Анонс Microsoft разом із Surface Laptop Ultra прикривав значно цікавішу подію — вихід настільних систем Nvidia DGX Spark та DGX Station під Windows. Це не чергові потужні ПК для ентузіастів, а спроба перенести клас обчислень, який раніше вимагав серверної стійки, у форм-фактор, що стоїть на столі. Головна ідея обох пристроїв — не швидкість сама по собі, а можливість тримати величезні мовні моделі цілком у пам’яті одного пристрою, без розподілу між кількома відеокартами чи вузлами.
Чому уніфікована пам’ять важливіша за частоту чи ядра
У класичному ПК процесор і відеокарта мають окрему пам’ять, і дані між ними постійно копіюються через шину PCIe. Для моделі на сотні мільярдів параметрів це вузьке місце: вона просто не влазить у відеопам’ять однієї GPU, і доводиться розрізати модель на частини між кількома картками.
DGX Spark вирішує це інакше. Чип NVIDIA GB10 Grace Blackwell об’єднує 20-ядерний ARM-процесор (10 Cortex-X925 і 10 Cortex-A725) та графіку Blackwell на одній підкладці, з’єднаних через NVLink-C2C — інтерфейс із у п’ять разів більшою пропускною здатністю, ніж PCIe Gen 5. Завдяки цьому 128 ГБ пам’яті доступні і процесору, і GPU як єдиний простір, без копіювання. Саме це дозволяє локально запускати моделі з понад 200 млрд параметрів на пристрої вагою трохи більше кілограма і споживанням 240 Вт.
DGX Station — та сама логіка в іншому масштабі
DGX Station будується на тому ж принципі, але на іншому рівні заліза — чипі GB300 Grace Blackwell Ultra. Тут уніфікований пул пам’яті складається з 496 ГБ системної DDR5, прив’язаної до 72-ядерного Grace, і 252 ГБ HBM3e безпосередньо на GPU Blackwell Ultra — разом 784 ГБ, доступних як одне когерентне адресне поле. Продуктивність сягає 20 PFLOPS у форматі FP4, що Nvidia позиціонує як базу для роботи з моделями на трильйони параметрів локально, без хмари.
Це вже не компактний пристрій, а повноцінна робоча станція вагою 40 кг і споживанням до 1600 Вт, із блоком живлення Titanium (ККД 94%) та рідинним охолодженням чипа в поєднанні з вентиляторами — типове рішення для такого теплового пакета.
Читайте нас у Telegram
ПідписатисяМережа та зберігання як частина обчислювальної платформи
- DGX Spark використовує мережевий модуль ConnectX-7 на 200 Гбіт/с
- DGX Station отримує ConnectX-8 SuperNIC зі швидкістю до 800 Гбіт/с для об’єднання кількох станцій у кластер
- Зберігання DGX Station — два SSD по 1,92 ТБ і два по 960 ГБ у форматі M.2 NVMe, з додатковими слотами PCIe 5.0 і 6.0 під великі датасети
- Окремий LAN-порт підтримує віддалене адміністрування через IPMI
Такий набір інтерфейсів видає справжнє призначення пристроїв — це не персональний ПК у звичному сенсі, а вузол інфраструктури, який можна масштабувати, об’єднуючи кілька станцій у мережу для розподілених навантажень.
Місце в тренді та порівняння з ринком
Ключовий меседж Nvidia — ціна. DGX Spark коштує у понад 32 рази дешевше за DGX-1, систему, яка кілька років тому була еталоном компактного ШІ-суперкомп’ютера. DGX Station у конфігурації з 748 ГБ RAM оцінена в 92 900 доларів — це приблизно у сім разів дорожче за Mac Studio, але й обсяг пам’яті там непорівнянний з тим, що пропонують споживчі системи на Apple Silicon.
Це прямий сигнал ринку: уніфікована пам’ять великого обсягу — те, чим раніше вирізнялися тільки системи Apple, — стає стандартом і для платформ під важкі ШІ-навантаження. Різниця в тому, що Apple орієнтується на ефективність для локальних задач, а Nvidia будує екосистему під повноцінну розробку й inference великих моделей — від генеративних систем на кшталт FLUX.1 до мультимодальних рішень NVIDIA Cosmos Reason та чатботів на базі Qwen3, оптимізованих саме під Spark.
Поява DGX Spark і DGX Station під Windows означає, що робота з великими моделями перестає бути прив’язаною виключно до хмарних орендованих потужностей чи Linux-серверів. Для розробників це практична зміна: тестувати й допрацьовувати моделі на сотні мільярдів параметрів можна буде на локальному обладнанні, зберігаючи контроль над даними та без оплати за кожну хвилину оренди GPU в хмарі.
