Anda dapat melihat kesenjangan kinerja serupa di MATLAB, di mana simulasi perambatan gelombang 2D mengelola enam siklus per detik. RTX 3070 mengelola 77 setiap detik, dan itu benar-benar bertambah hingga berjam-jam atau bahkan berhari-hari selama satu periode. “Pertanyaan di sini untuk seorang siswa adalah apakah Anda ingin pekerjaan rumah Anda memakan waktu 12 kali lebih lama?” tanya Clayton.

Atau bahkan bisa lebih dari itu. Saya diperlihatkan satu contoh lagi: TensorFlow, di mana melatih jaringan pada kumpulan data gambar membutuhkan waktu 16 menit pada CPU i7, tetapi lebih dari satu menit saat RTX 3070 mulai bekerja. “Dan ini adalah jaringan saraf yang sangat mendasar pada kumpulan data yang hanya terdiri dari 60.000 gambar,” jelas Clayton. “Pada jaringan yang kompleks dengan ratusan 1000-an gambar, ini berarti penghematan waktu berjam-jam.”

Jelas, ini untuk RTX 3070 high-end, tetapi model entry-level 3050 dan 3060 juga memberikan peningkatan substansial dibandingkan laptop tanpa GPU, seperti yang ditunjukkan bagan di bawah ini. RTX 3080 Ti kelas atas menawarkan kinerja yang lebih baik lagi bagi siswa.

Jelas, tidak ada perguruan tinggi yang sepadan yang akan membiarkan seorang siswa pergi tanpa alat yang mereka butuhkan, dan banyak perangkat keras yang disediakan untuk siswa – tetapi ada kendala. Ini biasanya dalam bentuk lab komputer bersama, atau melalui server cloud jarak jauh di mana setiap siswa dialokasikan kredit dalam jumlah terbatas (“biasanya hanya cukup untuk melakukan apa yang diperlukan minimum untuk tugas, dan tidak sepenuhnya mengeksplorasi topik, ” keluh Clayton.) Dengan kata lain, perangkat kerasnya berkualitas (“untuk AI dan ilmu data, hampir selalu NVIDIA”, menurut Clayton) tetapi aksesnya tidak.