NVIDIA DGX Spark är en liten ”AI-superdator” för ditt skrivbord. Den är byggd kring NVIDIAs GB10 Grace Blackwell Superchip och utformad för att låta utvecklare och forskare prototypa, finjustera och köra inferens på stora AI-modeller lokalt utan att behöva boka tid på ett datacenterkluster. Den erbjuder upp till 1 petaFLOP (FP4) AI-prestanda och 128 GB enhetligt minne i en kompakt formfaktor, med NVIDIAs AI-programvarustack förinstallerad.
DGX Spark är byggt för AI-fasen ”få det att fungera på mitt skrivbord”:
Nej, DGX Spark är ett hårdvarusystem, medan Apache Spark är ett distribuerat ramverk för databehandling. Det fina är att om du använder Apache Spark kan NVIDIAs RAPIDS Accelerator för Apache Spark avlasta delar av dina pipelines till GPU:n, och DGX Spark stöder den stacken.
NVIDIAs officiella produktsida för DGX Spark fokuserar på specifikationer och registreringar, medan tillgängligheten sköts av NVIDIA och partner-OEM-tillverkare. NVIDIA har meddelat att Acer, ASUS, Dell, GIGABYTE, HP, Lenovo och MSI kommer att erbjuda DGX Spark-system, med tillgänglighet från och med juli (regional lansering varierar).
När det gäller prissättningen tyder rapporter på att konfigurationer börjar på cirka 3 999 dollar, men de slutliga priserna beror på OEM-tillverkaren och lagringsalternativen. Vissa återförsäljarsidor visar fortfarande "kommer snart", så kolla partnerlistorna för aktuella priser och lagerstatus.
Om DGX Spark är din utvecklingsdator vid skrivbordet, är DGX Station den kraftfulla AI-datorn för skrivbordet. DGX Station (GB300 Ultra) är avsedd för de mest krävande tränings- och finjusteringsuppgifterna och levererar upp till ~20 petaFLOPs (FP4) och hundratals gigabyte enhetligt minne. Den är mycket större och utformad för team eller delade laboratoriemiljöer.
Ja, om du är AI-utvecklare, datavetare eller forskare som ständigt arbetar med LLM, agenter eller multimodala modeller och behöver snabb lokal bearbetning, privat datahantering och en mjukvarustack som enkelt kan kopplas till datacentret eller molnet.
Kanske inte, om dina behov är begränsade till GPU-rendering eller spel, eller om du redan har stadig tillgång till kluster- eller HPC-tid. I så fall kan en traditionell arbetsstation eller molnkrediter vara mer kostnadseffektiva.