云知识可以，但效果取决于具体需求和硬件条件。普通服务器能够运行深度学习任务，但性能可能不如专用的高性能计算设备（如配备GPU或TPU的服务器）。如果任务规模较小或对实时性要求不高，普通服务器完全可以胜任。
深度学习通常需要大量的计算资源，尤其是矩阵运算和并行处理能力。普通服务器如果没有GPU支持，主要依赖CPU进行计算，而CPU在处理深度学习任务时效率较低，因为其设计更偏向于串行计算。相比之下，GPU拥有大量核心，擅长并行计算，能显著提速深度学习模型的训练和推理过程。
然而，并非所有深度学习场景都需要顶级性能。对于一些小型项目、研究实验或轻量级推理任务，普通服务器可能已经足够。例如，使用预训练模型进行简单的迁移学习或部署小型神经网络时，CPU的计算能力可能不会成为瓶颈。此外，通过优化代码、减少模型复杂度或利用高效的深度学习框架（如TensorFlow Lite、ONNX Runtime），也可以在普通服务器上获得更好的性能。
值得注意的是，现代部分普通服务器可能已经配备了集成显卡或可选的独立GPU，这为运行深度学习任务提供了更多可能性。即使没有GPU，多核CPU（如Intel Xeon或AMD EPYC系列）也能提供一定的计算能力，尤其是在批量化推理任务中。
经济因素也是重要考量点。购买或租用一台高性能GPU服务器的成本较高，而利用现有普通服务器可能是一种更具性价比的选择。如果预算有限且任务需求不苛刻，这种方案非常值得尝试。
综上所述，普通服务器能否跑深度学习取决于任务复杂度、数据规模以及硬件配置。对于简单任务或初步探索阶段，普通服务器完全可行；但对于大规模训练或高性能需求的任务，则建议考虑升级到带有GPU的专用设备。