這個問題要看具體使用者物件談就會更加精確一些。一般在以往的有規模的生產線上多數使用匯編語言象

Z 80/Z 8080，C ++語言等。再普通

一些的計算機控制，你用286/386/486/586/.../886或者雙CPU /四CPU 都是可以的。這要看你的機構設計與計算機控制之間的配合是否滿足使用者的整體質量指標。象時間，機械精確度等指標。一般而言:美德日的整條控制系統成本應該是義大利等整條控制系統成本的

2--3倍以上。而義大利系統的維護成本就自然會高出1--2倍。當然作為中國有人才儲備的科技公司或工廠，引進義大利系統後有針對性地對系統的品質進行適度改良後再使用，那麼這對引進方是一種選擇方式。

義大利系統的痛點有: 關鍵部位機械零部件的熱處理欠佳，精度欠佳等

這些造成了工廠維護工作在試執行期間幾乎達到高頻率的維護態勢。

但如果要使用膝上型電腦作人工智慧的開發工作或者機器學習的訓練工作，那麼一般的筆記本就有點難以勝任了。雖然人工智慧已經普遍應用在各個領域上，但作為開發平臺上來說還是有一些通用性的。

簡單說下人工智慧開發環境，目前主流的開發環境主要是構建一個機器學習的訓練集，透過對AI進行訓練達到建立AI處理能力的目的。例如傳統範例裡面的貓狗識別，就是將大量的貓和狗的圖片交由計算機建立的卷積神經網路進行處理。透過不斷的學習過程，建立一個處理貓狗不同特點的AI核心。但其實這個核心裡面是如何處理的基本上沒有幾個人能說明清晰——因此，機器學習的過程在AI領域內被戲稱為“煉丹”。

當然，“煉丹”得有“丹爐”。這個丹爐就是計算機系統了。通常的來講，卷積神經網路模型的深度學習系統是將一個問題進行拆分簡單化處理。

這樣到最後的處理過程就形成了很多的碎片化處理模型。這些模型數量很多，但處理計算要求極低。因此就帶來了一個很有意思的問題，CPU在處理這些小碎片的時候基本上不佔用CPU過多的實際處理時間，而幾千萬甚至幾百億的小碎片不斷的在CPU中來回載入就佔據了太多的處理時間。通常家裡用的計算機是4核CPU，這樣最多同時處理4個“小碎片”。基本上是一種順序的（序列的）處理方式，這樣處理效率就很低了。

而機器學習的框架更多的是基於tensorflow、CAFFE、Keras等等框架的，這些框架大部分支援Cuda（Nvidia的深度學習架構集），要注意Cuda是Nvidia的產品。主要是利用顯示卡的CPU計算單元進行處理的，這些顯示卡中的計算單元有計算能力，並且一個顯示卡中現在有上千個計算單元，因此處理深度學習的能力要大大強於CPU（高几百倍）。

因此，選擇一個筆記本要進行AI的開發工作那麼最首要的一個特點就是需要筆記本內整合一個Nvidia的顯示卡，而且是越多處理單元越好。

通常這類筆記本上都帶有一個Nvidia的LOGO，如圖：

從配置上將那麼就是越多的顯示計算核心越好了，價格自然也就越來越貴了。

當然這個是一個基本路數，如果藉助於AMAZON的S3雲計算或者現在很火的百度雲、騰訊雲等等線上雲計算工具可以不使用昂貴的膝上型電腦，以AMAZON的S3雲機器學習來舉例，每個小時的計算需要花費0.42美元，這樣一個8小時的計算也就幾十塊錢的費用。其實這樣比購買更貴的膝上型電腦更划算一些。