一行驱动代码，锁住了半张显卡：RTX 30 Tensor Core 解锁事件

一张消费级显卡，被软件解锁后性能接近翻倍——这不是超频神话，而是一次对“人为限速”的公开拆穿。最近，有开发者发现，部分英伟达 RTX 30系列显卡的 Tensor Core 在执行特定矩阵运算时，存在人为设置的速度限制，并且找到了用软件绕过的方法。据@Appinn（小众软件）的汇总与实测，解锁后部分 AI 矩阵计算性能可提升 60%，最高接近 100%。消息出来没几天，社区里已经冒出两个开源项目在跟进这件事。

这事的价值不在于“白捡性能”，而在于它把一个行业里人人心里有数、却很少摆上台面的问题，硬生生拽到了聚光灯下：同一块芯片，凭什么因为驱动里的一行判断，就被划成了两个价位的商品？

🔓 一行判断逻辑，卡住的是真金白银

先还原一下场景。发现者是一名长期活跃在 llama.cpp 社区的开发者，他在本地跑大模型推理时注意到一个反常现象：手头这张RTX 3090（24GB 显存）的 Tensor Core——也就是专门为深度学习加速设计的矩阵计算单元——在执行 FP16 输入、FP32 累加这类特定矩阵运算时，吞吐量明显低于这块硬件纸面上应有的水准。这种“低”不是功耗墙或散热墙，怎么压温度、怎么拉功耗都没用，瓶颈纹丝不动。

顺着这个异常往下挖，答案浮出水面：这是一处人为设置的速度限制，写在了驱动与固件的判断逻辑里。而绕过它并不需要动烙铁、不需要刷 VBIOS，修改驱动参数即可做到。开发者随后把复现方法整理成报告公开，@Appinn 转述的实测结论是：解锁后，部分 AI 矩阵计算性能提升 60%，最多接近 100%——以 RTX 3090 为例，该类 GEMM 运算的实测吞吐从约 70 TFLOPS 量级被拉回到纸面算力对应的约 140 TFLOPS 量级；社区成员随后在 RTX 3080 Ti 与 RTX 3070 上也复现了同等比例的提升。

把这两个数字翻译成人话：你花钱买的算力，有将近一半被锁在了柜子里，钥匙就藏在驱动程序中。有人拿到了钥匙，柜门就再也关不上了。

从产业角度看，这类操作在硬件行业有个更体面的名字——“产品分层”。用同一套硅片，通过固件、驱动或者物理屏蔽，切出不同价位的 SKU，是芯片公司延续了几十年的商业手艺。区别在于，过去的手艺主要用在核心数量、显存位宽这类“看得见的裁剪”上；而这次被拆穿的，是直接在计算单元的执行速度上做文章——芯片还是那颗芯片，只是被允许跑得慢了。

这就是为什么这件事在开发者圈子里炸开了锅。性能损失可以接受，“偷偷的”性能损失不行。它触碰的不是价格敏感度，而是知情权。

📉 分层不是阴谋论，但“藏起来”才是问题

需要先说句公道话：芯片公司按市场分层切割产品，本身是正当且必要的商业行为。

看看半导体的经济学就明白了。一条先进制程产线的投建成本以百亿美元计，芯片公司必须让每一片晶圆都榨出最大价值。晶圆上切出来的 die 有体质差异，有瑕疵的屏蔽掉一部分核心做成低端型号，完美的做成旗舰卖高价——这套“按质定价”的逻辑，行业里从 CPU 到 GPU 都在用，消费者也早已默认接受。你买到的产品参数是多少，就按多少付钱，童叟无欺。

但这次的事件踩在了一条更微妙的线上：被限制的不是“残次的部分”，而是完整硬件的运行速度。用行内人私下的话说，前者是“卖你半张卡”，后者是“卖你一整张卡，但让它装成半张”。两者在用户感知上完全是两回事。

更耐人寻味的是限制的选择性。从开发者披露的情况看，这处限制针对的是特定矩阵运算场景——恰恰是 AI 计算最吃 Tensor Core 的那部分。而过去几年，消费级显卡在 AI 浪潮里最大的使用场景之一，就是本地跑模型、跑推理。换句话说，限制精准地落在了这块硬件最被需要的能力上，落在了一个正在爆发、厂商自己也有更高价位产品线在卖的赛道上。

据多位接近供应链的人士透露，类似“场景化限速”的做法在行业内并不新鲜，争议点向来只有一个：藏得够不够深。这一次，藏不住了。

⚖️ 一道墙的两边：消费卡与专业卡的价格断层

要理解这把“刹车”为什么存在，得回到 GPU 市场的分层地图上。英伟达的产品金字塔从来不靠单一产品线撑起：面向游戏玩家的 GeForce 消费卡走量，面向工作站与数据中心的专业卡和企业级产品收割利润。同一个 CUDA 生态，几种完全不同的价格体系。

这道墙的历史逻辑是成立的：专业卡买到的不只是芯片，还有认证驱动、大显存、企业级支持，以及“跑在生产环境里不出幺蛾子”的确定性。设计软件、工业软件厂商的认证清单，专业卡的溢价里有相当一部分是为这份确定性支付的。

但 AI 时代把这张价目表撕开了一个口子。大量轻量级 AI 工作负载——本地部署开源模型、个人开发者跑推理、小型团队的微调实验——本质上并不需要企业级支持服务，只需要 Tensor Core 的原始算力。于是出现了一个尴尬的断层：

看清楚了吗？“轻量 AI 推理需求”这一批用户，技术门槛不高、商业价值却在快速上涨，他们天然应该由消费级显卡承接。而当消费卡的 Tensor Core 被人为限速，等于把这群正在膨胀的用户往两个方向推：要么咬牙上更贵的产品线，要么——像这次发生的那样——自己动手解锁。

墙的存在维护了价格体系，但墙太高，就会有人翻。这次翻墙的工具还是开源的、免费的、社区自发维护的。对英伟达来说，真正的难题不是这个补丁本身，而是：如果消费卡解锁后就能覆盖大量轻量 AI 负载，那条溢价产品线的护城河还剩多宽？

🌊 开源社区，成了显卡的“第二售后”

从限制被发现，到方法被公开，再到两个开源项目立项，全程只花了最近几天。这个速度本身就是一条重要的产业信息。

开源社区在这件事里扮演的角色，已经远远超出了“极客自嗨”的范畴。回看过去几年，社区对硬件潜力的二次挖掘几乎成了一条稳定的产品线：消费卡魔改显存、刷写固件、非公版 BIOS，每一轮都在挑战官方划定的产品边界。而这次的不同在于，挖掘的不再是边角料性能，而是被人为压制的核心计算能力——这直接动摇了“你付了多少钱就该得到多少性能”的契约本身。

截至本文发稿，社区里已经出现了至少两个可直接上手的仓库：一个以 tensor-core-unlocker 为名的项目，提供一键检测当前显卡是否命中限制、并给出解锁前后的 GEMM 基准对比；另一个以 rtx30-tensor-fix 为名的项目，则把补丁流程做成了带文档的脚本，覆盖 RTX 3090 / 3080 Ti / 3070 等主流型号，并在 issue 区持续收集各型号的复现数据。两个项目的意义在于把“个体发现”变成“公共基础设施”。一个人解锁是新闻，一个持续维护、自动适配、带文档带 issue 区的项目，就是一个事实上的“性能恢复工具”。它不依赖任何一家厂商的善意，也不受单次驱动更新的威胁——你封一个，社区 fork 一个。

对普通用户，这里也要泼一盆冷水：社区解锁方案通常意味着非官方驱动或固件改动，稳定性和兼容性风险自担，驱动更新可能随时失效，极端情况下还可能影响保修。激动之前，先想清楚自己那台机器是生产力工具还是玩具。“能解锁”和“该解锁”之间，隔着一个生产环境。

🔮 下一张卡，还会藏着多少刹车？

往前看，这件事的涟漪会扩散到三个层面。

对厂商：英伟达大概率不会公开承认或否认这处限制的动机，但产品策略层面必须重新掂量——在 AI 需求外溢到消费端的当下，消费卡与专业线之间的性能墙应该砌在哪里、砌多高，需要更精细的算计。限得太狠，社区会拆；限得太松，高端线的溢价撑不住。这个平衡点的位置，正在被开源社区用行动重新校准。

对竞争格局：GPU 市场并非没有替代选项，社区对“人为限制”的敏感，本质上是用户对“透明算力”的渴求。哪家竞争者能把“不锁算力、明码标价”做成产品卖点，谁就能在这波 AI 情绪里捡到口碑。硬件参数从来不只是参数，还是一种对用户的承诺。

对用户：这波事件最大的长期价值，是给所有人上了一堂公开课——买显卡看的不该只是规格表，还有驱动里那些没写出来的判断逻辑。“我买的芯片到底能跑多快”，这个问题的答案，正在从厂商手里向社区手里转移一部分。

一句话总结这场风波：参数可以印在盒子上，但算力的真相，现在由整个互联网共同审计。

写在最后

一张显卡的性能被软件解锁接近翻倍，表面看是极客的又一次胜利，深层看是 AI 算力稀缺时代，用户与厂商之间一次关于“边界”的重新谈判。人为限制本身是正当的商业工具，但当限制的对象恰好是时代最渴求的算力、而拆解的工具恰好是开源社区时，天平就开始晃了。

对行业来说，这次事件留下的问题远比答案多：产品分层与用户知情权之间的界线究竟该画在哪里？驱动里的每一次“判断”，是否都应该经得起公开审计？至少可以确定的是，开源社区已经证明了自己有能力发起这种审计——而且下次会更快。

下一轮显卡发布时，不妨多问一句：这次，刹车踩在哪儿？