Nvidia выводит на рынок DGX Spark 64GB — более доступную версию своей компактной платформы для локального ИИ с чипом GB10. Стартовая цена заявлена на уровне $4999, запуск систем от Acer, Asus, Dell, Gigabyte, HP и MSI намечен на 23 октября, сообщает Tom's Hardware. Для русскоязычных разработчиков и компаний, которые смотрят на локальные LLM без желания сразу покупать маленький серверный шкаф, это важный сигнал: Nvidia пытается снизить входной билет, но аттракцион по-прежнему не из дешевых.
Главное изменение — объем унифицированной памяти. Оригинальные DGX Spark и близкие к ним GB10-системы делались с расчетом на 128 ГБ RAM: год назад это выглядело логично, потому что локальный запуск заметных языковых моделей быстро упирался в память. Теперь Nvidia добавляет конфигурацию на 64 ГБ, сохраняя ключевые элементы платформы. Это не бюджетный ПК для экспериментов на выходных, а рабочая станция для тех, кому нужна экосистема Nvidia, локальный inference и возможность наращивать конфигурацию дальше.
Причина проста: рынок моделей и рынок памяти разъехались в разные стороны. Модели становятся экономнее: по данным источника, плотные модели уровня Qwen 3.8 27B уже могут помещаться в 32 ГБ памяти, пусть и с ограниченным контекстом. Одновременно LPDDR5X и другая память дорожают, а поставки кремния остаются нервными. В такой ситуации жестко припаянные 128 ГБ в каждой системе превращаются из преимущества в налог на вход. Если задача — локально гонять агента, кодового ассистента или корпоративный прототип, а не дообучать большие модели, лишняя память может лежать мертвым грузом.
При этом «доступнее» в словаре Nvidia — слово с оговорками. DGX Spark 64GB стартует от $4999. Для сравнения, 128-гигабайтные GB10-системы, если их вообще удается найти в наличии, сейчас оцениваются примерно в $7000-9000, причем это уже выше скорректированной рекомендованной цены Nvidia. На практике российским покупателям придется учитывать не только курс, логистику и доступность, но и то, что цены на память и накопители сейчас двигаются так бодро, будто у них отдельный KPI по драме.
Снижение объема памяти не означает урезание всей платформы. В 64-гигабайтных Spark остается сетевой адаптер ConnectX-7 RDMA, как у старших конфигураций. Это важно: несколько систем можно объединять в кластер, увеличивая доступную память и производительность inference, если один узел перестанет справляться. Также сохраняются 20-ядерный Arm CPU-комплекс и общая пропускная способность памяти 273 ГБ/с для CPU и GPU. То есть Nvidia режет не основу платформы, а самый дорогой и спорный для части пользователей ресурс — объем RAM.
Отдельный акцент компания делает на софте. Nvidia добавляет Sync Cluster Assistant — инструмент, который автоматизирует объединение Spark-систем в кластер. Он работает внутри Nvidia Sync, приложения для удаленного доступа и управления Spark: пользователь может задействовать вычислительную мощность станции с других Mac и ПК. До сих пор часть подобных задач закрывали энтузиасты и комьюнити-утилиты; теперь Nvidia пытается превратить кластеризацию из «почти лабораторной работы» в штатный сценарий.
Еще одна новая функция Sync — Model Launcher. Она должна автоматически загружать и запускать модели вроде Qwen 3.8 27B на одной или нескольких системах, а затем связывать их с браузерным coding agent OpenCode. По сути, Nvidia упаковывает локальную «фабрику токенов» для агентных рабочих процессов: кодогенерация, анализ репозиториев, прототипирование внутренних ассистентов, эксперименты с приватными данными. Для бизнеса тут понятная приманка: часть задач можно держать ближе к инфраструктуре компании, не отправляя каждый промпт во внешний API.
Старшие версии на 128 ГБ никуда не исчезают. Они остаются для тех, кто работает с более крупными моделями, длинным контекстом, кластерным масштабированием или локальным fine-tuning, где память заканчивается быстрее терпения инженера. DGX Spark 64GB скорее закрывает промежуток между энтузиастскими мини-ПК и дорогими AI-станциями: меньше RAM, та же логика платформы, ниже стартовая цена.
Главный вопрос теперь не в том, сможет ли Nvidia продать еще одну конфигурацию Spark, а в том, насколько быстро локальный ИИ станет обычным рабочим инструментом, а не дорогой игрушкой для команд с лишним бюджетом. Если модели продолжат худеть, а память — дорожать, рынок таких «не максимальных» конфигураций может оказаться самым рациональным местом для практичного ИИ-железа.