搭建服務器以使用GPU顯卡進行算法計算時，需要考慮幾個關鍵因素，包括算力、帶寬、微架構、以及特定算法的需求。以下是一些基于搜索結果的考慮點：

1、算力指標：這是衡量GPU最大運算能力的重要指標。GPU的算力通常以浮點運算次數（FLOPS）來衡量，包括單精度和雙精度性能。對于深度學習等任務，單精度性能尤為重要。例如，NVIDIA RTX 2080 Ti的單精度性能和雙精度性能差距可能很大，因此在評估算法性能需求時，精度要求非常關鍵。如果算法可以使用半精度進行，那么對于GPU的效率會更高。

2、帶寬指標：帶寬決定了GPU的IO吞吐能力，對于帶寬密集型的算法尤為重要。例如，處理高分辨率圖像或進行大規模數據處理時，高帶寬可以減少數據傳輸時間，提高整體性能。

3、GPU微架構：微架構對通用計算的影響不大，但算法的并行性是重要的。一個可并行的算法可以更好地利用GPU的并行處理能力。

4、特定算法需求：不同的算法對GPU的需求不同。例如，卷積神經網絡（CNN）涉及大量的矩陣乘法，因此GPU在這類任務中表現出色。而對于一些算法，可能需要特定的優化或使用特定的GPU特性。

5、顯存容量：深度學習模型的大小和batch size會影響所需的顯存容量。較大的顯存可以支持更大的模型和數據集，但成本也更高。

6、CUDA核心數和顯存位寬：這些參數通常決定了GPU的計算能力和數據傳輸速率，數值越大通常意味著性能越好。

7、功耗和散熱：高性能GPU可能會產生大量熱量，因此需要良好的散熱解決方案和足夠的電源供應。

8、成本效益：在選擇GPU時，需要考慮成本效益，尤其是在預算有限的情況下。有時，使用具有HBM（High Bandwidth Memory）顯存的GPU可能是帶寬密集型算法的更經濟選擇。

9、服務器兼容性：確保服務器支持所需的GPU數量和型號，包括PCIe插槽的兼容性、電源供應能力以及散熱系統的設計。

10、軟件和驅動支持：安裝相應的GPU驅動程序和軟件，以確保算法能夠在服務器上高效運行。

在搭建服務器時，可以使用搜索結果中提到的“計算產品兼容性查詢助手”來確認服務器與GPU卡的兼容性。此外，根據算法的具體需求，可能還需要對服務器進行一些定制化的配置和優化，以滿足特定的性能要求。