AI 对显卡的要求取决于具体的应用场景和 AI 模型。以下是一些常见 AI 应用对显卡的要求：

1、深度学习训练：
* 高性能显卡：NVIDIA Tesla V100、A100、A40、GeForce RTX 3090等
* 显存：16GB或以上
* 计算能力：10 TFLOPS（单精度）或以上
2、深度学习推理：
* 中端显卡：NVIDIA GeForce GTX 1660、RTX 2060等
* 显存：6GB或以上
* 计算能力：25 TFLOPS（单精度）
3、计算机视觉：
* 中端显卡：NVIDIA GeForce GTX 1660、RTX 2060等
* 显存：4GB或以上
* 计算能力：12 TFLOPS（单精度）
4、自然语言处理（NLP）：
* 低端显卡：NVIDIA GeForce GTX 1050、1050 Ti等
* 显存：2GB或以上
* 计算能力：0.51 TFLOPS（单精度）
5、边缘AI计算：
* 低端显卡：NVIDIA Jetson Nano、Jetson NX等
* 显存：2GB或以上
* 计算能力：0.10.5 TFLOPS（单精度）

需要注意的是，以上要求仅为参考，实际应用中显卡的需求可能会因具体场景和模型而异。同时，显卡的性能还受到其他因素的影响，如显存带宽、内存带宽、处理器性能等。

对于一些流行的AI框架，如TensorFlow、PyTorch等，它们通常支持多种显卡架构，包括NVIDIA的CUDA、AMD的ROCm等。在选择显卡时，需要考虑以下因素：

1、计算能力：显卡的计算能力直接影响AI模型的训练和推理速度。
2、显存大小：显存大小影响模型可以处理的批量大小和复杂性。
3、显存带宽：显存带宽影响数据传输速度，对模型性能有一定影响。
4、功耗：显卡的功耗对设备整体功耗和散热设计有影响。
5、兼容性：显卡需要与系统、框架和软件栈兼容。

如果你想了解特定AI应用对显卡的具体要求，可以参考相关的技术文档或论文。