发布时间：2016 年 GTC；架构：Pascal（GP100，16nm FinFET）
定位：数据中心计算加速卡，同时面向 HPC 高性能计算 + 早期深度学习训练 / 推理；无视频输出接口，不能直接当游戏显卡。
一、核心硬件规格（区分两大形态）
1）SXM2 模组版（服务器刀卡，DGX-1 标配，支持 NVLink）
- CUDA 核心：3584
- 显存：16GB HBM2（4096bit），带宽 732 GB/s
- 算力：
FP16：21.2 TFLOPS｜FP32：10.6 TFLOPS｜FP64：5.3 TFLOPS - TDP：300W；被动散热
- ✅ 支持 NVLink 高速互联（多卡通信远强于 PCIe）
普通 DIY 主机无法直接使用 SXM2 版本，仅限专用服务器主板
2）PCIe 3.0 x16 标准板（DIY 最常见，无 NVLink）
两个显存版本：
| 参数 | P100 PCIe 16GB | P100 PCIe 12GB |
|---|---|---|
| HBM2 带宽 | 720 GB/s | 540 GB/s |
| FP16 | 18.7 TFLOPS | 18.7 TFLOPS |
| FP32 | 9.3 TFLOPS | 9.3 TFLOPS |
| FP64 | 4.7 TFLOPS | 4.7 TFLOPS |
| TDP | 250W | 250W |
通用关键特性
- HBM2 堆叠显存 + CoWoS 封装：当年革命性技术，远高于同期 GDDR5 带宽；原生支持ECC 内存纠错（科研 / 仿真稳定性刚需）
- FP64 算力很强（游戏卡同年代几乎砍半双精度），适合有限元、分子模拟、CFD 流体计算
- 统一内存（Unified Memory）、页迁移引擎，简化 CUDA 开发
- 无 Tensor Core！（Tensor Core 从 V100 Volta 架构才出现）
👉 重要短板：不支持原生 FP16 混合精度加速内核，现代大模型训练效率远低于 V100/A100
二、优缺点总结
✅ 优势
- 大显存：16GB HBM2，二手低价，适合预算有限学习者
- 优秀双精度 FP64：同价位二手卡极少对手，小规模科学计算性价比高
- HBM2 高带宽，跑 SD 绘图、向量数据库、特征提取带宽敏感任务表现尚可
- Pascal 架构最高支持 CUDA 11.x，主流开源项目（llama.cpp、Ollama、SD）仍兼容
❌ 硬缺陷（选购重点避坑）
- 被动散热！原厂无风扇，机箱必须强风道，密闭小机箱极易过热降频；很多人额外加装风扇
- 无显示输出！主机必须搭配一张亮机卡（核显 / 低端独显）才能输出画面
- 功耗高 250W/300W，电源压力大
- 缺少 Tensor Core：现代 LLM、深度学习训练速度显著弱于 V100；不适合生产环境训练
- 架构老旧，NVIDIA 新特性逐步不再优化；不支持 FP8
三、当前适用场景（2026 年）
适合
- 学生 / 个人自学：本地跑 7B~13B 量化大模型推理（Ollama /llama.cpp）
- Stable Diffusion 画图，高分辨率出图依赖 16GB 显存
- CUDA 学习、小规模科学仿真、有限元、流体、生物分子计算
- 离线小规模数据处理、特征工程、视频编解码加速
不适合
- 大模型持续训练（速度慢，能耗性价比低）
- 线上生产推理集群
- 游戏（没有图形优化，性能极差）
- 需要 FP8、新一代 AI 框架深度优化场景
四、横向简单对比（热门二手计算卡）
- P100 16G：HBM2、强 FP64、无 TensorCore、250W，适合仿真 + 入门 AI 推理
- V100 16G：Volta、带 TensorCore，AI 速度明显更强，价格更高
- P40 24G：GDDR5，FP16 弱，适合纯推理，不适合仿真
- RTX 3090 24G：游戏卡，无 ECC，FP64 弱，但是自带视频输出、散热省心
五、选购建议
- 优先选 PCIe 16GB 版本，避开 12GB；SXM2 版本不要买，普通主板装不上
- 确认机箱风道，准备轴流风扇对着显卡吹；注意服务器机箱长度
- 系统建议 Linux（Ubuntu）；Windows 驱动可用，但生态不如 Linux
- 定位：低成本学习实验卡，不要指望替代 V100 做正式训练