意設計領域，如 3D 建模、動畫制作、影視剪輯等方面，也能提供流暢出色的工作流效率表現。而 AI 方面，其搭載了 XDNA 2 架構的 AMD 銳龍 AI NPU，AI 算力高達 50 TOPS。除此之外，惠普 Z2 Mini G1a 迷你 AI 工作站還配備了 128GB 256bit 等效四通道 LPDDR5X，頻率高達 8000MT/s，配合處理器內置的 32MB Infinity Cache GPU 專屬高速緩存，可以在大型軟件和多任務處理場景中，擁有超快的數據傳輸速度，有效避免因內存容量和帶寬不足導致的程序卡頓和報錯問題。硬盤方面，出廠標配一根 2TB SSD，內置雙 M.2 插槽且支持容量定制服務，最高支持 8TB 容量的 RAID 陣列，能夠很好滿足數據存儲和容量擴展等需求。按照慣例，我們先通過烤機來看看惠普 Z2 Mini G1a 迷你 AI 工作站的功耗和散熱表現如何。經過 15 分鐘 AIDA64 的 FPU 單烤后：CPU 功耗保持在 119W；GPU 功耗保持在 119W；CPU 頻率為 3.4-3.6GHz；CPU 平均溫度為 97℃。顯然，在極限負載下惠普 Z2 Mini G1a 迷你 AI 工作站可以輕松跑滿銳龍 AI Max+ PRO 395 處理器的最大 120W 功耗，雖然受制于小機箱的散熱壓力，CPU 平均溫度達到了 97℃，但并沒有出現過熱降頻的情況。接下來就是理論跑分了，首先是 CineBench R23，銳龍 AI Max+ PRO 395 處理器獲得了單核 1948 分，多核 36729 分的成績。在 CineBench 2024 中，銳龍 AI Max+ PRO 395 處理器的單核成績為 110 分，多核成績為 1844 分。在 3D Mark CPU PROFILE 項目中，銳龍 AI Max+ PRO 395 處理器的單線程得分 1140 分，最大線程得分 9475 分。CPU 方面，在 3D Mark Time Spy 項目中，顯卡成績達到了 11348 分，這個成績已經超過了桌面端 RTX 4060 顯卡的水平。在 3D Mark Fire Strike Extreme 項目中，顯卡成績達到了 13891 分，相比桌面端 RTX 4060 顯卡同樣高出了幾百分。在 Port Royal 光追項目中，銳龍 AI Max+ PRO 395 處理器的綜合分為 5831 分，相比 RTX 4060 顯卡的 6136 多分略有差距。無論是 CPU 還是 GPU 的性能，銳龍 AI Max+ PRO 395 處理器都表現得足夠亮眼，足以媲美主流甜品游戲本和臺式 PC 了，但它卻被安排在了一臺體積只有 2.9L 左右的小機箱內，足以說明它擁有出色的能耗表現，而且對空間需求非常友好。針對惠普 Z2 Mini G1a 迷你 AI 工作站的內存和硬盤表現，我們也做了簡單測試。內存方面：讀取速度 119.43GB/s；寫入速度 212.55GB/s；拷貝速度 148.58GB/s；內存延遲 152.3ns。自帶內存在讀寫和拷貝速度上的表現無可挑剔，不過內存延遲上有些高。硬盤方面，具體型號為三星 MZVL81T0HELB - 00BH1，經過 CDM 的測試其順序讀取速度在 5000MB/s 左右，順序寫入速度在 3600MB/s 左右，屬于 PCIe4.0 硬盤里中規中矩的水平。三、生產力 + AI 性能前面我們說過，AMD 銳龍 AI Max+ PRO 395 處理器擁有媲美 RTX 4060 桌面端獨顯的圖形性能，那么在生產力上它的內置顯卡 Radeon 8060S 是否也能帶給我們驚喜呢？在 UL Procyon 的照片編輯基準測試中，AMD 銳龍 AI Max+ PRO 395 處理器取得了 8158 分的成績。而在 UL Procyon 視頻編輯基準測試中，AMD 銳龍 AI Max+ PRO 395 處理器綜合分數來到了 23057 分，非常強悍。在 3D 渲染專業工具 V-Ray Benchmark 6 基準測試中，AMD 銳龍 AI Max+ PRO 395 處理器的 CPU 項目分數為 39589 分。AI 方面，在 UL Procyon 的 AI 推理測試中，AMD Ryzen AI 項目上 AMD 銳龍 AI Max+ PRO 395 處理器的 NPU 性能分數為 1791 分。而在本地大語言模型推理基準測試中，四個項目的測試結果如圖所示：Phi-3.5-mini-instruct 項目 986 分；Mistral-7B 項目 880 分；Llama-3.1-8B 項目 794 分；Llama-2-13B 項目 971 分。四、AI 實測AMD 銳龍 AI Max+ PRO 395 處理器具備為大模型量身打造的超強算力，配合 128GB 的超大內存，能順利運行高端獨立顯卡都不能部署和運行的本地 AI 大模型（例如文生文的 70B，32B 大模型，文生圖的 flux 模型等），對 AI 辦公需求和小型企業用戶來說非常友好。接下來我們便通過一些常用的 AI 大模型，來考驗一下惠普 Z2 Mini G1a 迷你 AI 工作站的 AI 性能如何。1、主流大語言模型本地部署這部分我們使用 LM Studio 進行部署和加載模型，模型參數量逐步遞增，對 AI 性能的考驗難度也逐步增大。第一步我們嘗試一個參數量較小的 Qwen3 30B A3B 2507 模型，其模型包體大小達到了 17.28GB，加載該模型后讓其提供一份較為詳細的安徽（黃山?西遞宏村）+ 江西（婺源?景德鎮）的五日游攻略。最終模型回答的結果非常細致和周到，不僅給出了具體的行程規劃，美食推薦，景點信息和住宿建議，還從天氣、美食、出行指導和拍照打卡等各方面給出建議，實用性不錯。推理結果顯示，該回答一共輸出了 2616tokens，速度為 51.16token / s，首個 token 用時（即思考時間）僅需 4.94s。接著，我們切換到模型參數量更大的 DeepSeek R1 Distill Llama 70B 模型，并提問了一個經典數學問題「雞兔同籠」，并且故意在里面加入一個干擾條件，問大模型鴨子有多少只，看看它會不會被干擾。DeepSeek 70B 這樣的模型對于整個系統已經有一定壓力了，查看任務管理器，雖然模型推理階段的 CPU 占用僅為 3%-5%，但內存占用達到了 40%，約 13GB 大小。GPU 占用更是達到了 100%，其中專用 GPU 內存的 96GB 幾乎占用了一半，達到了 43.7GB，可見這個量級的大模型還是很吃 GPU 和顯存的。生成結果上，DeepSeek 經過了一些判斷后排除了鴨子數量相關的考量，沒有被問題中的干擾項誤判，成功算出正確回答。這次一共輸出了 813tokens，速度為 4.63tokens / s，首個 token 輸出用時僅為 1.16s。最后，我們直接挑戰 Qwen3-235B-A22B 這個超大參數模型，其模型包體容量達到了 72.17GB。這次我們問了大模型一個涉及材料學、結構學和精密電子設備制造等學科的實際應用問題：iPhone 手機的不銹鋼中框、鈦合金中框和鋁合金中框，哪種材質更耐摔。查看任務管理器，Qwen3-235B-A22B 模型相比 DeepSeek 70B 明顯更吃硬件資源，雖然模型推理階段的 CPU 占用依舊只有 3%-5%，但 CPU 頻率從 3.5GHz 漲到了 4GHz 左右，內存占用稍微下降到 32%，約 10GB 大小。GPU 占用在 97% 左右，其中專用 GPU 顯存占用達到了 77.5GB，可能再提問一些更加復雜的問題，Qwen3-235B-A22B 就能吃滿 96GB 的顯存了。推理結果上，大模型通過硬度、強度、密度、質量等物理特性以及工藝難度的解析，最終得出鈦合金 > 鋁合金 > 不銹鋼材質，這樣的結果是否符合大家的預期呢？本次回答最終一共輸出了 1373tokens，速度為 13.95tokens / s，首個 token 輸出僅用時 0.89s，首 Token 和整體速度都非常快。