Aktualnie modele sztucznej inteligencji stają się wydajniejsze, pamięci w komputerach przybywa, a producenci coraz poważniej traktują pomysł stworzenia maszyny, która będzie trzymała osobistą sztuczną inteligencję dosłownie obok monitora. NVIDIA DGX Spark jest tego świetnym dowodem.
NVIDIA DGX Spark dostał 64 GB pamięci. Tylko czy rzeczywiście jest taniej?
Nowy DGX Spark zachowuje superukład GB10 Grace Blackwell, DGX OS, ekosystem CUDA oraz cały stos oprogramowania AI, ale zamiast dotychczasowych 128 GB zunifikowanej pamięci otrzymuje 64 GB. NVIDIA twierdzi, że wystarczy to do uruchamiania lokalnie modeli liczących nawet 100 mld parametrów, a sam sprzęt ma trafić 23 października do oferty Acera, ASUS-a, Della, Gigabyte’a, HP i MSI.
Czytaj też: Wiedźmin 3 pokazuje moc DLSS 4.5. Na tym jednak NVIDIA nie kończy
Sam pomysł ma sens. Pisałem już wcześniej o tym, że DGX Spark coraz mniej przypomina eksperymentalny komputer dla maniaków AI, a coraz bardziej kompletną platformę. Nie każdy potrzebuje 128 GB pamięci tylko po to, żeby uruchomić model kodujący, generator obrazu albo lokalnego agenta. Problem w tym, że określenie nowej konfiguracji mianem bardziej dostępnego punktu wejścia brzmi trochę zabawnie, gdy dochodzimy do ceny.
DGX Spark 64 GB ma kosztować od 4999 dolarów, czyli przy obecnym kursie około 19500 zł w prostym przeliczeniu. Po doliczeniu 23-procentowego VAT-u byłoby to około 24000 zł, choć oczywiście europejskie ceny gotowych komputerów partnerów mogą wyglądać inaczej. Jeszcze ciekawsze jest jednak to, że w lutym NVIDIA podniosła oficjalną cenę referencyjnego DGX Spark ze 128 GB pamięci z 3999 do 4699 dolarów właśnie z powodu problemów z dostępnością pamięci. Innymi słowy, nowy model z pamięcią obciętą o połowę startuje nominalnie 300 dolarów powyżej oficjalnego MSRP pierwszego sprzętu z 128-GB pamięci.
Kup drugi komputer i zrobi się ciekawiej
Każdy DGX Spark ma interfejs ConnectX-7 z portami QSFP zapewniającymi do 200 Gb/s. Dwie maszyny można więc połączyć bezpośrednio przewodem i skonfigurować poprzez NVIDIA Sync Cluster Assistant. Narzędzie wykrywa węzły, sprawdza konfigurację, ustawia sieć i eliminuje znaczną część ręcznego grzebania w konfiguracji klastra.
Dwa modele 64 GB dają wtedy łącznie 128 GB pamięci dostępnej dla rozproszonego obciążenia i według NVIDII pozwalają pracować z modelami liczącymi nawet 200 mld parametrów. Firma zmierzyła też do 1,7 razy wyższą wydajność na Qwen 3.8 27B względem pojedynczej maszyny.
Czytaj też: Control Resonant znakomicie pokazuje możliwości NVIDIA DLSS 4.5 oraz path tracingu
Warto tylko uważać z określeniem “połączenia pamięci”, bo przy takim duecie Nie powstaje magicznie jeden układ GB10 ze 128 GB lokalnej, spójnej pamięci. Nadal mamy dwa osobne komputery komunikujące się przez bardzo szybką sieć, więc odpowiednie oprogramowanie musi rozdzielić model i obliczenia pomiędzy węzłami. Sam wynik na poziomie 1,7x zamiast 2x i tym bardziej 3,1x zamiast 4x przy konfiguracji czterech DGX SPark dobrze pokazuje, że skalowanie nie jest darmowe.
Jednocześnie właśnie ten kierunek wydawał mi się najbardziej interesujący, gdy pisałem o budowaniu z kilku DGX Spark małego centrum obliczeniowego na biurku. Klastry oczywiście nie są żadnym wynalazkiem 2026 roku. Nowością jest próba sprowadzenia ich konfiguracji do poziomu, na którym dokładanie kolejnego węzła zaczyna przypominać podpinanie kolejnego urządzenia peryferyjnego.
Komputer przyszłości może być serwerem dla twojego komputera
NVIDIA przedstawia kilka scenariuszy, które dobrze pokazują docelową rolę DGX Spark. Możemy pozostawić na nim działającego całą dobę agenta analizującego dokumenty albo kod, wykorzystać urządzenie jako serwer modelu dla zwykłego laptopa czy komputera albo dołożyć drugi węzeł, gdy zabraknie pamięci lub potrzebujemy obsługi kilku agentów jednocześnie.
Na pokładzie mamy obsługę m.in. Ollama, vLLM, llama.cpp, LM Studio i PyTorch z CUDA, a Blender ma otrzymać gotowy instalator. Pod koniec października ma dojść do tego NVIDIA Sync Model Launcher, który pozwoli kilkoma kliknięciami pobrać i uruchomić Qwen3.8 27B na jednej maszynie lub klastrze, a następnie udostępnić model laptopowi użytkownika. Oprogramowanie skonfiguruje nawet OpenCode, dzięki czemu lokalny model będzie można wykorzystać do programowania bezpośrednio z przeglądarki. Dziś producenci próbują zamienić całą mordęgę ze stawianiem “swojego lokalnego AI” w gotowy produkt. Podobną zmianę widać już po stronie zwykłych komputerów, bo NVIDIA szykuje platformę RTX Spark dla Windowsa, a coraz silniejsza integracja sprzętu, ARM i lokalnych zadań AI pojawia się również w klasycznych laptopach.
Czytaj też: NVIDIA rozdaje RTX 5090 za screen z gry. W Polsce za taką wydajność płaci się 25000 zł
Chyba właśnie tutaj kryje się najważniejsza część całej historii. DGX Spark 64 GB nie sprawia, że osobisty superkomputer AI nagle stał się tani. Za około 20 tysięcy złotych nadal kupujemy sprzęt przeznaczony dla bardzo konkretnego odbiorcy. Pokazuje jednak świat, w którym komputer do AI może stać obok routera, działać przez całą dobę, przechowywać nasze modele i dane, wykonywać zadania bez wysyłania ich do chmury, a kiedy zabraknie mu możliwości, to dostawimy do niego drugi sprzęt. Kiedyś właśnie tak wyobrażaliśmy sobie domowe serwerownie, a teraz NVIDIA próbuje sprawić, żeby podobnie zaczęliśmy myśleć o sztucznej inteligencji.
Źródła: NVIDIA
