NVIDIA DGX Spark

4,3 8 értékelés
Munkaállomás - NVIDIA GB10 processzor, Nvidia GB10, 128GB videókártya, 128GB RAM, 4000 GB SSD, Optikai meghajtó nélkül, Wi-Fi, HDMI és USB-C, típusa SFF, NVIDIA DGX OS 7
  3 466 890 Ft
Vásárolj gyorsabban, majd vedd át a rendelésed egy AlzaBoxban vagy az egyik boltunkban.
Hozzáadás a listához
Jótállás 36 hónap Kód:  NRn2000

NVIDIA DGX Spark

nvidia logó

NVIDIA DGX Spark 4TB miniszámítógép

A világ legkisebb személyes AI szuperszámítógépe

Az NVIDIA DGX Spark egy áttörést jelentő miniatűr AI személyes szuperszámítógép, amely a történelem során először hozza el egy teljes AI adatközpont teljesítményét egy 150 × 150 × 50,5 mm méretű házba. A szívében az NVIDIA GB10 Grace Blackwell szuperchip dobog – egy 20 magos ARM processzor és egy Blackwell architektúrájú GPU kombinációja 5. generációs tensor magokkal, amelyek együttesen akár 1 petaflop (PFLOP) teljesítményt is elérnek. A kulcsfontosságú előnye a 128 GB megosztott, egyesített CPU és GPU memória, amelyet az 5. generációs PCIesávszélességénél ötször gyorsabb NVLink-C2C technológia köt össze – ennek köszönhetően az akár 200 milliárd paraméterrel rendelkező modellek, mint például a Llama 3.1 70B vagy a Gemma 3 27B, közvetlenül a memóriába tölthetők be és lokálisan futtathatók, anélkül, hogy felhőtől vagy külső szervertől függenének. A titkosított 4 TB-os M.2 NVMe tárhely, a 200 Gb/s sebességű InfiniBanddel ellátott ConnectX-7 hálózati kártya, a Wi-Fi 7, a Bluetooth 5.4 és a négy USB-C 4.0 port (40 Gb/s) minden professzionális forgatókönyvhöz biztosítja a csatlakozást –beleértve két DGX Spark összekapcsolását egy mini fürtté az akár 400 milliárd paraméterrel rendelkező modellekkel való munkához. Az előre telepített NVIDIA DGX OS operációs rendszer CUDA könyvtárakkal, Dockerrel és Container Toolkittel azonnali indulást tesz lehetővé a fejlesztéshez, hosszadalmas konfigurálás nélkül. Ennek a rendszernek az alapja az Ubuntu Linux, az Ubuntu Pro Client integrált támogatásával a bővített ESM biztonsági frissítésekhez.

Nvidia GeForce RTX 40

LPDDR5x / 128 GB

Működési memória
Nvidia GeForce RTX 40

Blackwell GB10

Chip architektúra
NVIDIA DGX Spark

NVIDIA ConnectX

Nagy sebességű hálózati kártya
NVIDIA DGX Spark

NVIDIA AI Software Stack

Teljes szoftver stack
Nvidia GeForce RTX 40

240 W

Fogyasztás
NVIDIA DGX Spark

Az NVIDIA DGX Spark 4TB miniszámítógép főbb jellemzői

  • NVIDIA GB10 Grace Blackwell szuperchip 20 magos ARM processzorral és Blackwell architektúrájú GPU-val, 5. generációs tensor magokkal
  • Akár 1 PFLOP teljesítmény AI következtetéskor a legigényesebb modellek lokális feldolgozásához
  • 128 GB megosztott, egyesített CPU és GPU memória NVLink-C2C technológiával összekapcsolva, az 5. generációs PCIe sávszélességénél ötször nagyobb átviteli sebességgel
  • A számítógép akár 200 milliárd paraméterrel rendelkező modelleket is képes közvetlenül a memóriába betölteni és futtatni
  • Az NVIDIA ConnectX-7 hálózati kártya 200 Gb/s sebességű InfiniBanddel lehetővé teszi két DGX Spark rendszer összekapcsolását egy mini fürtté az akár 405 milliárd paraméterrel rendelkező modellekkel való munkához
  • A titkosított 4 TB-os M.2 NVMe tárhely elegendő helyet biztosít a nagy adatkészletek, modellek és fejlesztési projektek számára, a tárolt adatok maximális biztonsága mellett
  • Előre telepített NVIDIA DGX OS CUDA könyvtárakkal, Dockerrel és Container Toolkittel
  • A rendszer alapja az Ubuntu Linux, az Ubuntu Pro Client integrált támogatásával a bővített ESM biztonsági frissítésekhez
  • PyTorch, TensorFlow és NVIDIA NIM mikroszolgáltatások támogatásával
  • Wi-Fi 7, Bluetooth 5.4, 10Gb Ethernet, 4× USB-C 4.0 (40 Gb/s) és HDMI teljes csatlakoztathatóságot biztosít egy 150 × 150 × 50,5 mm méretű és mindössze 1,2 kg súlyú házban
NVIDIA DGX Spark

Egy adatközpont teljesítménye miniatűr testben

Az NVIDIA DGX Spark szíve a GB10 Grace Blackwell szuperchip – egy 20 magos ARM processzor (10× Cortex-X925 + 10× Cortex-A725) és egy Blackwell architektúrájú GPU egyedülálló kombinációja, 5. generációs tensor magokkal és 4. generációs RT magokkal. A szuperchip mindkét részét az NVLink-C2C technológia köti össze, amely az 5. generációs PCIe sávszélességénél ötször nagyobb átviteli sebességet biztosít, és lehetővé teszi a CPU és a GPU számára, hogy megosszanak egyetlen, 128 GB-os, egyesített LPDDR5X memóriaterületet. Az eredmény elképesztőteljesítmény, amely azonban legfeljebb 240 W-ot fogyaszt, és bármelyik íróasztalon elfér. Éppen a megosztott memória a GPU VRAM és a rendszer RAM hagyományos elkülönítése nélkül a DGX Spark kulcsfontosságú előnye a szabványos asztali rendszerekkel szemben – ott, ahol a GeForce RTX 5090 grafikus kártya 32 GB memóriát kínál, a DGX Spark négyszer annyit tesz elérhetővé az AI modellek számára, anélkül, hogy a modelleket kvantálni vagy több eszköz között elosztani kellene.

NVIDIA DGX Spark

Személyes szuperszámítógép, amely minden íróasztalon elfér

Az NVIDIA DGX Spark bíztonyítja, hogy a legnagyobb AI modellek futtatásához ma már nincs szükség szerverszobára vagy hardverrel teli rack szekrényre. 150 × 150 × 50,5 mm-es méreteivel és 1,2 kg-os súlyával a DGX Spark bármelyik íróasztalon elfér a laptopod mellett – mégis olyan teljesítményt kínál, amely néhány évvel ezelőtt még egy teljes, grafikus kártyákkal teli szervert igényelt. A négy USB-C 4.0 port akár 40 Gb/s sebességgel, a Wi-Fi 7, a 10Gb Ethernet és a HDMI bemenet biztosítja az összes tartozék csatlakoztatását anélkül, hogy külső hubravagy dokkoló állomásra lenne szükség. A DGX Spark olyan fejlesztők, tudósok és AI szakemberek számára készült, akik egy lokális AI személyes szuperszámítógép teljes teljesítményére vágynak, felhőtől való függőség nélkül – közvetlenül ott, ahol dolgoznak.

Minden AI feladat villámgyorsan, kompakt kivitelben

A Grace Blackwell architektúra teljesítménye egy olyan házban, amely minden íróasztalon elfér – az NVIDIA DGX Spark ideális választás azon fejlesztők, kutatók és adattudósok számára, akiknek kompromisszumok nélkül van szükségük teljes értékű AI teljesítményre. Akár nagy nyelvi modellek következtetésén, előtanított hálózatok specializálásán vagy AI ügynökök fejlesztésén dolgozol, a DGX Spark az AI feladatok teljes spektrumát lokálisan, gyorsan és felhő infrastruktúrától függetlenül képes kezelni. 

NVIDIA DGX Spark

Prototípuskészítés és AI alkalmazások fejlesztése határok nélkül

A teljes NVIDIA AI szoftver stack a fejlesztők számára teljes értékű platformot biztosít az AI modellek, AI ügynökök és a mesterséges intelligenciával kiegészített alkalmazások létrehozásához – mindezt lokálisan, a felhőtől függetlenül. Amint a megoldás készen áll a telepítésre vagy a végső finomhangolásra, a DGX Spark lehetővé teszi a munkaterhelések közvetlen és zökkenőmentes migrálását az NVIDIA DGX felhőbe vagy más, NVIDIA technológiákkal gyorsított infrastruktúrába.

NVIDIA DGX Spark

AI modellek finomhangolása akár 70 milliárd paraméterig

Használd ki az NVIDIA DGX Spark 128 GB egyesített memóriáját az akár 70 milliárd paraméterrel rendelkező, előre betanított modellek finomhangolására közvetlenül a munkaállomásodon. A saját adatokon való képzés lehetővé teszi az AI modellek specializálását különleges igényekre, iparági adatokra vagy specifikus felhasználási esetekre – anélkül, hogy az érzékeny adatokat a felhőbe kellene küldened, vagy drága GPU példányokért kellene fizetned. Az eredmény egy pontosan a te forgatókönyvedhez szabott modell, amely lokálisan, biztonságosan és teljesmértékben a te irányításod alatt jött létre.

NVIDIA DGX Spark

Az NVIDIA DGX Spark 4TB új szintre emeli az adattudományi munkafolyamatokat

A 128 GB egyesített memória és az akár 1 PFLOP AI számítási teljesítmény kombinációja az NVIDIA DGX Sparkot ideális munkaállomássá teszi adattudományi, nagyméretű adatelemzési és gépi tanulási projektekhez. A hatalmas adatkészletek feldolgozása, az összetett számítási modellek futtatása, valamint a számításigényes tanítási és elemzési feladatok, amelyek korábban felhőalapú klasztert vagy dedikált szervert igényeltek, most közvetlenül a saját asztalodon végezhetők el. Gyorsan, helyben és a távoli infrastruktúrára való várakozás nélkül.

NVIDIA DGX Spark

Modellek következtetése akár 200 milliárd paraméterrel

Az 5. generációs tensor magok FP4 formátum támogatással akár 1 PFLOP teljesítményt érnek el, és a 128 GB rendszermemóriával kombinálva lehetővé teszik a legkorszerűbb, akár 200 milliárd paraméterrel rendelkező AI modellek következtetésének futtatását közvetlenül a munkaasztalon. Teszteld, érvényesítsd és telepítsd az olyan modelleket, mint a Llama, a Gemma vagy a Qwen, lokálisan és valós időben – a felhő késleltetése nélkül, megosztott infrastruktúra nélkül és az érzékeny adatok kiszivárgásának kockázata nélkül.

NVIDIA DGX Spark

Alkalmazásfejlesztés robotikai rendszerekhez, ipari megoldásokhoz és intelligens városokhoz

Az NVIDIA DGX Spark kiváló platformot biztosít robotikai rendszerek, okos városi megoldások és számítógépes látás alapú alkalmazások fejlesztéséhez. A robotikához készült NVIDIA Isaac, a videóelemzést támogató Metropolis, valamint a valós idejű adatfeldolgozást lehetővé tevő Holoscan előre telepített keretrendszerek segítségével a fejlesztők maximálisan kihasználhatják a DGX Spark teljesítményét, és gyorsan elkészíthetik, tesztelhetik, majd telepíthetik alkalmazásaikat – helyben, a felhőinfrastruktúrától függetlenül, az NVIDIA ökoszisztéma teljes támogatásával.

Nvidia GeForce RTX 40

Személyes AI szuperszámítógép teljesítménye

Akár 1 petaflop a következtetésnél
Nvidia GeForce RTX 40

Akár 200 milliárd paraméter

Lokális következtetés felhőtől való függőség nélkül
Nvidia GeForce RTX 40

Két rendszer összekapcsolása

Mini fürt az akár 405 milliárd paraméteres modellekhez
Nvidia GeForce RTX 40

Azonnali munkára kész

Előre telepített NVIDIA AI szoftver stack
Nvidia GeForce RTX 40

Memória kompromisszumok nélkül

128 GB megosztott CPU és GPU memória
Nvidia GeForce RTX 40

Saját adatok

Modellek finomhangolása akár 70 milliárd paraméterig
Nvidia GeForce RTX 40

Kompakt méretek

150 × 150 × 50,5 mm, 1,2 kg
Nvidia GeForce RTX 40

Biztonságos lokális munka

Adatok teljes körű ellenőrzése felhőbe küldés nélkül

Paraméterek

Összehasonlít
Processzor sorozat
NVIDIA
A gép típusa
Mini PC
Processzor modell szám
NVIDIA GB10
Processzormagok száma
20 ×
Max TDP
140 W

Típus

A gép típusa
Mini PC

Processzor

Processzor sorozat
NVIDIA
Processzor modell szám
NVIDIA GB10
Processzormagok száma
20 ×
Max TDP
140 W

GPU sorozat/modell

Grafikus kártya sorozat
Nvidia
Videókártya modell
GB10

Videókártya

Videókártya memória mérete
128 GB

Felszerelés

Alap felszerelés
Bluetooth, Wi-Fi
WiFi
802.11be
WiFi verzió
WiFi 7

Szín és dizájn

Szín
Arany
Ház mérete
SFF
Elülső panel elhelyezkedése
Elöl
Oldalfalak
Nem átlátszó

Tápegység

Tápegység
240 W

Rendszermemória

RAM memória mérete
128 GB
Memória típusa
LPDDR5x

Kimenetek

USB-C
4 db
Grafika
HDMI, USB-C
Egyéb
NVIDIA ConnectX-7 SmartNIC, RJ-45 (LAN) 10Gbps
Optikai meghajtó
Optikai meghajtó nélkül

Szekrény

Szélesség
150 mm
Magasság
50,5 mm
Mélység
150 mm
Tömeg
1,2 kg

Operációs rendszer

Operációs rendszer
NVIDIA DGX OS 7

Csomag tartalma

A csomag tartalma
Tápegység, Tápkábel

AI

TOPS szám (összesen)
1 000
Szoftverplatform
NVIDIA CUDA
Támogatott pontosság
FP4

Külső szerkezet

Elülső panel elhelyezkedése
Elöl
Oldalfalak
Nem átlátszó
Ajtó
Ajtó nélkül

AI specifikáció

Elsődleges AI használat
Fine-tuning
Maximális modellméret
70–405B
Tanúsított AI keretrendszerek
PyTorch
SmartNIC
ConnectX-7

GPU konfiguráció

A konfigurációban található GPU-k száma
1 ×
NVLink verzió
NVLink-C2C
Több paraméter
Megjegyzés:

Amennyiben a termék tartós adathordozó terméknek minősül, az naxqolviruze.shop-nak kötelessége ingyenes adattörlő kódot biztosítania a felhasználók számára. Az Adattörlő kód itt található:

A specifikációk előzetes tájékoztatás nélkül megváltoztathatóak. A képek csak illusztrációs célokat szolgálnak.

Nem található ehhez a termékhez tartozó bejegyzés.
Több információ

Megérkezett a GPT-6 Astra. Az új ChatGPT jobban tudja kezelni a számítógépet, és a hackelés terén akár egy biztonsági szakértő helyébe is léphet

Az OpenAI bemutatta a GPT-6 Astra-t, az eddigi legfejlettebb mesterséges intelligencia-generációját. A legnagyobb előrelépés azoknál a feladatoknál tapasztalható, amelyek során a mesterséges intelligencia a számítógéppel dolgozik, egyéb eszközöket használ, és fokozatosan önállóan jut el az eredményhez. Összefoglaljuk a legfontosabbakat: mire képes az új modell, hogyan teljesít elődjéhez képest, és mikor jelenik meg a ChatGPT-ben?

Az 1950-es évek túlzott optimizmusa

A mesterséges intelligencia 1956-ban, a Dartmouth College-ban vált önálló kibernetikai tudományterületté, ahol akkoriban olyan úttörők dolgoztak, mint Marvin Minsky, John McCarthy, Claude Shannon, Nathan Rochester, Ray Solomonoff, Oliver Selfridge, Trenchard More, Arthur Samuel és Allen Newell. Optimista korszak volt ez, amelyben azt feltételezték, hogy még ez a generáció megéri a gondolkodó gépek megjelenését. Ez az optimizmus azon alapult, hogy a logikai következtetés területén viszonylag gyorsan értek el előrelépéseket.

Újabb fordulat az AI jövőjéért folyó versenyben

Jelenleg két termék jelent meg a személyes AI-asszisztensek területén. Az egyik a Humane AI Pin „intelligens kitűző”, a másik a Rabbit R1 „személyes asszisztens”, amelyeknek meg kellett volna változtatniuk azt, ahogyan az intelligens elektronikai eszközökkel kommunikálunk. Az első értékelések alapján azonban ez nem fog megtörténni – és az is teljesen világos, hogy miért.

Moravec-paradoxon, avagy miért nem mennek nekünk a könnyű dolgok?

Miközben a mesterséges intelligencia fejlődése a múlt század hatvanas éveiben tovább folytatódott, az osztrák származású matematikus és jövőkutató, Hans Moravec felfigyelt egy különös dologra: a számítógépek viszonylag könnyen meg tudtak oldani nehéz matematikai problémákat, de tragikusan kudarcot vallottak olyan teljesen hétköznapi feladatoknál, amelyeken az emberek még csak el sem gondolkodnak, például a képfelismerés, a természetes környezetben való mozgás vagy az, amit józan, természetes logikának nevezünk. Miközben minden kisgyermek könnyen felismeri, „melyik tárgy van távolabb”, vagyis melyik tárgy helyezkedik el egy másik mögött, a mesterséges intelligencia területén a jelenetelemzés önálló szakterületté vált.

Gyakorlati alkalmazások keresése

Az 1970-es években a mesterséges intelligencia kutatásának finanszírozása kezdett elapadni, az érdeklődés pedig az akkoriban teljesen új terület, vagyis a mikroprocesszorok és a mikroszámítógépek felé fordult. Ezek egyáltalán nem tették lehetővé a nagy erőforrás-igényű mesterségesintelligencia-alkalmazások futtatását, ezért az érdeklődés a szabályalapú rendszerek felé tolódott.

A mesterséges intelligencia új utakat keres a jövő felé

Jelenleg a mesterséges intelligenciához kapcsolódó technológiák alapvető fejlesztése sem áll le. A DARPA (Defense Advanced Research Projects Agency) úgy döntött, hogy 18,6 millió dollárt fektet a Princeton University kutatásába, amely az AI-chipek miniatürizálásával kapcsolatos innovációkkal foglalkozik. Ezeket ma főként adatközponti környezetre tervezik, míg a princetoni kutatás áttörést próbál elérni a skálázhatóság és a hatékonyság területén, ami lehetővé tenné a nagy teljesítményű AI integrálását hordozható eszközökbe, valamint repülőgépekbe és űrhajókba is.

Az AI-hardver életciklusa: hogyan vásárolj úgy, hogy a befektetésed hosszú távon is megtérüljön?

Az AI-hardvereknél nem az számít egyedül, hogy meddig működnek műszakilag, hanem az a pont, amikor az üzemeltetésük már kevésbé éri meg, mint egy elérhető alternatíva. A cikk bemutatja, hogyan lehet felmérni egy rendszer gazdasági élettartamát, mire érdemes figyelni az új generációs gyorsítók összehasonlításakor, mely infrastruktúraelemek (nem csak a GPU-k) érik el általában először a teljesítményhatárukat, valamint hogyan érdemes a döntésbe bevonni a vásárlást, a bérlést és a fokozatos hardvercserét. Emellett tippeket is adunk arra, hogyan lehet a régebbi eszközöket továbbra is hatékonyan használni, miután kikerülnek a fő termelési környezetből.

TCO kalkulátor: mennyi idő alatt térül meg a saját infrastruktúra a felhőhöz képest?

A gyakorlati megtérülési számítás megmutatja, mikor éri meg egy vállalatnak az AI-működés egy részét a felhőből saját infrastruktúrára áthelyezni. A cikk az NVIDIA DGX Spark 4TB valós árával, TCO-modellel és olyan költségekkel dolgozik, amelyeket a jóváhagyás során gyakran alábecsülnek.

Hogyan tanul valójában a mesterséges intelligencia?

Függetlenül attól, hogy ma milyen AI-modelleket használnak, ezek általában szigorúan különválasztják a tanulási módot (learning) és a működési módot (inference). Teljesen elkülönülő üzemmódokról van szó, amelyek eltérő működési algoritmusokkal, gyökeresen különböző számításiidő- és energiaigénnyel rendelkeznek, és nem ritkán más hardveren is futnak.

Önvezető autók

Nagy érdeklődést váltanak ki az ADS-nek (Automated Driving Systems) nevezett autonóm járművezetési rendszerek. Ezek egy meglehetősen összetett rendszert alkotnak, amely nemcsak vezérlőszámítógépekből, hanem belső és külső érzékelőkből is áll. Ezek nemcsak az autó sebességére vonatkozó adatokat rögzítik, hanem a kamerák képét és más érzékelők, például kompakt radarok vagy lézerszkennerek, azaz lidarok adatait is.

Mesterséges intelligencia: Lehetőségek és felhasználási módok

A mesterséges intelligencia alkalmazási területei rendkívül sokrétűek. A kézírás-felismeréstől, a képek és szövegek feldolgozásától kezdve az önvezető autókon és a banki hitelekről szóló döntéshozatalon át egészen az űrben való navigációig terjednek. Néhány alkalmazási területet megvizsgálunk, bár aligha találnánk olyan informatikai területet, amelyet a mesterséges intelligencia ne érintett volna legalább valamennyire.

Mesterséges intelligencia: Az AI színre lép – minőség vagy mennyiség?

A mesterséges intelligencia színre lép – először lassan, majd hirtelen, mintha egy földönkívüli űrhajó repülne felénk, közel fénysebességgel. A repülés nagy részében nem látjuk, aztán valami felbukkan, de mire feldolgozzuk ezt az információt, már itt is van. Az elmúlt években több forradalmi AI-modell is megjelent, amelyekről beszélni fogunk, de kezdjük először egy rövid történelmi kitérővel.

Az AI-modellek robbanásszerű növekedése

A mesterséges intelligencia iránti jelenlegi érdeklődési hullám az OpenAI generatív intelligenciája, a ChatGPT megjelenésével, valamint a DALL·E és a Midjourney generatív intelligenciák 2023 eleji hozzáférhetővé válásával kezdődött. Ezt a megjelenést a kritikusok néha „túl korainak” nevezik – de mit jelent az, hogy valami túl korai a technológiák világában?

Mesterséges intelligencia: A technológiai forradalom ígérete

Milyen összefüggés van a mesterséges intelligencia, a kriptovaluták, a decentralizáció, az internet és az emberközi kapcsolatok között? Kezdjük azzal, hogy megvizsgáljuk a technológiai forradalom ígéretét és azokat a kialakulóban lévő jelenségeket, amelyek lehetővé tették az egyszerű életformákat, a többsejtű organizmusokat, valamint a biológiai és mesterséges neurális hálózatokat.

Mesterséges intelligencia: Bitcoin, szabályozó hatóságok, a munkahelyek jövője és a SkyNet

Sorozatunk záró részében megvizsgáljuk, milyen kapcsolatban áll a Bitcoin a mesterséges intelligenciával, mit gondolnak erről a szabályozó hatóságok, vajon a SkyNet elpusztít-e minket, mint a Terminátor című filmben, és vajon mindannyian elveszítjük-e az állásunkat.
Vélemények: NVIDIA DGX Spark
Kiegészítők: NVIDIA DGX Spark

Összefüggő kategóriák

Chcete doručit zboží do Česka? Prohlédněte si NVIDIA DGX Spark 4TB
Chcete doručiť tovar na Slovensko? Prezrite si NVIDIA DGX Spark 4TB
Für Versand nach Deutschland, besuchen Sie bitte NVIDIA DGX Spark 4TB
Für Versand nach Österreich, besuchen Sie bitte NVIDIA DGX Spark 4TB