[自作日記5] マザーボードはどれがいい?

[自作日記5] マザーボードはどれがいい?

今回は、マザーボードの選定をします。

Junさんの買い物の続きをみるまえにもう一度チップセットについておさらいしておきましょう。

インテルの CoreシリーズCPUは 12世代、13世代ともに、CPUソケットが LGA 1700 となっており、多くの場合、12世代用のチップセットは13世代のCPUとも互換性がありますが、最新の機能や最適な性能を得るには、対応する世代のチップセットを使用することが推奨されます。

たとえば、12世代のインテルCoreシリーズCPU用に設計されている チップセットには以下のようなものがありますが、AI用途であればGPUを使いますので、Z690,H670のようなハイエンドチップセットを選ぶのが安全でしょう。

  • Z690: 高性能チップセットで、オーバークロッキングサポート、PCIe 5.0 x16スロット、多数のPCIe 4.0レーン、高速なUSB 3.2 Gen 2x2接続、および高速ストレージのための複数のM.2スロットが提供されています。
  • H670: オーバークロッキングはサポートしていませんが、それ以外の機能はZ690に近いチップセットです。
  • B660: PCIe 5.0サポートが限定的で、オーバークロッキングもサポートされていませんが、コストパフォーマンスに優れてチップセットです。
  • H610: 基本的な機能のみを提供し、PCIe 4.0や高速USBのサポートが制限されています。

では、ふたたび Junさんに視点をうつしましょう


③ マザーボードのチップセットは CPUが12世代ならZ690 か CPUが13世代ならZ790。ATX。

CPUは、

13世代 i5 13600
12世代 i7 12700

に絞り込んだけど、これに合うマザーボードは何にしようか。

チップセットはZ690かZ790か。

店員さんに相談すると AI用途(GPU搭載用途)で、12世代のCPUであれば、Z690、13世代のCPUであればZ790のチップセットのマザーボードがお薦めだそうです。

ここで1つ疑問が。

確か 13世代のCoreシリーズも、12世代のCoreシリーズもどちらも、CPUソケットは LGA1700 だったはず。
ということは、 Z690 チップセット搭載のマザーボードに 13世代の i5 13600 も搭載できるのではないだろうか。

この疑問を店員さんにぶつけてみました。

私「Z690チップセットのマザーボードに13世代の CoreシリーズCPUって載りますよね」

「うーん。それはマザーボードのサポートによりますね」

私「え?そうなんですか? 13世代のCPUもLGA1700 だから Z690 のチップセットでも動くと思ったのですが」

「確かに、同じ LGA1700 でも、 13世代のCPUが、Z690という12世代用のチップセットでもそのまま動くかというと、そういうわけではないんです。あくまでZ690は12世代用のチップセットなので。」

私「なるほど。じゃあマザーボードがZ690で、CPUが 13世代の Core i5 13600 という組み合わせは無しってことなんですね」

「完全に無しではないんです。」

私「え?」

「メーカーによってはZ690のマザーボードもファームウェアをアップデートすることで 13世代まで公式にサポートしてくれるものもあれば、なにもしないでもZ690チップセットマザーボードにそのまま13世代のCPUをのせたら、動いているという事例も数多くあります。ただ、対応がマザーボードやメーカーによっても異なりますので、個別にメーカーに確認していただくか、13世代にはZ790等13世代のためのチップセットを使っていただくのが良いかと思います」

私「なるほど、そういうことなんですね、理解できました。」

この件、これほど、食い下がったのには実は訳があります。

Z690 のマザーボードの方が安いんです。
当たり前かもしれませんが、最新のZ790はマザーボードは実売2万円くらい高い印象です。
だから、Core i5 13600 と Z690 だとバランスが良いとおもったのでした。

でも、質問していろいろ理解が深まったので、結論がでました。

店員さんとも相談して、 Z690マザーボードはZ790よりも安く、性能面でも12世代が13世代に比べてそれほど劣るわけではないため、Z690マザーボードで行くことにしました!

選んだマザーボードは、ASRock Z690 Steel Legend というやつです。3万円台後半で手に入りました!


ついに、1つめのパーツを購入できました!

そして、このマザーボードを選んだことで自動的に、CPUも決定しました!

12世代 i7 12700 に決定です!

同じお店で、CPUもゲットしました!12世代のIntel Corei7 12700Kです!


今回はいかがでしたでしょうか。Junさんは、性能と価格の近い2つのCPUで悩んでいましたが、今回はマザーボードの価格で判断しました。といっても妥協しているわけではなくZ690は12世代のチップセットのなかでは最高のもので、コストパフォーマンスがZ790に対して優れていたため、このような結果となったのでした。

PC自作はトータルバランスが重要です。お金が無限にあるわけではないので、どこに力をいれるか、どこはほどほどで良いか、こういう微調整の連続で、それがまた楽しく自作の醍醐味だと感じています。

さて、次回は、メモリや電源など周辺パーツの選定に移ります!


navigation

Read more

発話音声からリアルなリップシンクを生成する技術 第3回:wav2vec特徴量から口形パラメータへの学習

発話音声からリアルなリップシンクを生成する技術 第3回:wav2vec特徴量から口形パラメータへの学習

こんにちは! 前回までの記事では、 * wav2vecを用いた音声特徴量抽出の仕組み(第1回)と、 * リップシンク制作における累積ドリフトの補正技術(第2回) について解説してきました。今回はいよいよ、これらの技術を統合して実際に音声から口の動きを生成する核心部分に踏み込みます。 本記事で扱うのは、wav2vecが抽出した768次元の音響特徴量を、26個の口形制御パラメータの時系列データに変換する学習プロセスです。これは単なる次元削減ではありません。音の物理的特性を表す高次元ベクトルから、人間の口の動きという全く異なるモダリティへの変換なのです。この変換を実現するには、音韻と視覚的な口形の間にある複雑な対応関係を、ニューラルネットワークに学習させる必要があります。 特に重要なのは、この対応関係が静的ではなく動的であるという点です。同じ音素でも前後の文脈によって口の形が変わり、さらに音が聞こえる前から口が動き始めるという時間的なズレも存在します。これらの複雑な現象をどのようにモデル化し、学習させるのか。本記事では、LSTMとTransformerという2つの強力なアプロー

By Qualiteg 研究部
AI時代のデータ漏洩防止の要諦とテクノロジー:第1回 AI DLPとPROXY

AI時代のデータ漏洩防止の要諦とテクノロジー:第1回 AI DLPとPROXY

こんにちは!本日はAI時代のデータ漏洩防止について、とくにその通信技術面に焦点をあてつつ、AIセキュリティにどのように取り組んでいくべきか、解説いたします。 1. はじめに 生成AIの急速な普及により、企業のデータガバナンスは新たな局面を迎えています。ChatGPTやClaudeといった大規模言語モデル(LLM)は、業務効率を飛躍的に向上させる一方で、意図しない機密情報の漏洩という深刻なリスクをもたらしています。 従業員が何気なく入力した顧客情報や営業秘密が、AIサービスの学習データとして使用される可能性があることを、多くの組織はまだ十分に認識していません。従来のDLP(Data Loss Prevention)ソリューションは、メールやファイル転送を監視することには長けていましたが、リアルタイムで行われるWebベースのAIチャットやAIエージェントとの対話で発生しうる新しい脅威には対応できていないのが現状です。 本記事では、AI時代のデータ漏洩防止において中核となる技術、特にHTTPS通信のインターセプトとその限界について、技術的な観点から詳しく解説します。プロキシサーバー

By Qualiteg プロダクト開発部, Qualiteg コンサルティング
LLM推論基盤プロビジョニング講座 第5回 GPUノード構成から負荷試験までの実践プロセス

LLM推論基盤プロビジョニング講座 第5回 GPUノード構成から負荷試験までの実践プロセス

こんにちは!これまでのLLM推論基盤プロビジョニング講座では、推論速度の定義、リクエスト数見積もり、メモリ消費量計算、推論エンジン選定について詳しく解説してきました。 今回は、残りのステップである「GPUノード構成見積もり」「負荷試験」「トレードオフ検討」について一気に解説し、最後に実際のサーバー構成例をご紹介します。 STEP5:GPUノード構成見積もり GPUメモリから考える同時リクエスト処理能力 LLMサービスを構築する際、どのGPUを何台選ぶかは非常に重要な決断です。今回はLlama 8Bモデルを例に、GPUメモリ容量と同時リクエスト処理能力の関係を見ていきましょう。 GPUメモリの使われ方を理解する ここは復習となりますが、 LLM推論においてGPUメモリは主に2つの用途で消費されます 1. モデル重みデータ: LLMモデル自体を格納するためのメモリ 2. KVキャッシュ: ユーザーとの対話コンテキストを保持するための一時メモリ Llama 8Bを16ビット精度で実行する場合、モデル重みデータは約16GBのメモリを占めます。これは固定的なメモリ消

By Qualiteg コンサルティング
発話音声からリアルなリップシンクを生成する技術 第2回:AIを使ったドリフト補正

発話音声からリアルなリップシンクを生成する技術 第2回:AIを使ったドリフト補正

こんにちは! 前回の記事では、当社のMotionVoxで使用している「リップシンク」技術について、wav2vecを用いた音声特徴量抽出の仕組みを解説しました。音声から正確な口の動きを予測するための基礎技術について理解いただけたかと思います。 今回は、その続編として、リップシンク制作における重要な技術的課題である「累積ドリフト」に焦点を当てます。wav2vecで高精度な音素認識ができても、実際の動画制作では複数の音声セグメントを時系列に配置する際、わずかなタイミング誤差が蓄積して最終的に大きなずれとなる現象が発生します。 本記事では、この累積ドリフトのメカニズムと、機械学習を活用した最新の補正技術について、実際の測定データを交えながら詳しく解説していきます。前回のwav2vecによる特徴抽出と今回のドリフト補正技術を組み合わせることで、MotionVoxがどのように高品質なリップシンクを実現しているのか、その全体像が見えてくるはずです。 累積ドリフトとは何か 基本概念 累積ドリフトとは、個々の音声セグメントが持つ微小なタイミング誤差が、時間の経過とともに蓄積していく現象で

By Qualiteg 研究部