AI（人工智能）对显卡的要求取决于具体的应用场景和AI模型。以下是一些一般性的指导：

1、深度学习训练：对于深度学习模型的训练，通常需要高性能的显卡，特别是那些具有大量计算资源的显卡。以下是对不同类型显卡的建议：
入门级：对于一般的深度学习应用，如使用预训练模型进行推理，或者进行一些轻量级的训练任务，NVIDIA GeForce GTX 1660 Super 或 AMD Radeon RX 5600 XT 这样的显卡可能足够。
中端级：如果您正在进行更复杂的模型训练，或者希望使用更大的模型，NVIDIA GeForce RTX 3060 或 AMD Radeon RX 6700 XT 这样的显卡会提供更好的性能。
高端级：对于大规模的深度学习模型训练，或者需要快速完成任务的用户，NVIDIA GeForce RTX 3080、RTX 3080 Ti 或 AMD Radeon RX 6800 XT、RX 6900 XT 等更高端的显卡将提供更好的性能。

2、AI推理：对于AI推理任务，特别是那些对实时性要求较高的应用，如自动驾驶、机器人视觉等，可能也需要较高性能的显卡。但通常来说，相比训练，推理对显卡的要求会低一些。

3、专业应用：对于专业领域的应用，如自然语言处理（NLP）、计算机视觉等，可能需要更专业的显卡，如NVIDIA的A100、V100、T4、T8等专业计算卡，这些显卡针对数据中心和企业用户，提供极高的计算性能和内存带宽。

4、显存：对于AI应用，显存大小也是一个重要的考虑因素。更大的显存可以处理更大的模型和更复杂的任务。一般来说，至少需要6GB的显存，对于大规模任务可能需要16GB或更多。

5、CUDA核心/流处理器：对于NVIDIA显卡，CUDA核心数量直接影响其计算性能。对于AMD显卡，流处理器的数量也是一个关键指标。

一些流行的用于AI任务的显卡：
NVIDIA GeForce RTX 3090：具有大量CUDA核心和巨大的显存（24GB GDDR6X），是目前性价比非常高的选择之一。
NVIDIA Tesla V100：虽然是几年前发布的产品，但其在专业领域仍有广泛应用，提供高性能计算和16GB HBM2显存。
NVIDIA A100：最新的数据中心级显卡，拥有高性能计算能力和巨大的显存（40GB HBM2），是云计算和大型数据中心的首选。

总之，选择显卡时，需要根据具体的AI应用场景、预算以及现有的硬件平台进行综合考虑。