În august 2016, Jensen Huang a pus într-o cutie primul NVIDIA DGX-1 și l-a livrat personal la sediul OpenAI din San Francisco. Sistemul costa 129.000 de dolari și, după cum avea să povestească mai târziu șeful NVIDIA, aproape nimeni nu era interesat de el. Singurul care i-a văzut potențialul a fost Elon Musk, pe atunci unul dintre fondatorii OpenAI. Poate nu întâmplător, nouă ani mai târziu, în octombrie 2025, Huang a mers la Starbase, baza SpaceX din Texas, pentru a-i înmâna lui Musk primul DGX Spark. “Imaginează-ți cum livrezi cel mai mic supercomputer lângă cea mai mare rachetă”, glumea șeful NVIDIA.
În ultimul deceniu, inteligența artificială a trecut de la un domeniu de nișă, în care activau câteva echipe de cercetare și entuziaști, la o tehnologie folosită, fie că vor, fie că nu, de sute de milioane de oameni. Hardware-ul necesar pentru AI a evoluat și el într-un ritm spectaculos. DGX-1 era un server de peste 60 de kilograme, destinat laboratoarelor de cercetare. DGX Spark cântărește doar 1,2 kg, ocupă spațiu pe birou cam cât o Biblie și promite până la 1 petaFLOP de putere de calcul pentru AI. Cel puțin pe hârtie, pare imposibil să compari cele două sisteme. Și totuși, NVIDIA le consideră membre ale aceleiași familii. Diferența este că DGX Spark încearcă să aducă o parte din puterea de calcul rezervată până nu demult centrelor de date pe biroul unui dezvoltator, cercetător sau pasionat de AI.
Am vrut să aflu dacă acest “supercomputer personal”, cum îi spune NVIDIA, are sens și în afara laboratoarelor de cercetare și, mai ales, pentru cine se justifică prețul de peste 50.000 de lei la care este vândut în România, așa că l-am testat.
Un PC construit ca un telefon
Când ne gândim la un PC, ne vin în minte componente separate: procesorul, placa de bază și placa video. DGX Spark cere o altă perspectivă. Arhitectura sa seamănă mai degrabă cu cea a unui telefon decât cu cea a unui calculator tradițional. Sistemul este construit în jurul unui SoC (System-on-a-Chip) numit NVIDIA GB10 Grace Blackwell, care integrează un procesor cu 20 de nuclee, un GPU NVIDIA Blackwell și până la 128 GB de memorie unificată LPDDR5x, cu o interfață pe 256 de biți.
Procesorul are zece nuclee de performanță care pot atinge frecvențe de până la 4 GHz și alte zece nuclee eficiente energetic, cu frecvențe care urcă până la 2,8 GHz. Pentru că toate aceste componente folosesc aceeași memorie, datele circulă mai rapid între procesor și GPU, ceea ce îmbunătățește atât eficiența energetică, cât și performanța, comparativ cu un PC clasic în care memoria RAM și memoria plăcii video sunt separate.
Toată această forță hardware oferă o putere de procesare de până la 1 petaFLOP în format FP4. Ce înseamnă asta? Că, teoretic, cipul NVIDIA GB10 Grace Blackwell poate executa un biliard de calcule pe secundă, în formatul FP4, cu optimizări care sar peste o parte din calculele inutile. Dacă te întrebi ce Dumnezeu înseamnă un biliard, ei bine, este un milion de miliarde. Mind-boggling, cum spun englezii!
Pe lângă acest cip, DGX Spark vine cu 4 TB de stocare rapidă, conectivitate Ethernet la 10 Gbps, Wi-Fi 7 și Bluetooth 5.4. Pe spate se găsesc patru porturi USB Type-C, un port HDMI 2.1a și două porturi de rețea QSFP dreptunghiulare. Acestea din urmă sunt gestionate de o placă de rețea NVIDIA ConnectX‑7 de 200 Gbps, pentru un motiv foarte simplu: să îți permită să conectezi mai multe sisteme DGX Spark între ele și să le faci să lucreze împreună la modele AI mai mari decât ar putea gestiona un singur sistem.
Este o dotare impresionantă pentru un PC atât de mic, dar există și câteva absențe: nu ai niciun port DisplayPort și nici măcar un port USB‑A. Înțeleg de ce NVIDIA a ales să meargă exclusiv pe USB‑C, însă unii utilizatori vor ajunge să caute adaptoare pentru periferice mai vechi sau pentru anumite monitoare.
Alimentarea se face prin USB-C, cu un adaptor de 240 W care arată ca încărcătorul unui laptop. Este semnificativ mai puternic decât cele de 140 W întâlnite pe laptopurile RTX Spark. Totuși, această putere poate induce puțin în eroare. 140 W sunt rezervați SoC‑ului din DGX Spark, în timp ce restul de 100 W sunt destinați plăcii de rețea ConnectX‑7 și dispozitivelor pe care le conectezi la sistem. Cu alte cuvinte, DGX Spark are o sursă de alimentare generoasă nu doar pentru puterea de calcul, ci și pentru infrastructura de comunicație necesară atunci când îl integrezi într-un cluster format din mai multe unități.
Mă fascinează cum toată puterea de calcul oferită de NVIDIA GB10 Grace Blackwell vine într-un corp surprinzător de mic. Sistemul cântărește doar 1,2 kg (un laptop RTX Spark are 1,8 kg) și măsoară 150 x 150 x 50,5 mm. Are un finisaj auriu și panouri metalice perforate pe partea frontală și cea din spate, care ajută la răcirea sistemului. Mânerele amplasate în partea frontală ascund prizele de aer, în timp ce restul carcasei are un design foarte curat, fără elemente care să atragă atenția. Pe partea inferioară se află o admisie suplimentară de aer și un capac din cauciuc, care are rolul și de picior de susținere în poziție orizontală. Acesta ascunde antenele pentru conectivitatea wireless și oferă acces la SSD.
Pentru cei care nu sunt atrași de aspectul versiunii create de NVIDIA, platforma DGX Spark e disponibilă și la producători precum Acer, ASUS, Dell, Gigabyte, HP, Lenovo și MSI. Toți producătorii au implementări similare, în culori mai discrete, cu diferențe minore la capitole precum alimentare, răcire, stocare sau design exterior.
Experiența de utilizare
Sistemul de operare preinstalat este DGX OS, o distribuție Linux bazată pe Ubuntu. La prima pornire e necesar să creezi un cont de administrator, să configurezi conexiunea la rețea și să instalezi actualizările disponibile. Acestea sunt numeroase și au dimensiuni considerabile, așa că procesul inițial necesită mai multă răbdare decât în cazul unui PC cu Windows 11. Aproape totul durează mai mult în primele ore de utilizare. La asta contribuie și dimensiunea modelelor și instrumentelor AI. Multe dintre ele ocupă zeci de gigabytes și ar fi bine să ai o conexiune la internet foarte rapidă. Asta dacă nu vrei să îmbătrânești lângă DGX Spark până descarci fișierele necesare.
Atunci când te loghezi prima oară, se încarcă browserul Firefox cu o pagină web care îți explică ce poți face cu DGX Spark. Documentația oferită de NVIDIA este utilă, însă experiența de instalare a modelelor și uneltelor AI nu este la fel de accesibilă ca pe sistemele RTX Spark cu Windows 11. Aici se vede foarte clar cui îi este destinat DGX Spark. Dacă nu ești programator, data scientist sau măcar o persoană familiarizată cu Linux și utilizarea terminalului, atunci un RTX Spark este o alegere mai potrivită. Pentru a profita de DGX Spark trebuie să citești documentația, să urmezi ghidurile puse la dispoziție de NVIDIA și să ai răbdare. În caz contrar, te vei lovi de probleme pe care nu vei ști să le diagnostichezi.
În timp ce m-am familiarizat cu sistemul și am instalat primele modele AI, am urmărit dashboard-ul de monitorizare oferit de NVIDIA. Atunci când nu rulează sarcini AI și este folosit doar pentru navigarea prin interfață, DGX Spark solicită doar un nucleu al procesorului, în timp ce restul rămân inactive. În acest scenariu, consumul de energie este de aproximativ 4 W și temperatura sistemului se menține în jurul valorii de 35 °C.
Lucrurile se schimbă atunci când începi să rulezi modele AI. În testele mele, temperatura a urcat până la 68 °C, iar consumul de energie a depășit rareori 45 W. Carcasa devine foarte fierbinte în colțul din dreapta-spate, dar sistemul de răcire rămâne surprinzător de silențios chiar și în sarcini solicitante.
Un aspect care m-a surprins este faptul că dashboard-urile NVIDIA monitorizează în detaliu procesorul, GPU-ul și memoria, dar nu oferă informații despre gradul de ocupare al spațiului de stocare. Mi se pare o omisiune ciudată, mai ales pentru un sistem destinat rulării și dezvoltării modelelor AI. Acestea pot ocupa rapid sute de gigabytes, iar proiectele complexe ajung să consume spațiu într-un ritm neașteptat. Chiar și cei 4 TB pot începe să pară insuficienți mai repede decât ai crede, mai ales dacă lucrezi cu acest sistem în proiecte care implică date cartografice, imagistică medicală sau înregistrări video.
Ce experimente AI am făcut pe DGX Spark?
Sunt departe de a fi un expert în utilizarea modelelor AI locale pentru sarcini complexe. Cu toate astea, am instalat mai multe modele și instrumente AI, apoi am rulat și un benchmark. Pentru a obține o perspectivă mai obiectivă, am apelat și la ajutorul unui programator din comunitatea ZONA. Prefer să-i păstrez anonimatul, însă merită menționat că a petrecut o zi în redacția noastră, unde a testat DGX Spark, a explorat diferite scenarii de utilizare și mi-a arătat ce poate. La final, am discutat despre experiența de utilizare și am notat impresiile sale legate de performanță, puncte forte și limitări, ca să le pot împărtăși cu voi.
Mai întâi am instalat modelul Qwen3.8 27B, în varianta NVFP4, din aplicația NVIDIA Sync, pe care am folosit-o de pe PC-ul meu de lucru cu Windows 11. NVFP4 este formatul pe 4 biți creat de NVIDIA pentru arhitectura Blackwell: reduce memoria ocupată de model, cu pierderi minime de acuratețe, potrivit NVIDIA. Instalarea a cerut doar câteva clicuri și NVIDIA Sync a descărcat modelul și l-a pornit într-un container. Descărcarea și pornirea au luat în schimb zeci de minute. După aceea, am putut lucra cu modelul atât local, direct pe DGX Spark, cât și de la distanță, prin NVIDIA Sync și Terminal sau interfața OpenCode.
Am instalat și Bionic, aplicația de tip agent AI de la LM Studio, ca să pot discuta cu Qwen și dintr-o interfață de chat, similară cu cele din Claude și ChatGPT. Din Bionic ai acces la o colecție de modele open source de pe Hugging Face, de la producători precum Google, Meta, DeepSeek sau NVIDIA, și îți gestionezi ușor modelele instalate. Tot de aici conectezi servicii precum GitHub, Notion, Linear, Atlassian (Jira și Confluence) sau Sentry. Alte unelte se adaugă manual, prin servere MCP, același standard de integrare folosit de Claude și ChatGPT.
Pe parcursul testelor am instalat și ComfyUI. La un moment dat a refuzat să mai pornească și returna eroarea “CUDA_ERROR_OUT_OF_MEMORY”. În loc să caut cauza problemei, am decis să văd ce poate face Qwen. Am deschis un chat cu el în Bionic și l-am rugat să pornească ComfyUI, fără să-i ofer niciun fel de context.
După câteva verificări, a ajuns și el la aceeași eroare. Ce a urmat a fost interesant de urmărit. A început să caute singur cauza problemei, să verifice procesele active și să elimine diverse ipoteze. Apoi a descoperit un proces care ocupa aproximativ 91 GB de RAM. În loc să-l închidă imediat, a încercat mai întâi să afle ce face și dacă este sigur să îl oprească. Abia după aceea l-a închis pentru a elibera memoria și a reluat cererea inițială. Câteva minute mai târziu, ComfyUI era deschis și gata de utilizare. Recunosc că m-a impresionat. Qwen a investigat, a identificat cauza și a ales o soluție rezonabilă, fără să-i spun ce trebuie să facă.
Și pentru că tot am adus vorba de ComfyUI, această interfață îți oferă acces la o mulțime de workflow-uri pentru generarea de imagini, muzică, videoclipuri și modele 3D. M-am jucat puțin și am ajuns inclusiv să creez un filmuleț în care Dan Cadar se bate cu niște roboți. Nu e cel mai productiv mod de a folosi un DGX Spark, dar este unul dintre cele mai distractive.
Problema este că experiența pe care am avut-o nu are nimic din simplitatea cu care ne-au obișnuit serviciile AI din cloud. Fiecare workflow vine la pachet cu propriile modele care trebuie descărcate. Din păcate, butonul “Download All” nu descarcă întotdeauna tot ce ai nevoie, așa că am ajuns să descarc modelele unul câte unul și să le mut manual în folderele potrivite, pentru că interfața nu face asta în locul tău. Abia după aceea poți începe să experimentezi.
Impresia cu care am rămas este că nimic nu se întâmplă la fel de repede ca în cazul modelelor de la Anthropic sau OpenAI. Rulezi totul local, ai mai mult control asupra datelor și asupra modelelor folosite, dar plătești pentru asta cu timp, răbdare și uneori chiar frustrare. În plus, multe dintre modelele locale sunt mai limitate decât cele mai avansate servicii disponibile în cloud.
La finalul zilei, programatorul care ne-a ajutat cu testele a tras o concluzie cu care tind să fiu de acord. Nu ar folosi agenții locali de pe DGX Spark ca înlocuitori pentru Claude Code, ci ca instrumente complementare. Sunt o opțiune bună pentru a lucra în paralel cu serviciile din cloud. Agenții locali pot prelua sarcini de programare bine definite sau review-uri punctuale pe câte un fișier. În astfel de scenarii au sens. Ca înlocuitori direcți pentru cele mai bune modele disponibile astăzi, încă nu.
Pentru ultima rundă de teste, am decis să rulez și un benchmark. M-am documentat puțin și am rulat modelul gpt-oss:20b în Ollama cu trei sarcini diferite: generarea unui articol lung, rezumatul unui text de circa 1.600 de tokeni și generarea unui script în Python. La generarea răspunsurilor, DGX Spark a scos între 59,95 și 61,93 tokeni pe secundă, cu o medie de 61,25. Rezultatele sunt aproape identice indiferent de sarcină, ceea ce arată o performanță stabilă. Un model de 20 de miliarde de parametri rulează pe DGX Spark suficient de repede pentru utilizarea zilnică.
| gpt-oss:20b în Ollama | Tokeni procesați (prompt) | Viteză procesare prompt (tokeni/s) | Tokeni generați | Viteză generare (tokeni/s) | Durată totală (s) |
| Articol de 600 de cuvinte | 49 | 606,90 | 1.166 | 61,93 | 18,92 |
| Rezumat text lung | 1.595 | 4.855,18 | 353 | 61,88 | 6,08 |
| Script Python | 1.113 | 4.652,99 | 1.422 | 59,95 | 23,99 |
Conectarea de la distanță
Mai devreme am menționat aplicația NVIDIA Sync și poate te întrebi ce este. Aceasta este disponibilă pentru Windows 11, macOS și Ubuntu 24.04 sau mai nou și poate fi folosită doar după ce ai configurat DGX Spark. Cu ajutorul ei, poți monitoriza sistemul de la distanță. Îți permite să instalezi aplicații din ecosistemul construit de NVIDIA, să adăugi alte unități Spark într-un cluster și să gestionezi modelele AI, inclusiv din Terminal.
NVIDIA oferă acces și la JupyterLab, unul dintre cele mai populare medii de dezvoltare web pentru proiecte de AI, machine learning și analiză de date. Ai la dispoziție o interfață profesională în care poți scrie și testa cod, vizualiza date și gestiona fluxuri complexe de lucru care folosesc direct puterea de calcul a lui DGX Spark. Interfața modulară a JupyterLab permite organizarea ferestrelor și uneltelor exact după preferințe, iar suportul pentru extensii face posibilă adăugarea de funcționalități suplimentare pe măsură ce proiectele devin mai complexe. Pentru dezvoltatori și cercetători, acesta este unul dintre cele mai importante instrumente disponibile, care transformă DGX Spark într-un mediu complet de dezvoltare și experimentare.
Merită știut că NVIDIA Sync funcționează doar dacă te afli în aceeași rețea cu DGX Spark. Totuși, poți activa integrarea cu Tailscale, care-ți permite să stabilești o conexiune VPN și să accesezi sistemul de oriunde există o conexiune la internet. Tailscale oferă un plan gratuit pentru uz personal, însă acesta vine cu destul de multe limitări. Pentru utilizare mai intensă, este necesar un abonament, ale cărui prețuri pornesc de la 8 dolari pe lună. Există și planuri Enterprise, pentru care prețurile se stabilesc prin negociere. La prețul unui DGX Spark, accesul la distanță nu este doar o facilitate “nice-to-have”, ci o necesitate. Asta pentru că DGX Spark este genul de sistem pe care vrei să îl poți controla de oriunde, astfel încât să ruleze permanent sarcini utile. Sam Altman spunea recent că e “destul de teribil” ca memoria DRAM din calculatoarele oamenilor să fie folosită doar 5% din timp. Ironia e că DGX Spark este exact tipul de sistem la care se referea, așa că ai grijă să nu stea degeaba. 🙂
Cât de mari pot fi modelele AI în funcție de configurația hardware a DGX Spark
Este foarte important să alegi configurația hardware potrivită pentru modelele AI pe care vrei să le rulezi. Varianta de bază a DGX Spark, echipată cu 64 GB de memorie unificată, poate rula modele cu până la 100 de miliarde de parametri. Pentru modele de aproximativ 200 de miliarde de parametri, ai nevoie fie de o versiune cu 128 GB de memorie, fie de două sisteme cu 64 GB conectate în cluster.
Dacă țintești modele și mai mari, de 400 de miliarde de parametri, sunt necesare două unități cu 128 GB de memorie. La limita superioară, pentru modele de până la 700 de miliarde de parametri, e necesar să folosești un cluster format din patru sisteme DGX Spark. Dar cine își permite să dea peste 200.000 de lei și ce va face cu un astfel de cluster?
DGX Spark este exclusiv pentru “bogați”
NVIDIA DGX Spark este unul dintre cele mai scumpe și mai nișate produse pe care le-am testat vreodată. Prețul oficial afișat de NVIDIA este de 6.950 de dolari, însă pe piața din România costul mult mai ridicat de atât. La momentul redactării acestui review, sistemul era listat la aproximativ 50.000 de lei la PC Garage și la peste 53.000 de lei la evoMAG. Există însă și variante dezvoltate de partenerii NVIDIA, care pot coborî prețul de intrare spre 38.000 de lei. Totuși, aceste modele vin de regulă cu mai puțină memorie și mai puțin spațiu de stocare. Dacă îți dorești o configurație comparabilă cu cea testată în acest review, cu 128 GB de memorie unificată și 4 TB de stocare, pregătește-te pentru un buget care depășește pragul de 50.000 de lei. La banii ăștia, îmi este greu să cred că cineva își cumpără un DGX Spark ca persoană fizică, pentru proiecte la nivel de hobby. Ceea ce mă duce la următoarea întrebare:
Pentru ce și pentru cine este DGX Spark?
DGX Spark nu e gândit ca un mini PC pentru munca de birou și nici pentru editare video, 3D sau animație. Nu e nici un mini PC de gaming. Este exclusiv o unealtă de lucru pentru cei care dezvoltă și rulează modele AI local. Dacă asta nu face parte din munca ta de zi cu zi și nu generezi valoare adăugată prin utilizarea sa, atunci nu ar trebui să ți-l cumperi.
Publicul țintă e format din dezvoltatori de soluții AI, cercetători și data scientists care lucrează în proiecte unde au nevoie de putere de calcul optimizată pentru modele AI. Totul fără să depindă de cloud sau de un abonament costisitor la modelele frontier dezvoltate de companii precum Anthropic, OpenAI, Google sau Microsoft. Pe această listă mai intră și firmele sau instituțiile care lucrează cu date ce nu au voie să părăsească clădirea: domenii reglementate precum sănătatea sau finanțele, apărarea ori companiile care vor să își protejeze proprietatea intelectuală. Ca să fiu mai concret, cu DGX Spark poți face următoarele:
- Agenți AI autonomi pe care îi creezi, îi testezi și îi rulezi local.
- Dezvoltare de modele și aplicații AI, plus testarea lor înainte de lansare.
- Fine-tuning pentru modele preantrenate cu datele tale (fără a le trimite în cloud), de până la 70 de miliarde de parametri.
- Inferență: testezi, validezi și rulezi modele AI de până la 200 de miliarde de parametri, direct pe dispozitiv. Numărul poate fi crescut la 400 sau 700 de miliarde de parametri, dacă ești dispus să conectezi mai multe unități într-un cluster.
- Data science: proiecte mari de analiză a datelor, integrate cu unelte AI.
- Aplicații edge, care procesează datele direct pe dispozitiv, fără să le trimită în cloud, cu framework-urile AI de la NVIDIA, printre care Isaac, Metropolis și Holoscan.
Gândește-te la DGX Spark ca la un laborator AI în miniatură. Vine cu sistemul DGX OS și cu tot software-ul AI de la NVIDIA, așa că treci direct la lucru, fără timp pierdut cu drivere, biblioteci și versiuni incompatibile. Pentru o firmă, o instituție sau o universitate care vrea să afle ce poate face AI-ul, fără să angajeze pe cineva doar pentru procesul de configurare, este un punct de plecare foarte bun. Asta dacă te descurci cu terminalul. Dacă nu te descurci și ai nevoie de o interfață grafică, atunci e mai bine să alegi un laptop RTX Spark, cu Windows 11, precum cel testat de colegul meu Alex.
Bine, bine, dar care-i concluzia?
În 2016, aproape nimeni nu voia un DGX-1. Zece ani mai târziu, NVIDIA a pus o putere de calcul comparabilă, cel puțin pe hârtie, într-o cutie de 1,2 kg, care încape pe orice birou. DGX Spark rulează modele pe care nicio placă video din segmentul consumer nu le poate încărca. Consumă puțin și rămâne silențios chiar și sub sarcină. În schimb, îți cere un buget al naibii de generos, timp, răbdare și familiaritate cu terminalul din Linux. Pentru o firmă, un laborator sau o universitate care vrea să lucreze cu AI fără să-și trimită datele în afara clădirii, DGX Spark e o investiție care poate fi justificată și care poate aduce valoare adăugată. Pentru toți ceilalți, e un supercomputer personal fascinant, dar greu, dacă nu chiar imposibil, de amortizat.
Autor
