Czym w ogóle jest DGX Spark?
DGX Spark to referencyjna platforma NVIDII zaprojektowana tak, by uruchamiać duże modele lokalnie. Co ją wyróżnia? Przede wszystkim bez klasycznego podziału na RAM i VRAM, bo jej układ obliczeniowy wykorzystuje zunifikowaną pulę pamięci (128 GB) współdzieloną przez CPU i GPU, co ma ogromne znaczenie, bo określa, czy model w ogóle da się załadować i utrzymać w pamięci. Tłumaczę to zresztą na łamach moich wcześniejszych tekstów: o tym, czym jest DGX Spark, dlaczego wygląda jak router, a myśli jak serwerownia, oraz jak rozumieć samą ideę lokalnej sztucznej inteligencji.
Nowa aktualizacja DGX Spark trafia w czułe punkty
NVIDIA ogłosiła, że nowa aktualizacja oprogramowania komputerów DGX Spark, która zaczęła trafiać na sprzęt 12 lutego 2026 roku, obejmuje nie tylko referencyjne modele, ale też systemy partnerów oparte na GB10. W praktyce to bardzo ważne, bo DGX Spark żyje nie tylko jako wariant “Founders Edition”, ale też jako baza dla urządzeń producentów pokroju Gigabyte. W efekcie każde wydanie DGX Spark otrzyma znacznie lepsze zarządzanie energią, a to dzięki obsłudze techniki hot-plug dla karty sieciowej ConnectX-7, co według NVIDII potrafi obniżyć pobór o nawet 18 watów, gdy adapter nie jest używany. Jest to o tyle ważne, że 18 watów przez dobę to 0,432 kWh, a w skali miesiąca około 13 kWh.
Czytaj też: Test Gigabyte AI TOP ATOM. Jak NVIDIA DGX Spark zapewnia lokalne SI na biurku?
Na tym lista zmian się nie kończy, bo nowa aktualizacja gwarantuje też natywną obsługę audio po Bluetooth, a do tego poprawia kompatybilność z konfiguracjami wielomonitorowymi, niestandardowymi rozdzielczościami i odświeżaniem. Innymi słowy, to fenomenalna wiadomość dla każdego, kto używa DGX Spark w roli normalnego komputera, a nie jedynie sprzętu wpiętego w sieć, z którym komunikujemy się wyłącznie zdalnie. W takim scenariuszu użytkownicy docenią też opcję zadbania o wysokie bezpieczeństwo na poziomie UEFI, bo NVIDIA wdrożyła możliwość całkowitego wyłączenia Wi-Fi i Bluetooth, co jest idealne dla środowisk całkowicie odciętych od sieci.
DGX Spark w praktyce: od Antarktydy po uczelniane laboratoria
Równolegle NVIDIA buduje narrację o tym, do czego DGX Spark jest używany w realnych projektach. Najbardziej medialny jest IceCube Neutrino Observatory na Antarktydzie, gdzie DGX Spark ma wspierać analizy danych lokalnie. Pada tam też bardzo konkretny kontekst środowiskowy, który świadczy o wytrzymałości tego sprzętu, bo musi on pracować przy wilgotności poniżej 5% i na wysokości około 3048 metrów n.p.m.
Czytaj też: Ten komputer jest mniejszy od mojego routera, a bije na głowę wydajność potężnego peceta
Z kolei w NYU komputer DGX Spark ma obsługiwać projekt ICARE do oceny raportów radiologicznych tworzonych przez modele, w trybie end-to-end całkowicie lokalnie. Powód tego jest oczywisty, bo praca obejmuje dane medyczne i polityki prywatności. Harvard z kolei wykorzystuje platformę do badań nad epilepsją i mapowania wpływu mutacji na funkcjonowanie neuronów, traktując DGX Spark jako pomost między “biurkiem” a klastrem, na który trafia dopiero idealnie dopracowane oprogramowanie.
Czytaj też: Czym jest sztuczna inteligencja i jak mieć ją u siebie lokalnie?
Są też wdrożenia bardziej “inżynierskie”, bo DGX Spark na Arizona State University pomaga w pracy nad percepcją w robotyce, w Mississippi State służy jako platforma dydaktyczna dla studentów, a na University of Delaware umożliwia zespołom pracę z większymi modelami bez kupowania czasu w chmurze i z opcją zdalnego testowania przez program wirtualnego laboratorium.
DGX Spark to sprzęt unikalny i specyficzny
DGX Spark nie jest urządzeniem, które kupuje się bez odpowiedniego planu. W ofercie Senetic DGX Spark Founders Edition EU ten komputer pojawia się w cenie nieco ponad 19150 złotych brutto. Czy taki wydatek ma w ogóle sens? To już zależy od tego, czy naprawdę potrzebujesz lokalnie dużych modeli i spójnej platformy, która ma być “serwerownią na biurku”. Jeśli jednak twoim celem jest zabawa z małymi i średnimi modelami, to DGX Spark może wyglądać jak przerost formy nad treścią. Jeśli jednak wchodzisz w dane wrażliwe, długie iteracje, prototypowanie bez czekania na kolejkę do zasobów i bez wysyłania czegokolwiek poza lokalne środowisko, to wtedy taki sprzęt zaczyna brzmieć sensownie, ale pod warunkiem, że akceptujesz kompromisy małej obudowy i ciągły rozwój jej oprogramowania.