從Nvidia顯卡換到Intel Arc顯卡快六個月了，兩者比較之下，終究逃離不了Nvidia的魔掌，我還是需要CUDA！！！
咕咕嘎嘎咕咕嘎嘎咕咕嘎嘎咕咕嘎嘎咕咕嘎嘎咕咕嘎嘎咕咕嘎嘎
也許，去年9月花小錢從用了快十年的Nvidia GTX1050Ti切換到Intel Arc A380是不明智的，只是想給300W的老電腦換個新GPU。
相關文章：測試Intel Arc A380在Linux系統的表現
雖然我終於在Linux擺脫了Nvidia閉源驅動帶來的問題，從維護系統的角度，不用再處理Nvidia驅動套件的古怪問題，奇檬子好了些，可是生成式AI相關的新技術幾乎都不能跑，或者說無法開箱即用，得找CUDA替代方案…看得我心癢癢。
Nvidia GTX1050Ti屬於是有點尷尬的存在，VRAM雖小但還能跑很多小型AI專案，可是2025年Nvidia官方停止為其提供驅動更新了。
早知道相近的價錢，不要吃電超過75W的新卡，買RTX3050 low profile就好了嘛，有小小升級感又能繼續享用最新版Nvidia驅動支援，幹嘛為了嘗鮮買什麼Intel Arc A380。
多虧今年Google Gemini寬宏大量，開放超高免費額度給三級貧戶免費蹭線上AI資源，我才不再那麼執著於本地生成式AI。
可是，真的又遇到serious production envrionment的時候，我需要CUDA了。
雖然換用Intel顯卡，用開源Mesa驅動，完全解決了過去Nvidia閉源驅動導致的Linux Wayland桌面破圖問題，可是我基本上放棄了跑本地AI的想法。我想說就順順用來看影片打遊戲就好了吧…但是都拿來玩柚子社的遊戲，GPU使用率都沒超過50%。這張Intel Arc A380也就AV1硬體編碼加速有優勢，問題是我又沒有常常剪影片！
最近我又開始想跑一些本地AI專案，雖然Intel盡量讓自家加速技術支援了很多著名開源專案，參見intel-extension-for-pytorch和ipex-llm，例如Stable Diffusion。可，一些未成氣候的小型專案，開發者在引用PyTorch的時候根本沒有考慮到Nvidia顯卡以外的選項，例如Ollama跑LLM，和一些小專案。一旦沒有CUDA加速，單純使用CPU計算，速度可以慢到5倍到10倍以上，根本無法接受。
Intel最近還放棄了開發Intel GPU專用的PyTorch，說要併入主線，然後就沒有進一步消息了，難道真的跟GPU部門被裁員有關！？
於是Intel Arc GPU加速的Ollama LLM就這樣（暫時）死掉了。參見The future of Intel® Extension for PyTorch 官方丟出了這個公告，然後呢…？雖然這是好事，可以減少PyTorch碎片化的問題，可是原本ipex-llm支援的那些項目跑哪去了？
雖然一些人說PyTorch從CUDA遷移到Intel加速很簡單，參考PyTorch官方文件，只要字串改成xpu和手動裝幾個套件就好了吧，我用的專案理論上都是開源的很好改。可是我沒這些能力，也沒時間，一一改寫我要使用的專案的Python原始碼。
使用Intel GPU的場合，顯示卡閒的發慌。看看nvtop的GPU使用率圖表，我不要Intel GPU都沒在做事。我要她…常常被塞滿！以前Nvidia GPU被我虐待到，是天天處在OOM的邊緣的耶！
再加上之前寄予厚望的ZLUDA（轉譯CUDA API，令其在非Nvidia GPU跑CUDA的技術）失敗。最近我到他們的Github看才發現，ZLUDA…你…你背叛我！原本開發的時候是打算支援Intel顯示卡的，結果Intel公司沒興趣投入資源，開發者居然就放棄了Intel支援，只專注在AMD上。
雖然Nvidia停止支援Nvidia GTX1050Ti了，但撐死還能用個一年吧。
於是我抽出了封存在抽屜裡面的Nvidia GTX1050Ti顯示卡，重新給電腦裝上。換Intel顯示卡進去地牢。
Nvidia驅動580版本對Linux Wayland桌面支援改善了很多。
啊，正直與善良都回來了。
