开箱 NVIDIA DGX Spark： 把一千万亿次算力，“塞进”ipad mini大小的盒子里 原创

几天前，一位在行业深耕多年的朋友问我：现在满市场都是AIPC，究竟什么样的机器，才配得上“生产力”引擎，而不只是把“本地端侧智能”当卖点？

这个问题的关键，并不仅在于某一代芯片性能是否足够强，更在于算力的组织方式是否发生了变化。过去二十年，计算资源不断向云端集中，个人设备逐渐退化为算力入口。但在大模型时代，这种结构开始显现出系统性张力——模型规模、数据私有性与推理频率，正在加速算力重新下沉。

AIPC的出现，解决了部分本地推理问题，却仍受限于显存规模、内存割裂和模型生命周期不可持续，难以形成完整的计算闭环。本质上，算力依然是被预设、被封装的。

真正的分水岭，或许不是“PC 能不能跑 AI”，而是——个人是否能够拥有可持续演进的AI计算系统，能在本地完成推理、微调与优化，并长期沉淀数据与模型资产。

从这个意义上看，是否“每个人都应该拥有一台 AI 超算”？

最近，我们正好拿到了一台不久前发布的NVIDIA DGX Spark——一台被压缩到桌面尺度的AI超算。

打开木质感的外包装，NVIDIA DGX Spark全金属的一体化机身便显露出来，表面经过细腻的香槟金阳极氧化处理，触感紧实，视觉质感高级且内敛。

机身“三围”是150mm x 150mm x 50.5mm，投影面积甚至比iPad mini还要小，但就是在这样紧凑的体积下，整机重量实打实地达到了1.2kg。上手的第一反应是非常“压手”，而这种“坠手感”直观地反馈了其内部极高的堆叠密度。

机身“前脸”覆盖着大面积的不规则的蜂窝状金属格栅结构，这一极具辨识度的工业设计，体现出独特工业美学张力。

从背后看，NVIDIA DGX Spark的接口非常丰富。

在供电与接口设计上，NVIDIA DGX Spark明显不是按“普通桌面级设备”的思路来设计的，机身背部的独立DC供电口，标配240W电源适配器，为整机在满负载状态下释放性能预留了足够余量。

外设接口同样充足，NVIDIA DGX Spark提供4个 USB Type-C接口用于连接各类外设，1个HDMI 2.1a可支持最高8K显示输出。

真正让这台设备具备“AI超算”气质的，是网络与高速互连能力。RJ-45万兆（10G）以太网口，可用于大模型权重与数据的高速传输。

同时NVIDIA DGX Spark还内置了NVIDIA ConnectX-7智能网卡，单卡带宽高达200Gbps。通过高速直连线缆，两台DGX Spark可以直接互联，构建成小型双节点系统，实现算力与显存资源的近线性扩展，而这曾经一度是服务器级集群互联的“玩法”。

从性能上看，NVIDIA DGX Spark也拥有超强的“爆发力”，其搭载的NVIDIA Blackwell架构的GB10超级芯片。

GB10的CPU部分，搭载了专为数据预处理和AI任务优化的20核心ARM处理器。这颗CPU的核心调度策略采用“10+10组合”——10个Cortex-X925超大核，负责高负载的通用计算任务；10 个 Cortex-A725高能效核，负责处理后台进程和I/O 调度。

与之协同的，是基于 Blackwell架构的GPU核心。其集成了6144个Blackwell Generation CUDA 核心，搭载了第五代Tensor Core和第四代RT Core。

最令人惊艳的在于其张量性能（Tensor Performance）：在 FP4精度下，这1.2kg的“小盒子”能爆发出的峰值算力高达1 PFLOP（此为基于 FP4精度并结合稀疏性加速的理论值）。这意味着其单机的理论性能，已经能够支撑起200B（两千亿）参数级别的AI推理任务，或70B（七百亿）级别的模型微调训练。

为了匹配这样的计算与互联能力，NVIDIA DGX Spark在存储I/O配置上标配4TB NVMe M.2 SSD，并支持自加密（Self-Encrypting），用于保护模型权重与数据资产的安全；网络侧除万兆以太网外，还支持Wi-Fi 7，覆盖从本地集群到无线办公的多种使用场景。

在如此激进的性能释放下，GB10芯片的TDP被控制在140W，整机满载功耗约240W。结合仅其紧凑的体积，NVIDIA DGX Spark给出了清晰的答案——桌面级AI计算不再只是靠堆功耗换算力，而是通过系统架构、内存模型和高速互连，把单位能耗下的有效算力密度推到新的高度。

对于LLM开发者而言，NVIDIA DGX Spark最具”爆发力”的能力，在于其配备128GB LPDDR5x统一系统内存。这套内存采用256-bit位宽，总带宽达到273 GB/s，由CPU与GPU 共享同一物理内存池。

与传统“CPU 内存+独立显存”的割裂架构不同，统一的内存从根本上绕开了24GB、48GB显存所形成的硬性上限。系统可以根据实际负载动态分配内存资源，模型参数、KV Cache，以及中间张量无需在 CPU内存与GPU显存之间反复搬运，不仅降低了内存拷贝带来的时延，也显著简化了大模型部署与调优的复杂度。

对开发者来说，这意味着可以在单机环境中承载更大的模型规模，并获得更稳定、可预测的推理性能。

回到最初的问题：什么样的机器，才配得上“生产力引擎”？

前文所拆解的，并不仅是DGX Spark的性能参数，更是整套计算范式的变化。从统一内存打破显存墙，到CPU与GPU在同一物理内存池内协同调度；从单机即可承载数百亿参数模型，到通过高速互连实现近线性的算力扩展。这些设计共同指向一个事实——AI计算正在从“被调用的资源”，转变为“可长期拥有、持续演进的系统”。

当模型可以在本地完成推理、微调与迭代，当数据与权重不再只是临时加载的消耗品，而是可以长期沉淀、不断增值的资产，计算设备本身的角色也随之发生改变——它不再是终端，而是个人级算力基础设施。

从这个意义上看，“每个人都应该拥有一台AI超算”或许是大模型时代对生产力工具提出的现实要求。