Spec Asas
EVO-X2 ni mini PC berasaskan AMD Ryzen AI Max+ 395. Klaim diorang: 2.2x lebih laju dari RTX 4090 untuk AI performance. Bunyi gila, tapi spec dia memang backup klaim tu.
CPU dan NPU
Processor dia 16 core / 32 thread, fabrikasi TSMC 4nm FinFET, boost up to 5.1GHz. L2 cache 16MB, L3 cache 64MB. TDP flexible antara 45W hingga 120W, boleh tarik sampai 140W bila perlu.
NPU guna arsitektur XDNA 2 dengan 50 TOPS computing power. Ini yang buat dia punch above its weight untuk inferencing local LLM dan image generation tanpa cloud.
GPU dan RAM
GPU integrated: AMD Radeon 8060S, 40 core RDNA 3.5. Bukan dedicated GPU, tapi shared memory architecture dengan RAM on-board LPDDR5X 128GB @ 8533MHz. GPU boleh guna chunk besar dari RAM tu sebagai VRAM.
Ini advantage yang real. Model LLM 70B parameter boleh fully muat dalam RAM, tak perlu split antara CPU dan GPU macam setup biasa. Ko boleh run command macam ni tanpa throttle:
ollama run llama3:70b
Setup biasa dengan GPU dedicated pun susah nak buat tu tanpa beli dua unit GPU atau guna quantized model yang kecik.
Storage dan Connectivity
Default datang dengan 2TB PCIe 4.0 M.2 2280 SSD. Ada 2 slot tambahan, maximum 8TB total kalau ko nak expand.
Port yang ada:
- WiFi 7 + Bluetooth 5.4
- USB-A 3.2 Gen2 (10Gbps) x3
- USB-A 2.0 x2
- Type-C USB4.0 x2
- HDMI 2.1 x1
- DisplayPort 1.4 x1
- 2.5G LAN (RJ45) x1
- SD Card slot x1
- 3.5mm jack x2
14 I/O port total. Untuk mini PC, tu memang comprehensive. Bukan sekadar ada sikit port USB pastu habis cerita.
Video Output
Support 4 display serentak melalui HDMI 2.1, dua Type-C USB4, dan satu DisplayPort 1.4. Power adapter 330W (20V/16.5A), cukup untuk squeeze full 140W dari CPU bila masuk performance mode.
Form Factor
Size dia 186 x 77 x 192mm. Kecik. Boleh masuk dalam bag biasa. Weight belum confirm lagi dari pihak diorang.
Use Case yang Nampak Obvious
Machine macam ni sesuai untuk:
- Run local LLM guna Ollama dengan model besar tanpa GPU dedicated
- Homelab AI inference server
- Edge computing node
- Developer workstation yang perlu dibawa travel
Contoh Project IoT: Edge AI Gateway untuk Sensor Data
Satu use case yang aku nampak paling solid: jadikan EVO-X2 ni sebagai AI gateway untuk IoT deployment. Bayangkan ko ada berpuluh sensor MQTT di kilang atau ladang solar. Data masuk, kena process real-time, pastu buat decision tanpa latency cloud.
Stack yang boleh ko setup:
- Mosquitto sebagai MQTT broker
- Node-RED untuk pipeline sensor ke AI
- Ollama untuk inference local
- InfluxDB untuk time-series storage
Contoh flow mudah: sensor hantar bacaan suhu abnormal, Node-RED pass ke local LLM via REST, LLM buat diagnosis ringkas, pastu trigger alert atau actuator. Semua ni jalan on-device, zero cloud dependency.
# Install Ollama pada Ubuntu/Debian
curl -fsSL https://ollama.com/install.sh | sh
# Pull model kecik dulu untuk test
ollama pull phi3:mini
# Test inference dari terminal
ollama run phi3:mini "Suhu sensor A naik ke 95 darjah. Apa yang patut dilakukan?"
Ko boleh integrate dengan Node-RED guna node node-red-contrib-ollama atau panggil terus Ollama REST API dari function node.
# Ollama REST API call contoh
curl http://localhost:11434/api/generate \
-d '{
"model": "phi3:mini",
"prompt": "Sensor reading: temp=95C, humidity=30%. Diagnose.",
"stream": false
}'
Dengan 128GB unified RAM, ko boleh run model yang lebih besar untuk diagnosis lebih tepat. Model 7B atau 13B pun masih tinggal banyak ruang untuk OS dan service lain jalan serentak.
Kalau ko guna setup macam ni untuk homelab solar monitoring, boleh tambah logic untuk predict panel degradation atau detect anomali inverter output berdasarkan historical data. Semua on-premise, data tak keluar mana-mana.
Catatan Penting
Harga rasmi belum ada lagi masa artikel ni ditulis. Weight pun pending confirm dari vendor.
Dari spec sheet, positioning dia jelas: workstation-grade AI PC dalam form factor yang boleh masuk beg. Kalau ko ada use case yang perlukan local LLM inference tanpa throttle dan tanpa rak penuh hardware, ini salah satu option yang patut masuk dalam shortlist.