者按：如今計算機系統承載的服務和算法邏輯日益復雜，理解、設計并改進計算機系統已成為核心挑戰。面對系統復雜度和規模的指數級增長，以及新的大模型驅動場景下的分布式系統形態的涌現，人們亟需創新方法與技術來應對。在計算機系統發展的新篇章里，現代系統應當是一個不斷自我進化的結果。機器學習和大模型的崛起使得現代計算機系統迎來了新的智能化機遇，即學習增強系統（learning-augmented systems）。微軟亞洲研究院創新地從兩個核心方向，來思考系統應如何不斷自我學習和自我進化：“模塊化”機器學習模型，與“系統化”大模型的推理思維。目標在于使得模型能夠對齊復雜多變的系統環境和需求，并且推理思維能夠對齊計算機系統時間和空間上的行為。相關論文 Autothrottle: A Practical Bi-Level Approach to Resource Management for SLO-Targeted Microservices 獲評 NSDI 2024 杰出論文獎。
隨著技術的不斷進步，計算機系統不僅承擔著人們生活中眾多服務的重任，還包含著許多復雜的算法邏輯。用戶需求的多樣化與場景的增加，也使得計算機系統的復雜性和規模持續增長。從搜索、購物、聊天到新聞推薦、串流媒體和人工智能服務，這些系統的復雜性不只是龐大的代碼量，更體現在背后成百上千工程師在設計、開發及維護上所付出的巨大工作量。與此同時，新類型的場景（比如大模型驅動?co-pilots?和?AI agents）也帶來了新興的分布式系統形態。如何理解、設計并作出改進成為了現代計算機系統的核心挑戰。然而，系統復雜度和規模的指數級增長，使得這些挑戰已經無法完全依賴人的直覺和經驗去解決。
幸運的是，計算機科學的技術更新迭代為計算機系統帶來了新的機遇。其中，學習增強系統（learning-augmented systems）正逐漸成為以智能化來重塑計算機系統的新趨勢。學習增強系統通常采用三種不同的實現路徑：一是通過機器學習技術來輔助增強現有計算機系統中啟發式算法和決策規則的性能；二是利用機器學習技術對啟發式算法和決策規則進行優化和重新設計；三是用機器學習模型取代原有的啟發式算法和決策規則，進而推動系統的全面智能化升級。
為此，微軟亞洲研究院的研究員們開展了一系列學習增強系統的工作。研究重點聚焦于兩個關鍵方面：第一，"模塊化"機器學習模型，與計算機系統行為進行對齊；第二，"系統化"大模型推理思維，賦予計算機系統自我進化的能力。
機器學習擅長于從數據中提取規律和模式，并利用這些規律進行建模和數值優化，以驅動預測和決策過程。現代計算機系統普遍具有完善的行為和性能監測機制，因此可以作為模型訓練的數據來源。在以往的研究中（Metis [1]和 AutoSys [2]），研究員們曾探討過如何利用機器學習技術優化計算機系統中的系統參數。但實際經驗證明，構建學習增強系統不單單是應用現有的機器學習算法，它還面臨著現代計算機系統與機器學習協同設計的關鍵研究挑戰。
具體而言，由于現代計算機系統具有高度的規模性（例如，有著上百個分布式微服務的集群）和動態性（例如，集群里的微服務可以被獨立開發、部署和擴容），在未來，利用強大的模型來學習整個系統是否還能成為一個可持續的方法？當系統部署與環境發生變化（例如，系統擴容導致集群規模改變），機器學習模型對于任務之前的一些假設可能不再成立。因此，如果不重新訓練模型，模型驅動決策的正確性就會受到影響。但現代計算機系統的高動態性和高復雜度，又會使得機器學習在持續學習復雜任務上仍面臨著昂貴的數據采集和資源開銷成本。
"模塊化"是將機器學習融入計算機系統基礎的一大關鍵。雖然現代計算機系統具有高度的規模性和復雜度，但它們實際上是由多個子組件或服務組合而成，其動態性也就有規律可循。以一個由多個微服務組成的云系統為例，如果更新了其中的一個微服務，那么可能會影響到整個系統的端到端性能。但是，從系統架構上來看，這種更新只是更改了某個獨立服務的編碼配置。同理，系統的擴容，即系統里的某個服務被獨立復制并部署了多份，也是如此。因此，如果機器學習模型也只需要相應地修改變化部分，那相比于持續訓練整個模型，就將大大地減少學習增強系統的維護成本。
研究員們提出的利用模塊化學習模擬端到端系統延遲的框架 Fluxion [3]，是在學習增強系統中應用模塊化學習（modularized learning）的第一步。在預測微服務系統延遲的任務上，隨著個別服務的持續擴容和部署，Fluxion 顯著減低了延遲預測模型的維護成本。通過引入新的學習抽象，Fluxion 允許對單個系統子組件進行獨立建模，并且通過操作可將多個子組件的模型組合成一個推理圖。推理圖的輸出即為系統的端到端延遲。此外，推理圖可以動態地被調整，進而與計算機系統的實際部署進行對齊。這一做法與直接對整個系統進行端到端延遲建模的方法有顯著區別。相關論文 On Modular Learning of Distributed Systems for Predicting End-to-End Latency 發表于?NSDI 2023。
圖1：Fluxion?引入了模塊化的學習抽象，允許對單個系統子組件進行獨立建模。這一做法與直接對整個系統進行端到端延遲建模的方法有顯著區別。
在 Fluxion?框架的基礎上，研究員們又提出了針對具有系統延遲目標的微服務的雙級資源管理框架 Autothrottle [4]，將“模塊化”的理念引入到系統資源管理中，特別是自動擴容這一重要任務。自動擴容旨在為每個微服務自動分配適當的資源，以滿足用戶設定的系統延遲目標（service-level objective）。簡單來說，當每秒的用戶需求增加時，系統資源也應該相應地自動增加來滿足延遲目標。反之，當每秒的用戶需求減少時，系統資源也應該相應地自動減少。這種自動擴容機制能夠平衡資源分配額度與系統性能。目前，業界常見的作法是使用啟發式算法，比如?Kubernetes?的?HPA?和?VPA，但這些算法需要運維人員手動設定閾值并持續調整。
基于這一痛點，機器學習可以作為驅動自動擴容的一個新方法。相關工作結合了深度學習模型（如卷積神經網絡和圖神經網絡）和方法（如強化學習），以對整個系統的全局資源與效能的關系進行建模。雖然復雜的模型能學習到系統全局的復雜關系，但訓練這些模型仍需昂貴的數據采集和資源開銷成本。
在模塊化的設計理念下，Autothrottle?將自動擴容分解為一系列簡單的子學習問題，類似于Fluxion，每個問題對應系統中的一個微服務。雖然每個微服務的資源分配都是獨立的，但 Autothrottle?的設計考慮到了微服務的局部延遲會共同影響系統的全局延遲。所以，當系統的全局延遲過高（或過低）時，Autothrottle?可以預測每個微服務需要同等增加（或降低）多少的局部延遲目標。基于這些目標，每個微服務再自主根據自己的當前負載，來預測所需的資源分配（如?CPU）。
研究員們發現，CPU throttle?指標（在特定時間段內，一個進程的?CPU?額度被用盡的次數）很適合作為局部延遲目標。所以，如果一個微服務的負載較重，應增加該微服務的 CPU 資源分配，以滿足指定的?CPU throttle?目標。反之，當負載較輕時，應減少 CPU 資源，來滿足指定的?CPU throttle?目標。
基于系統的全局延遲歷史，Autothrottle?的?Tower?組件使用?contextual bandit?算法來計算局部延遲目標，而?Autothrottle?的?Captain?組件則在每個微服務上使用反饋控制回路來快速調整?CPU?資源分配。這種模塊化的設計方法為系統資源管理提供了更加高效和精準的解決方案。相關論文 Autothrottle: A Practical Bi-Level Approach to Resource Management for SLO-Targeted Microservices 獲評 NSDI 2024 杰出論文獎。
圖2：Autothrottle?把模塊化學習應用在自動擴容的任務上。
大模型的崛起給學習增強系統帶來了新的智能化機遇。在學術界和工業界，眾多研究正利用大語言模型，來理解并分析計算機系統的長文檔、日志、代碼等。同時，許多研究也在致力于幫助工程師生成程序代碼和運維指令。這些研究共同展示了大模型在人類和計算機系統交互中的潛力。
微軟亞洲研究院的研究員們認為，大模型的更大價值在于賦予現代計算機系統自我進化的能力。如同傳統機器學習的數值優化能力，大模型的推理思維能力也令人著迷。如果計算機系統能夠思考自己（時間和空間上）的行為是否合理，并用思維鏈來推理自己的行為應該如何變化，那么計算機系統則能自我進化。研究員們相信，自我進化會是計算機系統發展的一個重大范式轉變。
回顧計算機的發展歷程，從計算工具如算盤和數據表，到現代計算機系統如大數據和云計算，再到新興的分布式系統如 AI agents 和具身機器人等，系統迭代的瓶頸主要在于人類的腦力和生產力。而大模型的推理思維有望突破這一瓶頸，加速計算機系統的迭代。
那么，如何才能系統化大模型的推理思維，進而對計算機系統的行為進行思考？微軟亞洲研究院的研究員們正積極地從三個方向展開：
(1)?大模型本身對于計算機系統的基礎知識儲備
(2)?大模型的思維鏈如何與計算機系統（時間和空間上）的行為對齊
(3)?大模型驅動的學習增強系統的實際應用
未來，微軟亞洲研究院將持續致力于學習增強系統的研究與應用，并期待與志同道合的研究者共同解決這些挑戰。
相關論文鏈接：
[1] Metis: Robustly Optimizing Tail Latencies of Cloud Systems. Zhao Lucis Li, Chieh-Jan Mike Liang, Wenjia He, Lianjie Zhu, Wenjun Dai, Jin Jiang, Guangzhong Sun. USENIX ATC '18.
鏈接：https://www.microsoft.com/en-us/research/publication/metis-robustly-tuning-tail-latencies-cloud-systems/
[2] AutoSys: The Design and Operation of Learning-Augmented Systems. Chieh-Jan Mike Liang, Hui Xue, Mao Yang, Lidong Zhou, Lifei Zhu, Zhao Lucis Li, Zibo Wang, Qi Chen, Quanlu Zhang, Chuanjie Liu, Wenjun Dai. USENIX ATC '20.
鏈接：https://www.microsoft.com/en-us/research/publication/autosys-the-design-and-operation-of-learning-augmented-systems/
[3] On Modular Learning of Distributed Systems for Predicting End-to-End Latency. Chieh-Jan Mike Liang, Zilin Fang, Yuqing Xie, Fan Yang, Zhao Lucis Li, Li Lyna Zhang, Mao Yang, and Lidong Zhou. USENIX NSDI '23.
鏈接：https://www.microsoft.com/en-us/research/publication/on-modular-learning-of-distributed-systems-for-predicting-end-to-end-latency/
[4] Autothrottle: A Practical Bi-Level Approach to Resource Management for SLO-Targeted Microservices. Zibo Wang, Pinghe Li, Chieh-Jan Mike Liang, Feng Wu, Francis Y. Yan. Outstanding Paper Award of USENIX NSDI '24.
鏈接：https://www.microsoft.com/en-us/research/publication/autothrottle/
自英國的 Ink 工作室和攝影師 Docubyte 完成了下面這組名為“Guide to Computing”（計算機之旅）的作品。他們利用數位記錄的方式精心將 10 臺頗具歷史意義的計算機記錄其中，像 IBM1401 還有艾倫·圖靈的 Pilot ACE 這些經典計算機都包括在內。
該組作品源于對計算機美學的熱愛，就像在蘋果電腦出現之前的人們普遍都對計算機外觀設計并不重視一樣。你會看到五顏六色的背景上那些過去計算機的復雜物理特質和獨一無二的機械構造被展現的淋漓盡致。現在的人們拿著可隨身攜帶的筆記本電腦，那些過去大到可以在上面走動的巨型計算機時代也已經一去不復返了。
IBM 726：50年代末誕生，主要用于數據的大規模存儲，而負責存儲這些數據的是巨大的磁帶據稱展開后全長可達 2400 英尺，寬度則為 10.5 英寸。
ICL 2：70 年代后期，ICL 公司發布了該系列計算機，成為了當時商用機的典范。該計算機可選擇金屬或木質框架，搭載8英寸軟盤機。為了減小該機散熱時的噪音和振動，設計師還專門打造了一個支撐電腦的消音支架（加了泡沫）。經過多年的發展，該款計算機甚至可以運行吃豆人、小蜜蜂等游戲了。
Pilot ACE 1：Pilot ACE 是最早期的通用電子計算機之一，1950 年 5 月運行了第一個程序。圖靈參與了該計算機的設計，不過該機未完成他就離開了英國國家物理研究所。（該計算機現存于倫敦科學博物館。）
HDR 75：這款計算機來自當時處于社會主義陣營的東德，是一臺體型小巧的模擬計算機，由德累斯頓工業大學的研究人員們打造。
EAI Pace：最早的臺式電腦之一，相比較前幾代產品，其體積已有大幅縮小，它只有 2 英尺高。NASA 曾利用它模擬了阿波羅登月計劃。
ControlData 6600：Control Data 6600 可以算得上是世界上第一臺真正意義的超級電腦。它在 1964-1969 年間一直霸占著世界最快計算機的頭銜。
Endim 1：Endim 2000 也出自東德研究人員之手，不過該計算機相當短命，據傳僅僅只生產了 20 臺。
IBM 1401：誕生于 1959 年上市后銷量異常火爆，使得 IBM 完全亂了陣腳，因為 5 周時間內就收到了 5200 個訂單，大大超過該公司的預期。在其 12 年的使用生命周期中，共賣出超過 12000 臺，而其當時售價高達 2500 美元。
Meda：Meda 可以算是模擬計算機的絕唱，于70年代誕生于捷克斯洛伐克，曾是東歐蘇維埃陣營國家的主力計算設備。
Dekatron 1：這臺電腦是世界上最古老的數字計算機（后更名為 Witch），它于 1951 年正式服役。全重高達 2.5 噸，擁有 828 個十進計數管，480 個繼電器，和一堆紙帶閱讀機，可以存儲數據并執行一些基本的運算。
023年，宏碁的高端品牌掠奪者（Predator）推出了主流價位機型——掠奪者·擎Neo，以新設計的“重裝機身”、高負載下超涼爽的C面和不錯的性能釋放為主要賣點吸引了不少用戶關注。而今，搭載英特爾第14代酷睿HX處理器的2024新款掠奪者·擎Neo 16也上市了。該機有不少大的升級點，比如高配款搭載了頂規的i9-14900HX處理器，屏幕升級到了超高刷新率的2.5K 240Hz。那么，在萬元內，i9 HX+RTX 4060款掠奪者·擎Neo 16有哪些競爭優勢？又是否存在不足呢？
■屏幕：16英寸2560×1600分辨率高色域240Hz刷新率G-SYNC
■處理器：i9-14900HX(8P+16E/24核32線程，最高睿頻5.8GHz)
■顯卡：RTX 4060 8GB獨顯+UHD Graphics集顯
■內存：2×16GB DDR5（市售版本為16GB）
■硬盤：1TB PCIe SSD(有第二根M.2插槽可擴容）
■網絡：Killer E3100G 2.5G有線網卡+Killer AX1675i WiFi6E無線網卡+藍牙
■左側接口：RJ45網口、5Gbps USB大口、TF讀卡器、3.5mm復合音頻口
■右側接口：2×10Gbps USB大口
■背部接口：電源口、HDMI2.1口、2×Thunderbolt4口（雷電4口）
■重量：2.626kg（含90Wh電池）+1.226kg（330W適配器）
京東價：9499元（16GB內存）
重裝機身陽剛向，硬件頂規，接口豐富
2024款的掠奪者·擎Neo依然延續上了上一代的“重裝思路”，重量實測2.626kg，330W的電源適配器重量也達到了1.226kg，整機攜帶重量近4kg。但這種“重裝設計”也不是沒有好處，比如，大家立刻會想到“這或許是款高端機器！”而實際也正是如此：
該機的外形設計延續上一代的總體思路，金屬氣息濃烈。不過A面有可發光Logo，且加入了更多“剛硬氣質”：機身尾部兩側不再采用曲線，而是采用了剛硬的直線斜切，且左右兩側出風口采用了與機身不同的銀色涂裝，金屬感強烈，盡顯陽剛。機身尾部上還有點、線構成的Seek out ID密碼修飾和擎Neo專屬圖騰。就這造型和設計，一眼就知道是高端貨。
▲C面鍵盤支持RGB燈效，帶有數字小鍵盤，光標按鍵為全尺寸，操控無短板。電源鍵雖不在獨立位置，但放置于鍵盤區右上角，且與Del按鍵隔了很長距離，不會有誤按風險。此外，該機設置了獨立的性能模式切換按鍵，比組合按鍵切換更方便。
該機的接口規格也是典型的高端機配置：尾部兩個Thunderbolt4接口，一個HDMI2.1口，無論是設備擴展、功能擴展還是視頻擴展都游刃有余。機身兩側3個USB大口中，右側兩個甚至是10Gbps的，相當豪華。值得挑剔的是TF（Micro SD）讀卡器在國內市場真沒啥用，實用價值不及標準的SD讀卡器。另外，要是有個Thunderbolt4口在機身側面，會大幅度提升日常接駁高速SSD移動硬盤的便利性。
而相比2023款，2024款掠奪者·擎Neo的屏幕規格也升級了，達到了2.5K 240Hz超高刷新率。
▲實測這塊屏幕亮度高達536尼特，日常使用建議最多開到70%左右。
▲色域實測：100%sRGB、100%P3、91%AdobeRGB。色準表現也很好：平均值0.77，最大值1.31，專業的視頻剪輯、圖像編輯沒問題。就接口和屏幕來說，掠奪者·擎Neo 16是妥妥的第一梯隊水準。
頂級處理器，功率釋放也猛！
高配款的掠奪者·擎Neo 16搭載了頂規的i9-14900HX處理器，24核32線程，而與之配合的是330W大電源，相信你會意識到：其功率表現“絕非泛泛之輩”。而實際也正是如此，且該機還秉承了老款的涼爽。與此同時，這次噪聲也不再起飛！來看看具體情況：
●處理器爆發功率157W+，穩定輸出115W
提示：除特別標注外，絕大部分功率和性能測試都是在“極速”模式和“自動風扇轉速”下進行的。
▲掠奪者·擎Neo 16搭載的是i9-14900HX處理器，爆發功率157W左右，然后降到115W附近保持穩定，P核約3.5GHz，E核約3GHz，任務管理器顯示頻率3.3GHz。
當前市面上，功率釋放最猛的i9- 14900HX機型，處理器的單考穩定功耗在130W左右，而157W/115W的擎Neo 16算是第一梯隊但并非No.1，而這也帶來了兩個好處：其一是處理器內部溫度不高！單考（室溫18℃左右）處理器30分鐘，處理器封裝溫度僅86℃（注意：我并沒有開啟最大風扇轉速），算是高功率酷睿HX機型中很低的考機溫度；其二是風扇噪聲不大，單考處理器用戶位也就50dBA左右，和一些酷睿H處理器機型相差無幾——而坦率說，噪音的降低，會大幅提升用戶感受。
▲該機的內部工藝總體算是非常規整的，而散熱組件的規格也相當豪華。
●RTX 4060穩定140W，核心配置總體散熱功率175W，C面溫度低，風扇噪聲不高
掠奪者·擎Neo 16的RTX 4060獨顯功率是140W滿功耗版本，而在雙考的情況下，該機的核心硬件功耗分配是：
▲雙考機30分鐘，處理器穩定輸出45W，內部溫度僅74℃；RTX 4060獨顯則穩定在130W附近，考機30分鐘后內部溫度79.6℃，熱點溫度93℃。坦率說，無論是功率分配的合理性，還是溫度表現，都相當不錯！
▲即便雙考30分鐘，該機的C面依然前作一樣——涼爽到驚人！從熱成像圖中可以看到，該機在高負載下C面的最熱處也就40℃左右，手蓋上去僅有輕微熱感。左側的WASD操控按鍵區域附近最高也就35℃，至于腕托區域，更是不到30℃，涼爽！而這一C面溫度表現，依然是我們目測評測過的游戲本中最好的。
▲同時，在不開啟最高風扇轉速的情況下，該機的風扇噪聲也是值得稱道，實測雙考時用戶位噪聲僅為53.6dBA左右——去年我們說該系列風扇噪聲大，前提是開啟了“風扇全轉”，但如果你使用“極速模式”+“自動風扇”設置，那么它的風扇噪聲表現其實很不錯。不過有一點還是可以進一步優化：極速模式下，空載時也會維持較高的風扇轉速，而不是像功耗輸出更低一擋的性能模式，會根據實時負載動態調整。
157W/115W的i9-14900HX性能相對13900HX有一定提升
下面來到性能實測環節。相對于“老熟人RTX 4060顯卡”，14代酷睿i9-14900HX算是“生面孔”，大家還不太了解，所以我們就重點著墨它吧：
▲CPU-Z基準測試算是短時爆發性能，多線程得分13541；作為對比，110W的i9-13900HX跑分12767。同核心數量規格+相近功耗下，i9-14900HX性能領先幅度6%左右——在相同nm制程、類似的高功率前提下，這一提升算是比較顯著了。
▲Cinebench渲染基準，R20/R23的得分為11337/29634；作為對比，i9-13900HX的分數分別是11143和29033，在這兩項測試中，i9-14900HX也略微領先。
▲我們測試了Blender三維渲染，4.0版本，渲染兩個較復雜的項目Classroom和White Land，耗時分別是3分33秒和10分27秒；而2023款的擎Neo搭載的是16核24線程的i7-13700HX處理器，耗時分別是4分38秒和13分15秒，大幅落后于i9-14900HX——更多的核心數量的確會帶來更大的性能優勢，尤其是在渲染層面。
小結來看，雖然掠奪者·擎Neo 2024款搭載的14代酷睿i9-14900HX處理器并未輸出到最高功率（至少穩定值尚未達到最高狀態），但實際性能表現的確兇猛。說直白點：玩游戲對它而言，完全是小菜一碟，它的身手施展場地，主要是各種專業應用，渲染、仿真、專業的視頻編輯等。
不過這里也要提醒各位，不要一想到渲染就只有“動畫渲染、游戲渲染”，在所有的設計領域，包含建筑、裝飾、機械、航空航天、醫療、能源等，都存在各種各樣的渲染應用，而高功率釋放的i9-14900HX處理器正好可以大展拳腳（后文還有少量專業設計的數據，供參考）。
140W RTX 4060+酷睿HX，流暢搞定2.5K分辨率3A游戲
RTX 4060作為推出已久的RTX 40系筆記本顯卡中關注度最高的甜品級產品，大家都很熟悉了，最高功率140W（含25W的動態功耗），CUDA核心3072個，集成8GB GDDR6顯存。而它和14代酷睿H/HX的搭配意味著：2.5K分辨率玩游戲（包含大型3D游戲）完全不用擔心畫質問題，最高畫質或高畫質基本都能暢體驗。即便遇到優化爛或是強調光追效果的游戲，RTX 4060還有DLSS3這個終極武器——打開DLSS3，幀數頓時“打雞血狂飆”！
▲3DMark TS顯卡得分11011分，算是RTX 4060顯卡中拔尖的分數（提示：不少滿功耗RTX 4060分數在10500左右）。
▲DLSS 3大家也不陌生了，可在開啟光線追蹤大幅拉低幀數后，通過開啟DLSS3來創造幀數奇跡：3Dmark測試中，開啟光追測試幀速僅為28.57，開啟之后狂飆到了70.14fps，從卡頓變為了流暢。
游戲實測環節，分辨率都設置為屏幕分辨率2560×1600，游戲特效則設置為預算最高畫質，首先是不開啟DLSS 3的幾款游戲：
▲《戰神4》是一款可玩性豐富的3A大作。在2.5K最高畫質下，掠奪者·擎Neo平均幀速能跑到60fps左右，流暢。
▲《極限競速：地平線5》，作為賽車游戲，要想流暢體驗，60幀是底線，而i9-14900HX+RTX 4060，能以2.5K最高畫質達成80fps+，搞定！
▲《古墓麗影：暗影》，大家非常熟悉的3A游戲了，經常活躍在各種電腦硬件測試中，i9-14900HX+RTX 4060的平均幀速是91fps，非常流暢。
▲接下來看看支持DLSS 3游戲的表現，對硬件要求極高的游戲《賽博朋克2077》基準測試截圖。設置為預設超級畫質，不開啟光線追蹤，打開DLSS 3質量，平均幀速是78fps——要知道這是在2.5K分辨率下的幀速表現，從實際體驗的角度來說，流暢運行無壓力。
▲前段時間大火的《幻獸帕魯》，同樣支持DLSS 3，在2.5K預設最高畫質下，平均幀速是73fps。
▲《霍格沃茨之遺》是2023年最暢銷的游戲之一，這款游戲也支持DLSS 3，平均幀速可到79fps，完全流暢——這幾款的測試結果游戲說明了一點，即便是面對未來新一代的3A大作，只要支持DLSS 3，RTX 4060+酷睿HX是完全能搞定2.5K分辨率下流暢游戲體驗的。
酷睿HX+RTX4060的強大專業應用性能
再次強調，有著超多核心數量的酷睿HX處理器+RTX 4060獨顯的組合，不光能搞定大型游戲，還能在專業領域大展拳腳，當下火熱的本地AIGC，視頻編輯，甚至各種工業設計，都是它的用武之地！
▲視頻剪輯方面，牛叔采用了UL Procyon的“視頻編輯”項目調用Pr進行高清視頻導出，得分6454，基本是目前最頂規集顯本的兩倍。
▲Stable Diffusion是當下非常流行的AI創作工具，生成這種10關鍵詞左右的場景人物圖也就十來秒。
▲SPECworkstation 3.1中的測試全部是各種專業應用，工作負載按應用類別劃分，包括媒體和娛樂（3D動畫/渲染）、產品開發（CAD / CAM / CAE）、生命科學（醫學/分子）、金融服務、能源（石油/天然氣）、以及GPU計算等。上圖是部分測試的結果截圖，有相關需求的朋友可參考對比（必須要和既往數據對比，否者你很難看出高低和優劣）。舉個例，生命科學項目，該機的綜合得分是5.06，作為參考，16核24線程的i7-13700HX得分是3.65。
▲當然了，日常的各種輕量級應用就更是小兒科了，CrossMark綜合得分直接逼近2200分了——要主意，CrossMark并沒有使用電腦的全部性能，甚至有時候只看單核性能，而且其計分機制就決定了不會“倍增式增長”，2195分，已經是超高得分了。
總結：拋開重量外近乎完美的主流價位頂級機型
宏碁掠奪者·擎Neo 16是一款再次進化的重裝猛機：處理器、屏幕雙升級，且在外觀上更顯剛毅和金屬質感。該機的接口豐富規格高，而在大功率電源和高規格散熱組件的加持下，該機具備出色的功率釋放和優異的散熱表現，而其超涼爽的C面更令人印象深刻——這是一款在高負載下也有相當不錯使用體驗的優異高端機型。
而超多核+高功率釋放的第14代酷睿i9-14900HX是該機的最大性能賣點，也是該機的頂級定位關鍵因素，它不僅自身性能強大，適用于CPU渲染、仿真等多種專業領域，在與RTX 4060顯卡結合后，更是變身為“全領域機型”——高畫質3A游戲大作、專業視頻編輯、專業設計、本地AI應用，都能輕松應對。
當然它還不完美，一方面，機身+適配器的重量的確偏沉；另一方面，盡管極速模式+自動風扇設置下，玩游戲時噪聲并不算吵鬧，但在低負載時風扇也會以較高轉速運轉——建議優化改進（當然，用戶也可自行切換到性能模式，處理器單考95W/雙考核心總功耗約150W，游戲夠用，以此來避開低負載時風扇也有較高轉速的問題）。
總體來說，對于沒有頻繁通勤需求，而對整機性能尤其是處理器性能要求高的用戶，這款i9-14900HX+RTX 4060組合的宏碁掠奪者·擎Neo 16是相當值得考慮的！
編輯：陳勇