Ho inserito una GPU Intel Arc nel ZimaCube 2 — Intelligenza Artificiale locale senza un singolo cavo extra

Non ho comprato il ZimaCube 2 per l'AI. L'ho comprato per essere il backend di storage per il mio cluster Proxmox.

Ma poi ho notato lo slot PCIe x16. E il fatto che funzioni interamente con l'alimentazione della scheda madre — niente 6-pin, niente 8-pin, nessun cavo adattatore. Solo alimentazione da slot. Questo ha cambiato i conti.

Dopo aver installato un Intel Arc Pro B50, il ZimaCube 2 ora esegue llama.cpp e OpenClaw per inferenza locale — oltre al suo lavoro quotidiano come cervello dello storage condiviso del cluster. Ecco la storia completa: perché ho scelto la B50, come è andata l'installazione, cosa ha portato ZimaOS Beta e cosa significa per chiunque stia considerando un upgrade GPU sul ZimaCube 2.

Perché l'Intel Arc Pro B50

Scegliere una GPU per un NAS compatto non è come sceglierne una per un desktop da gaming. Hai tre vincoli rigidi:

1. Solo alimentazione da slot. Gli slot PCIe del ZimaCube 2 non forniscono cavi di alimentazione ausiliari. La GPU deve funzionare interamente con l'alimentazione fornita dalla scheda madre — massimo 75W.
2. Basso profilo o slot singolo. Il case misura 240 × 221 × 220 mm. Una scheda full-height a doppio slot non entra fisicamente.
3. Silenziosa e fresca. Funziona 24/7 in un ambiente domestico. Nessuna ventola a soffio, nessun throttling termico a riposo.

L'Intel Arc Pro B50 ha soddisfatto ogni requisito:

Installazione: uno slot, nessun cavo, fatto

L'installazione fisica ha richiesto meno di dieci minuti.

Apri il pannello superiore — gli slot PCIe sono proprio lì, senza gabbie per dischi da evitare. La B50 si inserisce nello slot x16. La staffa a mezza altezza si allinea con l'apertura posteriore. Stringi una vite. Chiudi il pannello. Fatto.

Nessun cavo di alimentazione. Nessun adattatore. Nessun infilare cavi in spazi troppo stretti. L'implementazione PCIe del ZimaCube 2 è davvero pulita — lo slot è posizionato con sufficiente spazio sopra i bay per dischi, così anche una scheda a doppio slot non interferirebbe con lo storage.

Questo non è scontato su hardware NAS compatto. La maggior parte dei dispositivi in questo formato non ha nemmeno PCIe. Quelli che ce l'hanno spesso posizionano lo slot in modo da limitare cosa si può effettivamente installare. IceWhale ha fatto la scelta giusta qui.

ZimaOS Beta: Supporto nativo per driver Arc

Avevo pianificato di cancellare ZimaOS e installare Ubuntu Server. Poi IceWhale mi ha contattato con una build Beta di ZimaOS che include il supporto nativo per il driver Intel Arc GPU.

La build Beta gestisce automaticamente il rilevamento del driver. Al primo avvio dopo l'installazione della B50, ZimaOS ha riconosciuto la scheda, caricato il driver Intel i915 con estensioni Arc e l'ha esposta al runtime Docker. Nessuna compilazione del modulo kernel. Nessuna modifica a GRUB. Ha semplicemente funzionato.

Cosa sto eseguendo: llama.cpp + OpenClaw

Con la GPU riconosciuta, ho distribuito due container:

llama.cpp (inferenza accelerata GPU)

• Modello: Mistral 13B Q5_K_M (richiede circa 12GB di VRAM con contesto 8K)
• Backend: Intel SYCL (GPU Arc)
• Casi d'uso: revisione del codice, sintesi della documentazione, chatbot locale, elaborazione del linguaggio naturale per automazione domestica

OpenClaw (gateway AI locale)

• Endpoint API unificato per più modelli locali
• Instrada le richieste tra llama.cpp e modelli più piccoli basati su CPU
• Si collega a Home Assistant per query smart home controllate tramite voce

Le prestazioni sono esattamente quelle che ci si aspetta da una scheda single-slot da 50W: non una GPU da datacenter, ma abbastanza veloce da essere davvero utile. Mistral 13B genera circa 25–35 token al secondo — più veloce della velocità di lettura, che è la soglia che rende l'AI locale reattiva anziché frustrante.

Mantenere il lavoro principale: backend di storage + AI su una sola macchina

Ecco cosa non ho fatto: non ho sacrificato lo scopo originale dello ZimaCube 2. I pool di storage che servono il cluster Proxmox sono ancora lì. Gli snapshot ZFS continuano a essere eseguiti secondo programma. I container Docker che alimentano l'infrastruttura non sono stati spostati.

Ciò che è cambiato è che lo ZimaCube 2 ora fa due cose contemporaneamente:

Livello Storage

• 4× HDD RAID-Z1 (dati bulk)
• 2× NVMe RAID 1 (immagini VM)
• 1× NVMe SLOG/L2ARC (cache)
• Esportazioni NFS verso 3 nodi Proxmox
• Automazione snapshot ZFS
  

Livello AI

• llama.cpp con Mistral 13B
• Gateway AI OpenClaw
• Assistente per revisione codice
• Sintesi di documenti
• Integrazione NLP con Home Assistant

I 40GB di RAM (8GB di base + 32GB di upgrade) sono divisi: circa 24GB per ZFS ARC, 8GB per container Docker e ZimaOS, e 8GB rimasti per l'overhead di sistema. La VRAM da 16GB della GPU gestisce i pesi del modello in modo indipendente — non compete con la memoria di sistema.

Il carico della CPU durante l'inferenza è minimo poiché llama.cpp scarica il lavoro sulla GPU. Le prestazioni I/O dello storage non sono influenzate perché i pool NVMe gestiscono i dati attivi, e la GPU non tocca il controller SATA.

Perché non una scatola AI separata?

Ho considerato di costruire un nodo AI dedicato. Ci sono buone ragioni per separare l'inferenza dallo storage — isolamento, budget energetico dedicato, cicli di riavvio indipendenti. Ma c'è una ragione convincente per non farlo:

Hai già uno slot PCIe.

Featured

ZimaCube 2 NAS domestico personale cloud

ZimaCube2

$799.00 - $2,499.00

Buy Now

Lo ZimaCube 2 è stato progettato pensando all'espansione. Se stai per acquistare un dispositivo che include uno slot PCIe x16 specificamente per futuri aggiornamenti, non usarlo è la decisione più costosa. Una scatola AI separata significa un altro alimentatore, un altro chassis, un altro collegamento di rete, un'altra cosa da gestire.

Una macchina. Due ruoli. Il ZimaCube 2 gestisce entrambi.

Aggiungi una GPU al tuo ZimaCube 2 e inizia a eseguire AI locale →

Domande Frequenti

Lo slot PCIe del ZimaCube 2 fornisce abbastanza potenza per una GPU?

Sì — per schede alimentate solo dallo slot fino a 75W. L’Intel Arc Pro B50 (TDP 50W) e GPU a basso consumo simili funzionano interamente con l’alimentazione del PCIe slot. Gli slot PCIe del ZimaCube 2 non forniscono cavi di alimentazione ausiliari, quindi devi scegliere una scheda che non li richieda. La B50, la NVIDIA RTX A2000 e le Intel Arc A310/A380 sono tutte opzioni valide.

Quale GPU consiglieresti per il ZimaCube 2?

Per l’inferenza AI in particolare, dai priorità alla VRAM rispetto alla potenza di calcolo. L’Intel Arc Pro B50 (16GB) e la NVIDIA RTX A2000 (12GB) sono le migliori opzioni alimentate solo dallo slot attualmente disponibili. Per la sola transcodifica media, le Intel Arc A310 o A380 sono più economiche e offrono comunque codifica hardware AV1. Evita qualsiasi GPU che richieda connettori di alimentazione a 6 o 8 pin.

Posso far funzionare un ZimaCube 2 con una GPU 24/7 senza problemi termici?

Sì. Il design termico del ZimaCube 2 separa la zona CPU/PCIe dalla zona dei dischi. La Arc Pro B50 è una scheda da 50W — non genera calore sufficiente a sovraccaricare il case. Sotto carico di inferenza sostenuto, le temperature della GPU rimangono entro il range operativo normale senza modifiche aggiuntive al raffreddamento.

Il ZimaCube 2 può eseguire contemporaneamente storage condiviso e carichi di lavoro AI?

Sì. La configurazione originale descritta qui utilizza il ZimaCube 2 sia come backend di storage NFS/ZFS per il cluster Proxmox sia come server locale di inferenza AI con llama.cpp e OpenClaw. La VRAM della GPU gestisce i pesi del modello indipendentemente dalla memoria di sistema, e i pool di storage NVMe assicurano che l’I/O delle VM non sia un collo di bottiglia per i carichi di lavoro di inferenza.

Qual è il modello più grande che posso eseguire su una GPU da 16GB nel ZimaCube 2?

Una GPU da 16GB come la Intel Arc Pro B50 può eseguire comodamente modelli quantizzati da 13B–14B parametri (quantizzazioni Q5_K_M o Q4_K_M) con finestre di contesto da 4K–8K, oppure modelli da 20B–34B a livelli di quantizzazione inferiori. Per la maggior parte degli usi AI self-hosted — assistenza al codice, sintesi di documenti, NLP per automazione domestica — un modello 13B ben ottimizzato con una buona quantizzazione è il punto ideale.