معرفی NVIDIA Spark تحولی در هوش مصنوعی رو میزی
NVIDIA Spark
NVIDIA Spark در ژوئن ۲۰۲۶، انویدیا در نمایشگاه کامپیوتکس تایپه از دو محصول با نام «Spark» رونمایی کرد که هرچند از نظر سخت افزاری ریشه‌ای مشترک دارند، اما برای دو دنیای کاملاً متفاوت طراحی شده‌اند: یکی برای توسعه دهندگان حرفه‌ای هوش مصنوعی با سیستم‌عامل لینوکس و دیگری برای کاربران عادی ویندوز. برای درک کامل این فناوری، باید هر دو محصول را جداگانه بررسی کنیم.
Spark ابررایانه شخصی برای توسعه‌دهندگان
DGX Spark که پیش تر با نام پروژه DIGITS شناخته می‌شد، یک رایانه رومیزی جمع و جور با ابعاد ۱۵۰ در ۱۵۰ در ۵۰ میلی متر و وزن ۱.۲ کیلوگرم است که در پاییز ۲۰۲۵ به بازار عرضه شد. این دستگاه که قیمت پایه آن حدود ۴۰۰۰ دلار بوده و به دلیل افزایش قیمت قطعات به ۴۶۹۹ دلار رسیده، یک «ابرکامپیوتر شخصی» برای دانشمندان داده، محققان و توسعه دهندگان حرفه‌ای محسوب می‌شود.
این دستگاه از معماری حافظه یکپارچه (Unified Memory Architecture) استفاده می‌کند که در آن CPU و GPU حافظه فیزیکی مشترکی دارند و برخلاف سیستم های سنتی نیازی به کپی کردن داده‌ها بین حافظه اصلی و حافظه کارت گرافیک نیست. این ویژگی تأخیر را کاهش داده و عملکرد را در بارهای کاری سنگین هوش مصنوعی بهبود می‌بخشد.
قابلیت اجرای عاملهای هوش مصنوعی محلی
یکی از مهم ترین قابلیت‌های DGX Spark ، اجرای عاملهای هوش مصنوعی (AI Agents) به صورت کاملاً محلی است. انویدیا با ارائه بسته نرم‌افزاری NemoClaw، مسیر را برای توسعه دهندگان هموار کرده تا بتوانند از لحظه خارج کردن دستگاه از جعبه ، در عرض چند دقیقه یک عامل هوش مصنوعی شخصی اجرا کنند.
NemoClaw سه مؤلفه را در یک بسته ترکیب می‌کند:
- مدلهای متن باز هوش مصنوعی (مانند6-35B که به صورت خودکار دانلود می‌شود)
- چارچوب اجرای عاملها (مانند Hermes Agent یا OpenClaw )
- محیط اجرای امن OpenShell
OpenShell یک محیط اجرای محصور و امن است که برای اجرای ایمن تر عاملهای خود مختار طراحی شده و قابلیت‌هایی مانند کنترل دسترسی، محافظت از حریم خصوصی و محدودیت های عملیاتی را به چرخه عامل ها اضافه می‌کند. همچنین امکان اتصال چند دستگاه DGX Spark از طریق شبکه پرسرعت ۲۰۰ گیگابیتی برای افزایش توان پردازشی وجود دارد.
۲. RTX Spark؛ تراشه انقلابی برای ویندوز
RTX Spark که در ژوئن ۲۰۲۶ در کامپیوتکس رونمایی شد، نسخه مصرف کننده همین فناوری است که برای ویندوز ۱۱ روی معماری Arm بهینه سازی شده است. این تراشه که انویدیا آن را «کارآمد ترین تراشه رایانه ای شخصی که تاکنون ساخته شده» توصیف می‌کند، با همکاری مدیاتک در طراحی CPU و مایکروسافت در بهینه سازی نرم‌افزار توسعه یافته است.
مشخصات فنی RTX Spark
بر اساس وب‌سایت رسمی انویدیا، RTX Spark دارای مشخصات زیر است:
- پردازنده مرکزی: تا ۲۰ هسته Arm Grace
- پردازنده گرافیکی: Blackwell RTX با ۶۱۴۴ هسته CUDA
- عملکرد هوش مصنوعی: تا ۱ پتافلاپ در دقت FP4 با هسته‌های تنسور نسل پنجم
- حافظه: تا ۱۲۸ گیگابایت حافظه یکپارچه LPDDR5X
- قابلیت‌های گرافیکی: پشتیبانی از رهگیری پرتو، مجموعه کامل DLSS، NVIDIA Reflex و G-SYNC
- کدک‌های ویدئویی: پشتیبانی از سخت‌افزار ۴:۲:۲ برای ویرایش حرفه ای ویدئو، کدک‌های AV1 و NVIDIA Broadcast
- عمر باتری: طراحی شده برای لپ تاپ های باریک با عمر باتری تمام روز
تفاوت بنیادین RTX Spark با DGX Spark
سؤال اساسی که در نشست خبری انویدیا مطرح شد این بود که چرا به دو محصول جداگانه نیاز است؟ پاسخ ساده این است که DGX Spark یک پلتفرم توسعه مبتنی بر لینوکس است، در حالی که RTX Spark یک تراشه مصرف کننده برای ویندوز ۱۱ محسوب می‌شود.
به گفته TechPowerUp ، برگ برنده RTX Spark این است که یک پلتفرم ویندوزی کامل با پشتیبانی ۹۹ درصد از نرم افزارهای محبوب و بازی‌ها از سوی انویدیا است که برای معماری Windows on Arm بهینه سازی می‌شوند. این در حالی است که DGX Spark کاملاً بر لینوکس متمرکز است و مخاطبان آن توسعه دهندگانی هستند که همه نیازهای خود را در لینوکس دارند.
همکاری با مایکروسافت برای امنیت عاملهای هوش مصنوعی
انویدیا و مایکروسافت با همکاری یکدیگر، لایه‌های امنیتی جدیدی را در هسته ویندوز تعبیه کرده‌اند تا امکان اجرای ایمن عاملهای هوش مصنوعی را فراهم کنند. این همکاری شامل موارد زیر است:
۱ . اولیه‌های امنیتی جدید ویندوز که قابلیت‌های هویت سنجی، محصورسازی، مدیریت خط مشی و امنیت سرتاسری را برای ساخت و اجرای عاملها به صورت بومی فراهم می‌کند.
۲. زمان اجرای OpenShell انویدیا که قابلیت‌های خط مشی بیشتری را به کاربر میدهد تا تعیین کند عاملها به چه چیزهایی دسترسی داشته باشند و چه کاری انجام دهند. این لایه همچنین امکان مسیریابی هوشمند پرسش ها به مدل های محلی بر اساس خط مشی حریم خصوصی کاربر و پنهان سازی اطلاعات شخصی در پرسش‌های ارسال شده به مدلهای ابری را فراهم می‌کند.
این همکاری امنیتی توسط توسعه دهندگان پیشرو عاملها مانند Hermes Agent و OpenClaw در برنامه‌های جدید ویندوزی خود پذیرفته شده است.
۳ . چشم‌انداز بازار و چالش‌ها
موقعیت‌یابی در بازار
تحلیل گران صنعت، RTX Spark را در یک دسته بندی کاملاً جدید قرار می‌دهند. به گفته کوین هاین ، تحلیلگر ترایاس ریسرچ : "RTX Spark رایانه‌های شخصی سنتی را منسوخ نمی‌کند، بلکه یک دسته بندی کاملاً جدید بین ایستگاه‌های کاری و سرورهای هوش مصنوعی ایجاد می‌کند"
نیل شاه، هم بنیانگذار Counterpoint Research، به رویترز گفته است :" این دستگاه ، لحظه خاص خود را خواهد داشت، همان گونه که آیفون، چت جی پی تی یا دیپ سیک داشتند. RTX Spark در تلاش است تا رایانه‌های شخصی سنتی متمرکز بر برنامه را به سیستم‌های هوش مصنوعی شخصی واقعاً مفید تبدیل کند "
برنامه تولیدکنندگان
شش تولید کننده بزرگ رایانه شامل مایکروسافت (سرفیس) ، ایسوس ، اچ پی ، لنوو ، دل و ام اس آی متعهد شده‌اند که لپ تاپ‌ها و رایانه‌های رومیزی جمع و جور مجهز به RTX Spark را تولید کنند که از پاییز ۲۰۲۶ به بازار می‌آیند. ایسر و گیگابایت نیز متعاقباً محصولات خود را عرضه خواهند کرد.
چالش‌های پیش رو
با وجود قابلیت‌های فنی چشمگیر، مسیر موفقیت RTX Spark با چالش‌های جدی روبه رو است:
۱. قیمت بالا : تحلیلگران پیش بینی می‌کنند که لپ تاپ های مجهز به RTX Spark با پیکربندی کامل ۱۲۸ گیگابایتی ، قیمتی بالاتر از ۳۰۰۰ یورو داشته باشند. کمبود تراشه‌های حافظه نیز هزینه ها را افزایش داده و قیمت‌گذاری را تحت تأثیر قرار داده است.
۲. رقابت با اپل: RTX Spark در رقابت مستقیم با مک بوک پروهای مجهز به تراشه‌های سری M اپل قرار می‌گیرد. انویدیا هنوز ارقام دقیق عملکرد و عمر باتری را اعلام نکرده و مقایسه مستقیم تا زمان عرضه محصولات امکان پذیر نیست.
۳ . بازار محدود در کوتاه مدت : باب اودانل، رئیس TECHnalysis Research، معتقد است که قیمت بالا مانع همکاری تولید کنندگان بزرگ با انویدیا نمی‌شود، اما "در سال‌های آینده ، بخش عمده فروش رایانه‌های شخصی همچنان دستگاه های ویندوزی سنتی با تراشه‌های اینتل ، ای ام دی و کوالکام خواهند بود".
۴. تقاضای اثبات نشده مصرف کننده: تام ماینلی، معاون گروه IDC ، پیش بینی می‌کند که «برخی شرکت‌ها به‌عنوان پیشگام، دستگاه را ارزیابی کرده و امکان سنجی بلند مدت استنتاج در دستگاه را آزمایش کنند» اما تقاضای مصرف کننده عمومی هنوز اثبات نشده است.
۴. آینده تعامل انسان و رایانه
کاری بریسکی ، معاون بخش هوش مصنوعی مولد انویدیا ، در کامپیوتکس اعلام کرد که دوران استفاده از هوش مصنوعی به‌صورت چت‌بات‌هایی مانند چت جی پی تی و جمینی رو به پایان است. به گفته او: "عاملها بارهای کاری جدیدی را بر عهده خواهند گرفت. آنها در همه‌جا فعالیت خواهند کرد، از مراکز داده تا دستگاه‌های پایانی".
با وجود چالش ها، انویدیا با اتکا به اکوسیستم گسترده CUDA که توسعه دهندگان هوش مصنوعی به آن وابسته هستند ، حمایت قدرتمند مایکروسافت، و همکاری با تولیدکنندگان بزرگ، موقعیت منحصربه فردی برای تغییر بنیادین رایانه‌های شخصی دارد. پاییز ۲۰۲۶ و ورود اولین محصولات به بازار، نقطه عطفی برای سنجش جدی ترین تلاش تاکنون برای تحقق رایانه های شخصی مبتنی بر عاملهای هوش مصنوعی خواهد بود.
بررسی تخصصی NVIDIA GB10 / DGX Spark
اول یک نکته مهم: GB10 خودش یک GPU مستقل مثل H100 یا RTX 5090 نیست.
GB10 یک Grace Blackwell Superchip است که CPU و GPU را در یک SoC یکپارچه ترکیب می‌کند و محصولی مثل DGX Spark بر پایه آن ساخته شده است.
مشخصات کلیدی
مشخصه | GB10 / DGX Spark |
معماری | Grace Blackwell |
GPU | Blackwell |
CPU | 20 هسته ARM |
CPU Cores | 10× Cortex-X925 + 10× Cortex-A725 |
Tensor Core | نسل پنجم |
RT Core | نسل چهارم |
AI Performance | تا 1 PFLOP FP4 |
حافظه | 128GB LPDDR5X Unified Memory |
Memory Bus | 256-bit |
Memory Bandwidth | 273 GB/s |
SSD | 4TB NVMe M.2 |
Networking | ConnectX-7 |
Network | 200Gbps |
Ethernet | GB10E |
Wi-Fi | Wi-Fi 7 |
توان GB10 | 140W TDP |
PSU | 240W |
ابعاد | 150 × 150 × 50.5 mm |
وزن | 1.2kg |
نکته‌ای که GB10 را واقعاً خاص می‌کند
مهم‌ترین ویژگی GB10 128GB حافظه Unified Memory است.
در یک سیستم معمولی:
CPU → RAM
و
GPU → VRAM
ولی در GB10 معماری به شکل متفاوتی طراحی شده:
CPU + GPU → 128GB Unified Memory
یعنی CPU و GPU به یک فضای حافظه یکپارچه دسترسی دارند.
این موضوع برای AI بسیار مهم است، چون مثلاً یک مدل بزرگ مجبور نیست به شکل سنتی بین RAM و VRAM جابه‌جا شود.
NVIDIA رسماً اجرای مدل‌هایی تا حدود 200B پارامتر روی یک DGX Spark را هدف قرار داده است. با اتصال دو دستگاه، این عدد به مدلهای تا حدود 405B پارامتر می‌رسد.
یک اشتباه رایج : 128GB یعنی 128GB VRAM نیست
این قسمت خیلی مهمه.
128GB در GB10، Unified System Memory است، نه VRAM مجزای HBM مثل H100/H200/B200.
و پهنای باند آن: 273 GB/s است.
برای مقایسه، GPUهای دیتاسنتری H100/H200/B200 از حافظه HBM با پهنای باند چند ترابایت بر ثانیه استفاده می‌کنند.
پس:
ظرفیت حافظه GB10 فوق‌العاده است، اما bandwidth آن در کلاس GPUهای دیتاسنتری نیست.
این تفاوت در workloadهای memory-bandwidth-bound خودش را شدیداً نشان میدهد.
قدرت FP4؛ عدد 1 PFLOP کمی گمراه‌کننده است
NVIDIA برای GB10 عدد:
PFLOP FP4 1را اعلام می‌کند.
اما این عدد با استفاده از Sparsity محاسبه شده است. خود NVIDIA نیز این نکته را در مشخصات ذکر می‌کند.
بنابراین نباید اینطور برداشت کنیم:
GB10 = یک GPU یک -PFLOP واقعی در همه workloadها
بلکه باید گفت:
GB10 حداکثر تا 1 PFLOP تئوریک FP4 AI throughput دارد.
برای مقایسه واقعی باید workload ، precision، sparsity، batch size و مدل مشخص شود.
4 برای LLM واقعاً چقدر خوب است؟
اینجا GB10 جذاب می‌شود.
- برای مثال:
- Llama
- Qwen
- DeepSeek
- Mistral
- Gemma
- مدلهای embedding
- مدلهای vision-language
- AI agents
را می‌توان به‌صورت local اجرا کرد.
مزیت بزرگ GB10 این است که حافظه 128GB اجازه میدهد مدل‌هایی را اجرا کنید که روی GPUهای معمولی 16/24/32/48 GB اصلاً جا نمی‌شوند.
مثلاً:
مدل 70B با quantization مناسب، کاملاً در محدوده‌ای قرار می‌گیرد که GB10 برای آن طراحی شده.
اما برای مدل های بزرگ تر، مسئله فقط capacity نیست؛ bandwidth و سرعت inference نیز مهم می‌شود.
GB10 برای Training چطور است؟
اینجا باید کمی محتاط بود. GB10 را نباید با
- H100
- H200
- B100
- B200
- GB200
مقایسه کرد و انتظار performance دیتاسنتری داشت.
برای: Full training مدلهای بزرگ انتخاب مناسبی نیست ولی برای:
- Fine-tuning
- LoRA
- QLoRA
- مدلهای کوچک و متوسط
- Prototype
- Experiment
- Research
- RAG
- Agent development
بسیار جذاب است.
NVIDIA هم DGX Spark را اساساً برای Prototype ، Development ، Fine-tuning و Inference معرفی می‌کند
و مسیر انتقال workload به دیتاسنتر یا DGX Cloud را هدف قرار داده است.
یکی از بزرگ‌ترین نقاط قوت: مصرف برق
این قسمت واقعاً impressive است.
GB10:
140W TDP
دارد و کل دستگاه با یک PSU حدود 240W تغذیه می‌شود.
یعنی شما یک سیستم AI با:
128GB Unified Memory و Blackwell
را در یک دستگاه تقریباً: 15 × 15 × 5 cmدارید.
وزنش هم حدود: 1.2kgاست.
این از نظر performance per watt و فرم‌فکتور بسیار جالب است.
شبکه 200Gbps؛ چرا؟
اینجا NVIDIA یک قابلیت بسیار جالب گذاشته: ConnectX-7 @ 200Gbps این فقط برای network معمولی نیست،
هدف مهم آن اتصال چند DGX Spark به یکدیگر است.
مثلاً:
DGX Spark #1
200Gbps
DGX Spark #2
و در این حالت می‌توان فضای حافظه و محاسبات را برای workloadهای بزرگ‌تر استفاده کرد.
NVIDIA ظرفیت مدل هدف را در configuration دو Spark تا حدود 405B parameters اعلام می‌کند.
اینجا یک محدودیت جدی وجود دارد
دو دستگاه GB10 الزاماً به معنی: 2 × performance نیست.
چون وقتی مدل بین دو سیستم تقسیم می‌شود، ارتباط بین آنها تبدیل به یک عامل مهم می‌شود.
بنابراین در مدلهای بزرگ: Tensor computation در کنار Memory bandwidth و Interconnect قرار می‌گیرد.
به همین دلیل scaling روی دو Spark بسته به مدل و parallelism می‌تواند متفاوت باشد.
GB10 در مقابل RTX 5090
این مقایسه خیلی جالب است.
RTX 5090
مزایا:
- GPU قدرتمندتر برای بسیاری از workloadهای خام
- CUDA ecosystem
- 32GB GDDR7
- bandwidth بسیار بالاتر
- مناسب‌تر برای بعضی workloads سنگین GPU
اما:
32GB VRAM
محدودیت بزرگی برای LLMهای بزرگ است.
GB10
مزیت اصلی:
128GB Unified Memory
بنابراین اگر مسئله شما این باشد: "مدل من در 32GB جا نمی شود "
GB10 ممکن است بسیار جذاب‌تر باشد.
اما اگر بگویید:
“من فقط دنبال بیشترین performance برای یک workload مشخص GPU هستم.”
آن‌وقت RTX 5090 می‌تواند در بعضی workloadها انتخاب بهتری باشد.
NVIDIA Spark GB10 در برابر H100/H200
اینجا اصلاً رقابت مستقیم نیست.
ویژگی | NVIDIA Spark GB10 | H100/H200 |
Target | Desktop AI / Development | Datacenter |
Memory | 128GB Unified | HBM |
Memory BW | 273GB/s | چند TB/s |
Power | ~140W chip | چند صد وات |
Form factor | Mini desktop | Server |
Large LLM inference | ⭐⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
Training | ⭐⭐ | ⭐⭐⭐⭐⭐ |
Local AI | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
Energy efficiency | ⭐⭐⭐⭐⭐ | ⭐⭐⭐ |
Expandability | محدود | بسیار بالا |
Enterprise deployment | متوسط | بسیار بالا |
پس NVIDIA Spark GB 10قرار نیست H200 را شکست دهد. قرار است یک چیز دیگر باشد:
منابع:
- NVIDIA Official Website – RTX Spark Product Page
- NVIDIA Official Documentation – DGX Spark Specifications and Porting Guide
- NVIDIA Developer Blog – Running Local AI Agents on DGX Spark
- NVIDIA Official Blog – RTX Spark and Local AI Agents Announcement
- TechPowerUp – NVIDIA RTX Spark Technical Analysis
- vn/ Reuters – NVIDIA RTX Spark Market Analysis
- tech– RTX Spark Market Challenges and Analyst Perspectives
- Futunn – NVIDIA AI PC Market Analysis
