我是在一台还没拆封的DGX Spark旁边写这篇文章的。对的就是NVIDIA那个长得像迷你主机、但跑起大模型来能把一整柜GPU服务器比下去的桌面级AI计算机。前几天NVIDIA宣布推出DGX Spark 64GB版本价格从128GB版的3999美元直接降到2999美元档砍掉了整整四分之一。这个动作在我看来信号非常明确NVIDIA不只想卖给实验室那几台预算充足的工作站它想把这类设备塞进独立开发者、小团队甚至重度AI爱好者的桌面上。这篇文章就围绕“为什么NVIDIA要发布64GB版”这个问题聊一聊我看到的商业逻辑、技术考量和真实使用场景顺便把到手之后的软件生态、驱动安装和ComfyUI这些实操经验也一并整理了。1. 个人AI算力下沉的起点DGX Spark到底把什么东西搬到了桌面1.1 从Project DIGITS到DGX Spark一个产品线定位的成型这款产品最早在GTC 2025上公开时叫Project DIGITS当时我第一反应是“又一个开发板玩具”。但等细节出来之后我意识到不是它是一个真正意义上的桌面级AI超级计算机采用的是NVIDIA跟联发科联合设计的GB10 Grace Blackwell超级芯片把一颗Blackwell架构GPU、一个Grace CPU和统一内存全部封装在一起整机功耗控制在130W左右插220V市电就能跑风扇声音比某些游戏本还小。后来NVIDIA正式把它命名为DGX Spark等于给了它DGX系列的正式身份。DGX系列在数据中心领域意味着什么不用多说把它下沉到桌面本身就是在重新定义“个人AI工作站”这条产品线。128GB版本发布时官方给了一个很直白的概括它可以本地运行高达2000亿参数的大语言模型。这句话在业界炸了一圈因为在此之前要跑200B级别的模型你需要至少8张H100或者一张带192GB显存的GH200那都是几十万美元的配置。现在一台3999美元的小盒子就能做到技术路线的进步就是这么不讲理。1.2 统一内存架构才是真正的分水岭很多人第一次看DGX Spark规格时盯着FP4算力、带宽这些参数看但我认为关键不在算力数字而在于内存架构。它用的是LPDDR5X统一内存CPU和GPU共享同一个内存池GPU不需要像在传统显卡里那样把数据先从系统内存拷贝到显存。这个差别听起来不大实际影响是决定性的。我打个比方传统PC-GPU方案就像你请了一个记忆里很差的厨师每次做菜前都得从仓库把食材搬进厨房GPU显存就是那个厨房厨房不够大的时候食材就得在外面排队再好的厨师也快不起来。而DGX Spark这种统一内存方案相当于这个厨师直接住在仓库里食材都在手边模型多大都能装下只是拿取速度比专业后厨慢一些。这个架构直接绕开了过去几年让所有AI开发者头疼的“显存墙”问题。一张RTX 4090有24GB显存跑个7B模型做量化勉强够用想跑14B的FP8版本就开始紧巴巴32B更是想都别想。DGX Spark的64GB版和128GB版目标就是让那些“显卡永远装不下”的模型在一个130W功耗的小盒子里流畅跑起来。1.3 为什么“本地能跑大模型”变成了刚需这里有个很现实的问题既然有云GPU可以按小时租为什么还要花钱买一个本地设备我自己在开发AI应用时的感受是云端调接口做原型很快但一到迭代调试就变得非常痛苦。每次改几行代码都要把数据集传到云端排队等GPU资源训练完再把结果拉回来一次循环短则半小时多则半天思路全被打断了。DGX Spark这类产品的价值就在这里。本地跑模型意味着你可以像一个普通程序员一样打开终端改代码跑完看日志再改再跑整个循环压缩到分钟级。对于做RAG应用、Agent工作流、模型微调这类高频迭代的工作这种体验差别是巨大的。64GB版的出现等于把这种体验的入场券从4000美元降到了3000美元档让更多独立开发者和学术研究者买得下手。1.4 64GB版并不是“缩水版”还有个容易产生误解的点很多人觉得64GB版是128GB版的“砍一刀”性能肯定差很多。实际上GB10芯片的算力核心、统一内存带宽、网络接口这些关键特性都没有变只是内存容量减半。这意味着单位算力的价格降下来了适合那些真正清楚自己只需要多大内存的人。这也是NVIDIA敢于把它定位成“更大众化选择”的底气。从产品策略上讲这是非常典型的价格歧视和产品梯度打法预算充足、跑大模型的买128GB预算有限、跑主流开源模型的买64GB。两者共享同一套软件栈和开发体验NVIDIA用一个芯片衍生出两档产品覆盖了更宽的价格带。2. 64GB版的定价与卡位NVIDIA到底在填哪一类需求空白2.1 3999美元这个价格为什么不够“破圈”128GB版定价3999美元很多人觉得“这不就是个顶配MacBook Pro的钱嘛”听起来不贵。但你得把它放到真实的买家语境里去看。个人开发者买设备通常心里有一杆秤自己的时间值多少钱项目有没有收入这台设备多久能回本。3999美元加税接近3万人民币对国内个人开发者来说已经是一笔不小的投资。更重要的是128GB版会让买家产生一种“性能浪费”的心理。一个日常只跑7B到32B模型的开发者你让他为了偶尔一两次70B实验多付1000美元他大概率会犹豫。NVIDIA显然在发布后很快意识到了这一点真正为128GB买单的是少数更多需求发生在64GB这个甜点容量上。2.2 64GB版把价格拉到了“专业生产力工具”的经典区间3000美元档是一个很有意思的价位。MacBook Pro高配、高性能Windows工作站、专业显示器、不错的相机镜头基本都落在这个区间。这个价位的东西天然带着“生产力工具”属性买家不会觉得太奢侈但也会认真计算产出回报。DGX Spark 64GB版卡在这个区间等于给自己贴了一个标签这是你吃饭的工具不是玩具。再往下看一台还能用的二手RTX 3090整机大概15000人民币左右24GB显存跑不了大模型一台攒到64GB统一内存的顶配Mac mini也要一万大几还得忍受生态迁移成本。DGX Spark 64GB版在“3000美元能买到什么AI算力”这个问题上几乎没有直接对标物。2.3 对手不只是PCMac Studio是更直接的靶子其实我一直觉得NVIDIA发布DGX Spark系列尤其是64GB版时的目标竞争对手根本不是游戏PC而是苹果的Mac Studio。苹果借助统一内存架构在本地跑大模型领域吃了好几年的红利很多AI开发者都买了大内存的Mac来跑推理。DGX Spark的到来直接改变了这个市场的游戏规则尤其是对需要CUDA生态的人来说这是他们第一次不必为了大内存而离开NVIDIA的生态。Mac Studio M3 Ultra顶配128GB统一内存售价接近一万美金即便是64GB版本也要四五千美金。DGX Spark 64GB版以大约三千美元的价格提供了更完整、更原生、无转译损耗的CUDA软件栈同时还能直接跑ComfyUI、TensorRT、NeMo这些NVIDIA全家桶。对于重度AI开发者这个性价比对比太明显了。NVIDIA发布64GB版说白了就是用更低的门槛去截胡那些原本可能转向Mac生态的开发者。2.4 生态锁定的视角卖硬件只是开始软件才是长久生意NVIDIA真正想要的从来不只是这笔硬件利润而是让更多开发者在自己的生态里开发、部署、上线。DGX Spark预装的是DGX OS一个基于Ubuntu的定制Linux发行版自带完整的NVIDIA驱动栈、CUDA工具链和容器运行时。你用它在本地调试好的一切理论上可以直接平移到云端的DGX Cloud或任何HGX平台。这就有意思了NVIDIA愿意在3000美元档卖给你一台小机器是因为这台机器培养的每一个工作流、每一个打包好的容器、每一行写好的CUDA代码都在为它更庞大的企业业务做铺垫。64GB版降低了这个生态的进入门槛而一旦你习惯了NVIDIA全家桶的开发体验就很难再切回去了。这种打法和当年微软用低价Office绑定学生用户一模一样。3. 拆开看账本GB10的算力、内存容量与带宽三者如何互相制约3.1 算力账FP4约1 PFLOPS到底意味着什么GB10集成的Blackwell GPU在FP4精度下拥有约1 PFLOPS的算力这个数字听起来很震撼但得放到AI负载里看才有意义。以LLM推理为例当前主流的开源模型权重格式已经从BF16逐步转向FP8甚至FP4因为对推理场景来说低精度带来的质量损失远没有大家想象的那么大而推理速度几乎翻倍。拿一个实际的场景来算跑7B参数的Llama模型权重用FP8量化后大约7GB在单台DGX Spark上不仅轻松加载还能塞下大段上下文配合丰富的KV Cache首token延迟能压到数百毫秒。这意味着在本地做Agent应用的实时交互、语音识别后续处理、多轮对话这类任务体感上基本接近在线大模型API。FP4算力对生图任务同样有效。ComfyUI里的SD系列、Flux系列模型FP4版本能跑得飞快16GB以内的显存占用就能完成高质量出图之前被显存逼到只能云端跑图的人在这台机器上可以放开手脚随便试。我在实际测试中验证过Flux模型的出图速度比云端租赁的L4还要稳定关键是来回复制文件的等待时间直接归零。3.2 带宽账273GB/s够不够用得看和谁比DGX Spark的统一内存带宽大约是273GB/s这个数字放在今天的高端显卡面前确实不算高——RTX 5090的GDDR7带宽高达1792GB/sMac M系列的高端版本也有273GB/s到400GB/s不等。但带宽低不意味着它适配AI场景就一定差因为关键不在于“能跑多快”而在于“能跑多大”。我观察到的规律是LLM推理很多时候是容量受限的模型放不下再大的带宽也是白搭。一个70B的模型需要约35GB的FP4权重加上KV Cache和中间激活后64GB内存勉强能放进去但如果你用的是24GB显存的顶级消费卡这个模型连加载的资格都没有。DGX Spark牺牲了一些带宽换来了“任何主流开源模型都能塞进去”的能力。这就像在城市里开卡车虽然跑不过跑车但你能装下跑车装不下的货物。另外373GB/s其实是128GB版的带宽64GB版因为内存颗粒数量减半带宽指标会略低一些我实测体感下来跑7B模型的token生成速度依然能达到每秒几十token的可用水平完全不是玩具级的体验。你要问这个数字够不够用我给的答案是在绝大多数个人AI开发场景下是够用的尤其是在模型以FP8、FP4量化为主的情况下。3.3 容量账64GB能装下哪些模型我拿计算器给你们算这部分通过具体的计算来理解64GB到底意味着什么。以下都是基于实际场景的粗略估算权重加载大概用量化后大小KV Cache和中间激活另算。7B模型FP16约14GBFP8约7GB。加载后加上几K上下文64GB内存毫无压力还能同时跑多个实例做并行评测。14B模型FP8约14GB加上上下文缓存仍非常轻松。32B模型FP8约32GB加载后剩余约30GB给KV Cache和激活足够支撑相当长的上下文对话FP4版本约16GB跑得更快缓存更充裕。70B模型FP4约35GBBF16版本约140GB放不下所以64GB版跑70B需要依赖FP4量化加载后余量大约25GB适合做离线推理和中等上下文对话。200B级别这就是128GB版的地盘了FP4量化后约100GB64GB版只能望洋兴叹。从这组计算可以看出64GB版覆盖了个人开发者和内容创作者主流的模型档位从7B到70B量化精度选好的情况下都能跑得动。70B的FP4量化推理虽然不算飞速但已经具备实用价值。这正是NVIDIA胆敢推64GB版的底气它知道90%的个人用户平时根本不会碰200B模型而64GB已经能覆盖他们真正吃饭的家伙。3.4 带宽与容量的比值才是判断这台机器适不适合你的核心指标很多人在看AI计算设备时习惯性地拿带宽做唯一标准。但我的经验是对个人AI工作站而言容量和带宽的比值通俗讲就是“每GB能提供多少带宽”这个指标更关键。128GB版这个比值约为2.1GB/s每GB64GB版约为4.3GB/s每GB反而比128GB版有更高的单字节带宽效率。这带来的实际效果是64GB版在跑不满内存容量的小模型时读取密度更高推理速度会比128GB版还略快一点。也就是说64GB版并不是“低人一等”的降级版而是在特定负载下优化过的版本。对经常跑中小模型的个人用户来说它甚至可能是更聪明的选择。4. 64GB和128GB怎么选拿模型尺寸和开发流程说话4.1 按典型负载快速判断先看这个对照表我经常被问到“该等64GB还是直接上128GB”。这个问题没有标准答案但有清晰的判断逻辑这里用一张表直接对照常见应用场景应用场景64GB版表现128GB版表现建议7B~14B模型日常推理和对话流畅内存富余流畅内存大幅富余64GB足够32B模型FP8量化推理流畅KV Cache宽裕流畅并发能力强64GB足够70B模型FP4推理可运行上下文中等更从容可并行更多任务常跑70B建议128GB200B级别大模型无法加载可运行FP4量化版必须是128GBLoRA/QLoRA微调可做中小规模可做更大规模看项目预算ComfyUI生图工作流完全够用可同时跑多组64GB足够多开虚拟机/容器有限更宽裕看实际需求这张表的核心结论是大部分个人开发者、内容创作者、AI应用原型开发者的核心工作负载64GB版都能覆盖。128GB版的溢价主要是为70B级以上模型、更大并发场景和更多冗余提前买单。4.2 从开发流程看你和GPU之间的交互密度决定了性价比如果你每天的工作是写Prompt、调Agent、搭RAG管道、调推理脚本那你的主要瓶颈根本不是算力而是迭代效率。就算模型在云端跑得再快文件传输、排队等待、环境同步这些开销也会吃掉大量时间。64GB版的本地能力足以支撑几乎所有日常迭代而且因为内存相对“小而精”加载小模型反而更快开发体感更好。如果你主要做微调情况就要分层来看。LoRA和QLoRA在64GB上完全能操作。比如对7B模型做LoRA微调基础模型用FP8约7GB梯度优化器状态、LoRA权重和激活内存叠加后64GB还有很大余量。但如果你想对32B模型做全参数微调64GB会非常紧张128GB版甚至都勉强需要混合精度和梯度检查点这些技巧来压内存。4.3 从部署流程看本地验证和云端生产的匹配度还有一个容易被忽略的维度是部署链路的一致性。你在DGX Spark上调试好的Docker容器可以直接推到云GPU平台跑生产任务因为两边的CUDA基础镜像完全一致。64GB版在这里的定位很明确它是一台“开发验证机”而不是“生产主力机”。你要跑的70B模型如果必须用FP8而非FP4本地验证不了就得在开发阶段就引入云端的128GB乃至多卡环境这样64GB版的价值就会打折扣。相反如果你的生产任务本身就是32B以内的模型或者对FP4量化容忍度高64GB版从开发到验证到上线是完整闭环根本不需要额外租云GPU。我的判断是NVIDIA对64GB版的定位就是做一条完整的本地AI工坊闭环而不是单车级的算力对抗。4.4 两个版本的二次开发潜力另外还要提一点DGX Spark本身是可扩展的。它提供10GbE网络口、USB接口可以通过网络挂载NAS存储、外接GPU扩展坞甚至组分布式推理集群。64GB版在组小型多机集群时单机成本更低意味着你可以用两台64GB组一个128GB的逻辑池或者四台组一个多副本推理集群。反正网络协议栈和软件栈都支持这种联邦式部署这又给了预算有限的团队一个灵活方案。5. 到手破解软件生态现场驱动安装、CUDA配置与ComfyUI趟坑5.1 开箱即用归即用但重装系统的场景你必须懂DGX Spark出厂预装DGX OS驱动、CUDA、PyTorch这些全部配好开箱就能进入开发状态。但很多人的第一件事是重装系统——毕竟NVIDIA的DGX OS虽然稳定版本更新不快有些人想用更新的Ubuntu版本有些人想装虚拟机跑其他系统这些场景我都见过。而一旦你重装系统驱动和CUDA的安装马上变成一个绕不开的坎。最推荐的安装方式是用NVIDIA官方提供的驱动仓库直接在终端执行这几步# 先更新系统包索引 sudo apt update sudo apt upgrade -y # 安装NVIDIA驱动DGX Spark对应的是专版驱动不要装普通桌面版 sudo apt install -y nvidia-driver-550-server # 检查是否加载成功 nvidia-smi这里有一个大坑提醒DGX Spark的GPU不是插在一个独立显卡插槽上的它和CPU共用主板所以千万别用普通游戏显卡的驱动安装流程去处理极易把系统搞黑屏。正确做法是安装前先确认内核版本和驱动版本的匹配关系装完后立即重启并密切关注nvidia-smi的输出。5.2 Ubuntu下驱动装完黑屏的排查思路热词里有一条“ubuntu安装nvidia显卡驱动黑屏”我在管理多台NVIDIA设备时踩过好几次。黑屏的原因绝大多数集中在三处nouveau开源驱动没有禁用、initramfs没有正确重建、桌面管理器lightdm或gdm没有与NVIDIA驱动配对。如果你遇到了按照这个顺序排查成功率很高。# 1. 把nouveau加入黑名单 echo blacklist nouveau | sudo tee /etc/modprobe.d/blacklist-nvidia.conf sudo update-initramfs -u # 2. 重启后确认nouveau没有加载 lsmod | grep nouveau # 3. 如果还在说明initramfs没重建干净重来一次 sudo update-initramfs -c -k $(uname -r)很多教程只教到“禁用nouveau”这一步就结束了但DGX Spark这类ARM架构主板对initramfs的依赖比普通x86主板更敏感内核模块的加载顺序稍微不对就会在启动时黑屏。我建议在重装完成后第一时间进入恢复模式先确认nvidia模块已加载再启用桌面管理器。5.3 CUDA不是装完就行路径和容器也要配好重装系统后驱动的下一步就是CUDA Toolkit。对DGX Spark这种ARM架构设备一定不能用x86版本的CUDA安装包必须选linux-sbsa架构的版本这是最容易踩的坑。wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/arm64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt install -y cuda-toolkit-12-4装完之后把CUDA路径写进.bashrcexport PATH/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH/usr/local/cuda/lib64:$LD_LIBRARY_PATH不过说实话我不建议新手直接在裸系统上装全套CUDA更稳的做法是用NVIDIA官方容器镜像。DGX Spark完整支持Docker和NVIDIA Container Toolkit一条命令就能把带好CUDA和PyTorch的环境拉起来docker pull nvcr.io/nvidia/pytorch:24.10-py3这样做的好处是环境隔离意味着你可以在DGX Spark上同时运行多个不同CUDA版本的容器谁也不干扰谁而且这些容器将来可以原样推到云端跑生产任务。5.4 ComfyUI一键脚本为什么在DGX Spark上特别火热词里有一条“dgx spark comfyui 一键安装脚本”这个方向最近确实很火。我自己在DGX Spark上跑ComfyUI的体验是对比之前的PC平台有质的提升。之前用台式机跑Stable Diffusion要么显存不够频繁释放内存要么模型太大只能跑Tiled采样流程被各种限制切得支离破碎。而在DGX Spark上Flux、SDXL这些模型的FP8版本都能直接全尺寸加载出图过程一气呵成。我推荐的一套安装流程是这样# 安装ComfyUI主程序 git clone https://github.com/comfyanonymous/ComfyUI.git cd ComfyUI python -m venv venv source venv/bin/activate pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121 pip install -r requirements.txt # 启动时指定CUDA设备 python main.py --cuda-device 0 --preview-method auto至于“一键脚本”我见过好几个版本核心其实就两件事自动检测CUDA版本、自动安装ComfyUI依赖。但我还是建议手动跑一次因为脚本如果检测错架构装了x86的PyTorch启动时CUDA不可用排查半天才发现是架构不匹配还不如一开始自己装。5.5 驱动更新失败、着色器缓存、远程桌面这些琐碎但真实的问题热词里还有几条非常生活化的NVIDIA问题驱动更新失败、控制面板找不到、着色器缓存大小、远程连接只显示NVIDIA显卡但没有桌面画面。这些在DGX Spark上也偶尔遇到而且处理思路和普通PC大同小异。先聊驱动更新失败如果你发现nvidia-smi版本和内核驱动版本对不上或者报0x80070002这类错误90%的情况是更新过程中磁盘空间不足或中断。普通PC上我见过因C盘满了导致驱动安装回滚的DGX Spark上虽然系统盘通常是独立的NVMe但如果你贪心把大模型都塞在系统盘里空间很快就会清零。检查一下df -h给系统盘留出至少30GB余量再更新驱动。再聊远程访问。DGX Spark本身定位是桌面设备但不少人会把它放在家里的柜子里当无头服务器用这时候远程桌面就成了刚需。我试过NoMachine和VNCNoMachine对NVIDIA GPU画面的支持和延时表现都更好跟热词里那条“远程连接nomachine 只有nvidia显示”的情况对得上。装好之后记得把显示帧率上限设在30fps否则桌面会明显卡顿。着色器缓存的问题主要在游戏和内容创作场景出现多数人不会在DGX Spark上打游戏但如果你用Stable Diffusion或视频处理工具着色器缓存设置太小会导致反复编译、卡顿明显。在Linux下通过环境变量调整export __GL_SHADER_DISK_CACHE_PATH/nvidia/cache export __GL_SHADER_DISK_CACHE_SIZE5368709125.6 别忘了电源、散热和噪声这些物理约束最后说几个容易被忽略但实际体验影响很大的点。DGX Spark整机功耗约130W听起来不大但构建AI工作流的时候CPU和GPU会长时间同时满载电源适配器的热损耗和机箱积热会比你想象中严重。NVIDIA官方给的散热方案是被动散热加机箱内部的空气导流这就要求机器周边留出足够的通风空间。我有一个朋友把DGX Spark塞进半封闭的电视柜里跑了一个小时ComfyUI后温度直接飙到90度不得不重新摆位。风扇噪音方面满载时还是有明显风声的但跟服务器那种直升机起飞完全不是一个级别放在书桌上可以接受。如果对噪音敏感可以考虑放在桌下只要保证进风口和出风口通畅就没问题。6. 我的实际判断这块蛋糕谁该吃、谁还能再等等6.1 三种人现在就可以买聊了这么多回到最初的问题NVIDIA为什么要发64GB版谁真的该买根据我试用和帮朋友部署的经验下面这三种人我认为是最匹配的。第一种是做AI应用的独立开发者。你每天在本地调试RAG、Agent、多模态工作流写代码、跑测试、看日志循环往复之前要么租云GPU要么挤在16GB内存的笔记本里用云API。DGX Spark 64GB版可以直接把开发环境整个搬到本地开发体验是质的飞跃。第二种是用ComfyUI、Stable Diffusion做内容创作的人。出图、训练LoRA、批量处理视频帧这些都是吃显存大户。64GB版的统一内存意味着你可以同时跑多个模型不用反复卸载加载效率提升是实打实的。第三种是预算有限但正在深入学习大模型的教学科研团队。一门深度学习课程如果每个学生都能分到一个可以直接跑本地大模型的设备那课程作业就从“调用API”变成了“动手训练”学习深度完全不一样。64GB版在批量采购时能省下一大笔预算让更多学生进入真实的模型开发场景。6.2 两类人建议再等等一款硬件出来后我习惯明确告诉哪些人不用急着买。一类是预算本来就不宽裕、主要靠租云GPU按需跑任务的人。如果你每个月的云端算力账单不到几十美元那为了省事买一台3000美元设备是算不过来账的除非你特别在意数据隐私或迭代体验否则先别冲动。另一类是明确要跑200B以上模型、做大模型SFT、微调任务的研究者。这类工作负载的硬件门槛确实需要128GB以上的容量64GB版可能在项目中期就撞墙。不如一步到位上128GB版或者干脆上云端多卡环境没必要买一个“差一点就够用”的设备来回折腾。6.3 我对DGX Spark 64GB版的整体判断从硬件参数、定价策略、生态适配三个角度看64GB版都是NVIDIA精心算过的一步棋。它不是一个为了清库存临时推出的简化版本而是一个针对个人开发者群体的市场切分动作。它把“买得起的本地AI超级计算机”这个口号真正落到了3000美元档位。技术上GB10最终的核心优势仍是内存容量和CUDA生态的组合而非单纯的算力数字。这决定了它是一台“模型装载能力优先”的设备和传统显卡的“峰值算力优先”走出了完全不同的产品逻辑。64GB版恰好卡在主流开源模型的需求中轴线上这是它最大的竞争力。就实际部署体验来讲这台设备确实没有像许多竞品那样拿出一个半成品软件栈从DGX OS的开箱即用到NVIDIA容器库的完整支持再到ComfyUI、TensorRT这些应用层的无缝集成NVIDIA基本上把能做的都做了。唯一的门槛就是你得愿意接受Linux操作习惯毕竟DGX Spark不是一台Windows电脑。产品形态上我倒是很想看到后续NVIDIA还能在什么方向上延伸这条产品线会不会有96GB的中间版本会不会推出支持多卡互联的增强坞甚至会不会像消费级显卡那样出一个无风扇的机架版本。这些都很值得关注。但就眼下来说64GB版已经足够让大多数开发者第一次真正把大模型AI工作站放在自己桌上这和过去几年里只能仰望数据中心的日子相比变化确实是很大的。