AI（人工智能）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：深度学习训练需要大量的计算资源，特别是矩阵乘法和卷积运算，对显卡的性能要求较高。通常需要：
* 高端显卡（如NVIDIA Tesla V100、A100、GeForce RTX 3090等）
* 大内存（16GB或以上）
* 高带宽内存（HBM2或GDDR6）
2、深度学习推理：深度学习推理相对于训练来说，对显卡的要求较低，但仍然需要一定的计算资源。通常需要：
* 中端显卡（如NVIDIA GeForce GTX 1660 Ti、RTX 2070等）
* 4GB或以上的内存
3、计算机视觉：计算机视觉应用，如目标检测、图像分类等，通常需要：
* 中端显卡（如NVIDIA GeForce GTX 1660 Ti、RTX 2070等）
* 4GB或以上的内存
4、自然语言处理（NLP）：NLP应用，如语言模型、文本分类等，对显卡的要求相对较低，通常需要：
* 低端显卡（如NVIDIA GeForce GTX 1050 Ti等）
* 2GB或以上的内存
5、边缘AI：边缘AI应用，如智能摄像头、智能音箱等，通常需要：
* 低端显卡（如NVIDIA Jetson Nano、GeForce GTX 1050 Ti等）
* 2GB或以下的内存

总体来说，AI应用对显卡的要求取决于具体的应用场景和模型复杂度。一般来说，高端显卡可以提供更好的性能和更高的吞吐量，但也会增加成本和功耗。

以下是一些常见的显卡规格参数，可以作为参考：

* CUDA核心数：NVIDIA显卡的CUDA核心数越高，计算性能越强。
* 内存大小：内存大小影响显卡可以处理的模型大小和数据量。
* 内存带宽：内存带宽影响数据传输速度，对高性能计算应用尤为重要。
* 支持的计算框架：显卡是否支持TensorFlow、PyTorch等流行的深度学习框架。

一些流行的AI显卡包括：

* NVIDIA Tesla V100
* NVIDIA A100
* NVIDIA GeForce RTX 3090
* NVIDIA GeForce RTX 2080 Ti
* AMD Radeon Instinct MI8

注意，显卡的选择还需要考虑功耗、散热、接口等因素。