DGX Spark 64GB：4,999 美元買本地 AI，雙機串接值得嗎？（2026）

2026 年 10 月 2 日，NVIDIA 的 Allen Bourgoyne 在 NVIDIA Blog 發布了〈NVIDIA DGX Spark 64GB Gives Developers More Ways to Build and Scale Local AI〉。這篇公告把 DGX Spark 64GB 推上桌面：10 月 23 日起預計由合作廠商銷售，起價 4,999 美元。更有意思的是，NVIDIA 把「先買一台、需要時再接第二台」包裝成本地 AI Agent 的擴充路線。價格、記憶體和雙機效能，哪一項真的能解決你的工作負載？

先讀清公告承諾，再把廠商示範和實際購買決策分開看：64GB 是整機共用記憶體，模型參數上限有條件，雙機加速也依賴特定測試與分散式軟體。

NVIDIA 公告真正新增了什麼？

NVIDIA 的原文描述的是新增的 64GB 配置，並與既有 128GB DGX Spark 並列。新配置保留 GB10 Grace Blackwell 晶片、DGX OS、CUDA 軟體堆疊與 ConnectX-7 網路；NVIDIA 稱單機可支援最高 1,000 億參數模型。依公告，64GB 版只透過 Acer、ASUS、Dell、Gigabyte、HP、MSI 等合作廠商銷售，預計 2026 年 10 月 23 日上市，起價 4,999 美元。這是上市前的標示起價，具體機型與通路仍需在開賣時核對。

Local AI is becoming more useful by the token.

中文：NVIDIA 認為，每一個本地生成的 token 都能讓本地 AI 更有用。

Allen Bourgoyne，NVIDIA Blog，2026 年 10 月 2 日

這句開場把產品定位說得很明白：它想賣的是持續運作的本地開發環境，而非一張單獨的 GPU。原文舉了常駐程式助理、讓日常電腦把推理交給桌面主機，以及工作負載變大時再串接系統三個情境；同時預告 NVIDIA Sync Model Launcher 將於 10 月底推出。NVIDIA 也列出 Ollama、vLLM、PyTorch 等支援軟體，並稱 Blender 預建安裝器即將推出；這兩項上市後體驗仍有待實際檢驗。

原文最有說服力，也最需要限縮的一張圖

Two 64GB units clustered together don’t just double the memory.

中文：兩台 64GB 系統串接，NVIDIA 主張收穫不止於記憶體容量翻倍。

Allen Bourgoyne，NVIDIA Blog，2026 年 10 月 2 日

原文說兩台 64GB 經 ConnectX-7 的 200 GbE 連線，可供同一分散式工作負載使用總計 128GB 記憶體，模型支援上限被宣稱提高到 2,000 億參數；在 NVIDIA 的 Qwen 3.8 27B 測試中，相對單機最高 1.7 倍。要把這個數字套用到自己的任務，還需要確認測試的延遲、並發、量化與上下文條件；目前較穩妥的讀法，是把它當成 NVIDIA 特定配置的示範值。

更重要的技術細節是「合用 128GB」如何發生。NVIDIA 的雙機範例使用 tensor parallelism，讓每台機器持有模型權重的一部分，並在推理時交換中間結果。NVIDIA 技術文章也說，Cluster Assistant 負責檢查系統、設定網路與 SSH。它降低配置成本，但工作負載仍要有分散式執行路徑；跨機通訊的拓樸與單台 128GB 統一記憶體不同。

64GB 的門檻在模型載入之後才真正出現

NVIDIA 產品頁明確把 64GB 稱為 CPU 與 GPU 共用的系統記憶體。用極簡算術看，1,000 億個參數即使每個只用 4 bit，純權重也約需 50GB；模型格式額外資料、執行環境、KV cache 和作業系統還會占空間。實際可用量取決於量化格式、runtime 與上下文長度，所以「最高 1,000 億參數」是帶前提的容量上限，不代表任何 100B 模型都能以想要的速度和上下文長度執行。

NVIDIA 的已知問題文件提醒，共用記憶體平台的可配置量和程式看到的記憶體數字可能不同，部分應用仍需調整記憶體管理。這也解釋了為何同一模型在「權重勉強放得下」與「多個 Agent 長時間穩定回應」之間還有距離：KV cache 隨上下文與併發增加，瓶頸會移動。

4,999 美元買到的是什麼，缺口又在哪裡？

值得肯定：把本地開發環境做成完整平台

GB10、統一記憶體、ConnectX-7 和預先整合的軟體，讓開發者有一條可描述、可擴充的本地路徑。若資料必須留在自己的環境，或需要穩定掌握模型版本與推理服務，這種控制力有實際價值。公告描述的常駐 Agent 和跨電腦使用案例，也確實需要一台持續運作的主機。

值得保留：雙機擴充不是免費升級

按公告起價推算，兩台 64GB 主機標價相加為9,998 美元，尚未計入連接線、其他配件和所在地稅費。這是由兩台公告起價直接相加的比較基準，不是已公布的套裝報價。LocalLLaMA 討論串中對容量與價格的尖銳反應，恰好指出採購問題：若單機 64GB 已不夠，先比較「一台更大記憶體的系統」和「兩台分散式系統」的總成本及延遲，再決定是否真的需要分階段擴充。社群留言能呈現疑慮，不能代替相同工作負載的實測。

最該懷疑：把參數上限當成 Agent 體驗

Agent 的可用性取決於模型品質、回應延遲、長上下文、工具執行與同時請求。參數上限只回答部分模型是否可能裝入系統；最高 1.7 倍也只描述 NVIDIA 展示的速度比較。若你需要的是多個 Agent 同時長時間服務，真正該測的是完整任務的成功率、p95 延遲、每秒 token、記憶體峰值與中斷恢復，而不是只看模型名稱能否啟動。

現在該怎麼判斷

• 先固定你的任務：選一個會真實使用的模型版本、量化格式、上下文長度及同時請求數，寫下可接受的回應時間。
• 再算容量：把權重、KV cache、runtime 與系統用量分開記；單機餘量不足時，才評估雙機分散式配置。
• 最後比完整成本：用單台 64GB、較大記憶體單機、雙台 64GB 和雲端方案跑同一批任務，記錄完成率、p95 延遲、總購置／運作成本與資料邊界。

我同意 NVIDIA 的方向：本地 Agent 值得有一套能逐步擴充的硬體與軟體。我存疑的是，把 100B、200B 和 1.7 倍這些上限並排後，讀者很容易以為「能放下」等於「跑得好」。DGX Spark 64GB 的真正考題，是你的工作負載在 64GB 共用記憶體裡還剩多少空間，以及第二台帶來的增益能否抵過新增的成本與複雜度。