Nvidia bringt eine neue Version seines DGX Spark auf den Markt mit 64 GB Unified Memory, vermarktet für 4.999 US-Dollar über seine Partner (Acer, ASUS, Dell, Gigabyte, HP, MSI).
Diese Konfiguration behält die Hardware- und Softwarefunktionen der Vorgängerversion bei und bietet einen leichter zugänglichen Einstiegspunkt für Entwickler und lokale KI-Enthusiasten, die nicht die 128 GB des höheren Modells benötigen.
Diese Initiative ist eine direkte Reaktion auf den Anstieg der Komponentenpreiseinsbesondere Speicher, wodurch der Preis des 128-GB-Modells auf fast 7.000 US-Dollar stieg, was einer Steigerung von fast 75 % in einem Jahr entspricht.
Ziel ist es daher, einen günstigeren Einstiegspunkt für das Heim-KI-Ökosystem bereitzustellen.
Warum bringt Nvidia eine 64-GB-Version des DGX Spark auf den Markt?
Angesichts der Speicherkrise und der Preiserhöhung des eigenen 128-GB-Modells möchte das Unternehmen eine günstigere Alternative anbieten. Diese Strategie ermöglicht es, im lokalen Segment der künstlichen Intelligenz präsent zu bleiben. und sich gleichzeitig an eine Marktrealität anzupassen, in der die Komponentenkosten explodieren.
Täuschen Sie sich nicht, diese Ankündigung ist eine zweischneidige Berechnung. Einerseits ermöglicht es Neueinsteigern, vom DGX-Ökosystem zu profitieren. Andererseits markiert es eine neue Preisnormalität: Das 64-GB-Modell ist jetzt 25 % teurer als das 128-GB-Modell bei seiner Markteinführung (3.999 US-Dollar)!
Nvidia versucht daher, die Möbel zu retten, indem es das DGX Spark-System erschwinglicher macht, allerdings auf Kosten der Kapazitäten, wohl wissend, dass die Speichermenge ein sensibles Kriterium für künstliche Intelligenz ist.
Was sind die Eigenschaften und der Preis dieses persönlichen Supercomputers?
Der neue DGX Spark 64 GB wird daher zu einem Startpreis von 4.999 US-Dollar vermarktet, mit den wesentlichen Elementen seines großen Bruders: dem leistungsstarken Superchip GB10 Grace Blackwell, dem DGX OS-Betriebssystem und die gesamte Nvidia AI-Software-Suite, einschließlich der CUDA-X-Bibliotheken.
Das einzige wirkliche Zugeständnis ist der einheitliche LPDDR5x-Speicher, der von 128 auf 64 GB reicht. Abgesehen vom Speicher bleibt das technische Datenblatt identisch. Wir finden den gleichen ARM-Prozessor mit 20 Kernen von MediaTek entwickelt und vor allem die integrierte NVIDIA ConnectX-7 Netzwerkkarte.
Dieses Element ist entscheidend, denn es stellt sicher, dass auch dieses Einstiegsmodell keine technologische Sackgasse darstellt. Skalierbarkeit bleibt das Herzstück des NVIDIA DGX Spark-Wertversprechensselbst in seiner bescheidensten Version.
Wie funktioniert Clustering zur Verdoppelung der Leistung?
Das Clustering zweier DGX Spark 64-GB-Einheiten erfolgt einfach durch die Verbindung mit einem QSFP-Kabel über ihre ConnectX-7-Ports. Die Anwendung NVIDIA Sync Cluster Assistant kümmert sich dann um die automatische Erkennung und Konfiguration des Netzwerks, sodass die beiden Maschinen als ein einziges System arbeiten und einen Gesamtspeicher von 128 GB und die doppelte Bandbreite bieten.
Diese Funktionalität verändert den Vorschlag radikal. Ein Entwickler kann mit einer einzelnen Box beginnen und bei steigendem Rechen- oder Speicherbedarf eine zweite Einheit hinzufügen, um die bis zu 1,7-fache Leistung eines einzelnen Systems zu erreichen.
Es handelt sich um eine Möglichkeit, das System entsprechend den Bedürfnissen der persönlichen KI zu modulieren an Bord betrieben. Beachten Sie jedoch ein wichtiges technisches Detail: Es wird nicht empfohlen, ein 64-GB-Modell mit einem 128-GB-Modell zu koppeln, da sich der Cluster nach der niedrigsten Kapazität richtet.
Für wen ist dieser DGX Spark 64 GB wirklich gemacht?
Dieses neue DGX Spark 64-GB-Modell richtet sich hauptsächlich an Entwickler, Forscher und KI-Fans die lokal experimentieren wollen, ohne systematisch auf die Cloud angewiesen zu sein.
Es hat die perfekte Größe zum Ausführen von KI-Agenten, etwa eines Codierungsassistenten, 24 Stunden am Tag oder zur Schlussfolgerung von Sprach- oder Bildmodellen mit bis zu 100 Milliarden Parametern.
Die Anwendungsfälle sind konkret: Auslagerung umfangreicher Berechnungen von einem Desktop-PC oder Laptop auf den DGX Spark, um Ressourcen freizugeben, oder sogar der Start eines Forschungsprojekts auf einer einzelnen Einheit vor der Skalierung mit einem Cluster.
Die „out-of-the-box“-Softwareunterstützung für Tools wie Ollama, vLLM oder PyTorch macht es zu einer schlüsselfertigen, privaten und leistungsstarken Entwicklungsplattform.
