4、硬件需求：GPU（NVIDIA）、显存、系统内存与存储空间规划

AlphaFold 不是那种随便一台机器就能跑的软件。我个人习惯是，先把硬件账算清楚再动手，不然装了半天跑不了，那才叫浪费时间。这一章我带你捋一遍 GPU、显存、内存和存储的具体要求，顺便聊几个我踩过的坑。

4.1 GPU 与显存 —— 整个流程的瓶颈

AlphaFold 的推理和训练都重度依赖 NVIDIA GPU。说白了，显存决定了你能不能跑、能跑多大规模。我最初用一台 8GB 显存的 GTX 1080 试过，单个蛋白序列稍长就 OOM（Out Of Memory），后来换了 24GB 的 RTX 3090 才勉强顺畅。

最低硬件要求

显存到底吃在哪？

AlphaFold 的推理过程中，几个关键模块对显存消耗巨大：

• MSA 构建——需要加载多个同源序列，序列越多显存占用越高。
• Pair Representation——这个是显存大户，序列长度平方级的矩阵。
• Evoformer + Structure Module——Transformer 层数和 heads 数决定参数量，每增加一层，显存涨一大截。

我做过一个简单测试：用默认参数（8个 recycle）跑一个 500 aa 的蛋白，显存占用约 18 GB；跑到 1000 aa，直接飙到 32 GB。所以，我建议你如果手头只有 16 GB 显存，先减 recycle 次数，比如改成 3，或者调小 max_template_date 来减少模板数量。

4.2 系统内存 —— 预处理阶段的“隐形消耗”

很多人只盯着 GPU 显存，忽略系统内存，结果处理大型蛋白数据库时直接 OOM kill。AlphaFold 在数据准备阶段会把 MSA 查询结果、模板结构、特征向量全部加载到系统内存中。我建议的最低系统内存是 64 GB，实际生产环境我部署的机器都是 128 GB 以上。

为什么会吃这么多？因为：

• Jackhmmer / HMMsearch——对大量序列库（如 Uniclust30、BFD）进行搜索，每个子进程吃 2–8 GB 内存，并行 4–8 个进程就能吃掉 32–64 GB。
• Template 搜索——PDB70 / PDB100 数据库在内存中的索引文件就占十几 GB。
• 特征拼接——最后把所有信息打包成 npy 文件时，临时数组也会占用大量内存。

4.3 存储空间规划 —— 数据库是吃硬盘的怪兽

AlphaFold 不是装个软件就完事，它必须下载大量数据库。存储空间分三块：

推荐存储方案

• SSD（500 GB–1 TB）——用于存放模型参数、运行临时文件、输出结构。速度快，减少 IO 瓶颈。
• HDD（2 TB+）——用于存放各类数据库，尤其是 BFD 这种大文件，顺序读为主，HDD 足够。
• 网络存储（NFS / NAS）——多机部署时，可以把数据库放在共享存储上，每台工作节点只挂载读取。但注意网络延迟，建议万兆网络。

4.4 硬件资源依赖关系一览

下面这张图可以帮你理解整个流程中硬件资源是如何被调用的——

4.5 避坑指南 —— 我亲身经历的几个教训

• 共享显存不是万能药：有人试图用 CUDA_VISIBLE_DEVICES 把多个小显存 GPU 合并成一个大显存，但 AlphaFold 的模型并行度有限，实际效果极差。我见过一个团队用 4 块 8GB 卡跑 1000 aa，结果显存碎片化频繁报错。老老实实买大显存卡。
• 内存别只盯着容量：我踩过一次坑，128 GB 内存但频率只有 2133 MHz，结果预处理时数据搬运慢得离谱。优先选 DDR4 3200 或 DDR5，带宽很关键。
• 数据库磁盘预留 20% 余量：解压数据库时临时文件暴增，我有一次硬盘只剩 50 GB，解压到一半报 “No space left on device”，回滚都很麻烦。预留 20% 空闲空间是铁律。
• 不要用 WSL2 做 GPU 推理：虽然 NVIDIA 在 WSL2 上提供了 CUDA 支持，但内存管理和共享显存经常出问题。我个人生产环境一律用原生 Linux，少折腾。

4.6 规划参考 —— 三种典型配置方案