Персональные суперкомпьютеры NVIDIA DGX Station и DGX Spark: серверная мощь на рабочем столе

Что произошло на Computex 2025

19 мая 2025 года компания NVIDIA на выставке Computex 2025 анонсировала два принципиально новых продукта — настольные суперкомпьютеры DGX Station и DGX Spark. Обе платформы созданы в партнёрстве с ведущими производителями: ASUS, Dell, HP, Acer, Gigabyte, MSI, Lenovo, Supermicro, Boxx и Lambda.

Главный посыл NVIDIA прост: дать ИИ-исследователям и разработчикам вычислительные ресурсы уровня дата-центра в корпусе, который помещается на рабочем столе. Команда СервакМастер изучила технические характеристики обеих систем и готова рассказать, чем они отличаются и какие задачи решают.

NVIDIA DGX Station: флагман с суперчипом GB300

DGX Station — старшая модель линейки, построенная на суперчипе NVIDIA GB300. Этот чип объединяет два кристалла на одном субстрате:

  • GPU на архитектуре Blackwell B300 с тензорными ядрами пятого поколения;
  • CPU ARM Grace — 72-ядерный процессор на микроархитектуре Neoverse V2.

Оба компонента связаны высокоскоростным интерконнектом NVLink-C2C, который практически устраняет задержки при обращении CPU к видеопамяти — это критично при инференсе крупных моделей.

Технические характеристики NVIDIA DGX Station

Параметр Значение
Суперчип NVIDIA GB300
Пиковая производительность 20 PFLOPS
Видеопамять 288 ГБ HBM3e
Оперативная память 496 ГБ LPDDR5x
Суммарный объём памяти 784 ГБ
Пропускная способность памяти 800 ГБ/с
Сетевой контроллер ConnectX-8 SuperNIC
Поддерживаемый размер модели до 1 триллиона параметров

784 ГБ совокупной адресуемой памяти — это ключевая цифра. Именно она определяет, какой размер модели можно загрузить целиком без квантизации и без разбивки на части. Для сравнения: большинство профессиональных серверных GPU имеют 80–96 ГБ видеопамяти, и только объединение нескольких таких ускорителей даёт сопоставимый адресный пространство.

Дополнительно платформа поддерживает технологию NVIDIA Multi-Instance GPU (MIG): единственный GPU можно логически разделить на несколько независимых секций, что позволяет одновременно обслуживать несколько пользователей или задач. Это особенно востребовано в небольших командах, где DGX Station выступает общим вычислительным узлом.

NVIDIA DGX Spark: компактный суперкомпьютер на суперчипе GB10

DGX Spark — младшая модель, нацеленная на тех, кому нужен максимум производительности в форм-факторе мини-ПК. Платформа основана на суперчипе NVIDIA GB10 Grace Blackwell, размещённом на плате производства MediaTek.

Суперчип GB10 включает:

  • GPU Blackwell с 6144 ядрами CUDA, тензорными ядрами пятого поколения и RT-ядрами;
  • CPU ARM Grace на 20 вычислительных ядрах.

Связь между процессорами — через тот же интерфейс NVLink-C2C.

Технические характеристики NVIDIA DGX Spark

Параметр Значение
Суперчип NVIDIA GB10 Grace Blackwell
Пиковая производительность 1 PFLOPS
Оперативная память 128 ГБ LPDDR5x
Поддерживаемый размер модели (одиночный узел) до 200 миллиардов параметров
Поддерживаемый размер модели (кластер) до 405 миллиардов параметров
Масштабирование коммутатор ConnectX-8 SuperNIC

Один узел DGX Spark способен запускать модели до 200B параметров — этого достаточно для подавляющего большинства открытых LLM, включая Llama 3 и аналоги. Несколько устройств, объединённых через коммутатор ConnectX-8 SuperNIC, образуют кластер с поддержкой моделей до 405B параметров.

Производители и ожидаемые цены

NVIDIA планирует продавать платформы как напрямую, так и через сеть партнёров-производителей. Актуальный список партнёров по DGX Station и DGX Spark:

  • ASUS
  • Dell
  • HP
  • Lenovo
  • Supermicro
  • Gigabyte
  • MSI
  • Acer
  • Boxx
  • Lambda

Каждый производитель предложит собственные вариации по объёму накопителя, корпусному дизайну и комплектации. Первыми на рынок выйдут версии DGX Spark от Acer, Gigabyte и MSI — предполагаемый старт продаж в июле 2025 года. Dell должен стать одним из первых поставщиков DGX Station, следом ожидаются версии от Gigabyte и MSI.

Официальная цена DGX Spark на момент анонса не раскрывалась. По имеющимся данным, конфигурация с накопителем 1 ТБ будет стоить около $3 000, а версия с 4 ТБ — свыше $4 000.

Чем эти платформы отличаются от конкурентов

Несколько факторов делают DGX Station и DGX Spark привлекательными на фоне других решений для ИИ на рабочем столе.

Интерфейс SXM вместо PCIe. Суперчипы GB300 и GB10 используют проприетарный интерфейс SXM, а не стандарт PCIe. Это снимает ограничения по тепловому пакету (TDP) и кратно увеличивает пропускную способность между GPU и хостовой системой.

Объём памяти как конкурентное преимущество. Большинство PCIe-карт сторонних производителей ограничены 24–48 ГБ видеопамяти. DGX Spark с 128 ГБ и DGX Station с 784 ГБ суммарной памяти находятся в принципиально другой лиге с точки зрения доступного адресного пространства.

Масштабируемость. Возможность объединять несколько DGX Spark в кластер через стандартный коммутатор без специального серверного шасси делает платформу гибким инструментом для горизонтального масштабирования.

Компактность без компромиссов. Обе системы уместились в корпус настольного ПК, сохранив при этом технологии из полноценных серверных платформ DGX — от NVLink-C2C до MIG.

Для кого подходят DGX Station и DGX Spark

  • Исследователи и разработчики ИИ, которым нужен локальный инференс без зависимости от облака и без задержек сети.
  • Небольшие команды ML-инженеров, использующие единую вычислительную рабочую станцию в роли общего узла с разделением ресурсов через MIG.
  • Компании с требованиями к конфиденциальности данных: полностью локальный запуск LLM исключает передачу данных во внешние сервисы.
  • ИИ-стартапы и лаборатории, которым нужна мощь дата-центра на начальном этапе без капитальных затрат на серверную инфраструктуру.

Итоги

NVIDIA DGX Station и DGX Spark формируют новый класс рабочих станций — «персональные суперкомпьютеры» с производительностью от 1 до 20 PFLOPS и суммарным объёмом памяти, ранее доступным только в серверных стойках. Они подходят как для одиночного специалиста, так и для небольшой команды, работающей с крупными языковыми и мультимодальными моделями локально.

Если вы рассматриваете подобные решения для своей инфраструктуры или хотите подобрать серверное оборудование под задачи машинного обучения — специалисты СервакМастер готовы помочь с выбором и расчётом конфигурации.

Автор: СервакМастер