Unified Memory 是什麼？

Unified memory 的白話理解

Unified memory 可以先理解成：CPU、GPU 和其他加速器共用同一個記憶體池，而不是 CPU 用一套 RAM、GPU 用另一套 VRAM，兩邊一直搬資料。

Apple 在 Apple silicon 架構說明中，把 unified memory architecture 當成 SoC 的核心優勢之一；Apple 的 MLX 也明確針對 Apple silicon 的 unified memory 架構設計。NVIDIA 的 DGX Spark / RTX Spark 類平台，則把大量 unified memory 放進桌面級 AI 開發與 personal agent PC 的定位裡。

對 AI 來說，這很重要，因為模型、context、影像資料、RAG 片段和中間狀態都可能很吃記憶體。

它和傳統 VRAM 架構差在哪？

架構	白話理解	優點	限制
獨立 GPU + VRAM	GPU 有自己的高速記憶體	高頻寬、成熟、適合重度 GPU 工作	模型放不下 VRAM 時可能搬到 RAM，速度下降
Unified memory	CPU / GPU / 加速器共享記憶體池	減少資料搬移，可能支援較大的共享模型工作	頻寬、總容量、系統占用與軟體支援會影響效果

所以 unified memory 不是「比較大的 VRAM」這麼簡單。它是一種不同架構，選型時要看平台完整設計。

為什麼本地 AI 會重視 unified memory？

本地 AI 很常遇到三種問題：

1. 模型大，放不下。
2. context 長，中間狀態多。
3. 工作流複雜，需要 CPU、GPU、資料處理和模型推論一直協作。

Unified memory 的價值，是讓資料在不同運算單元之間流動更簡單。對 Apple silicon + MLX 這種框架，或 DGX Spark / RTX Spark 這類本地 AI 平台，這會變成很重要的規格。

但它仍然不是萬能。模型能不能跑得好，還是要看：

• 可用容量。
• 記憶體頻寬。
• 模型精度與量化。
• 軟體框架是否真的善用 unified memory。
• 系統、瀏覽器、IDE、容器和其他 app 也會占用記憶體。
• 散熱與長時間負載。

什麼情境要特別看 unified memory？

特別適合關注 unified memory 的情境包括：

• Apple silicon 上跑本地 LLM、MLX、Core ML 或創作工具。
• DGX Spark / RTX Spark 類桌面 AI 平台選型。
• 想跑較大模型或較長 context，但不想只看傳統 VRAM。
• 單機 AI 開發、研究、PoC、personal agent workflow。

如果你看的是傳統獨立 GPU 工作站，則仍要先看 GPU 和 VRAM；如果你看的是整合式 AI 平台，unified memory 就會變成核心判斷項。

最後更新：2026-06-11；本頁已複查 Apple unified memory / MLX 與 NVIDIA DGX Spark / RTX Spark 來源。