Ang Nvidia ay naglunsad ng 64GB na bersyon ng DGX Spark, nabawasan ang memorya sa kalahati, nagsisimula sa $4,999, tumaas ang presyo ng 128GB na bersyon sa $6,950

Habang ang mga AI na modelo ay nagiging mas “magaan,” ang VRAM naman ay patuloy na nagmamahal. Sinusubukan ng NVIDIA na tugunan ang kontradiksiyong ito sa pamamagitan ng isang produkto na “binawasan ng memorya.”

Noong Oktubre 2, Biyernes, oras sa Amerika, inanunsyo ng NVIDIA ang paglulunsad ng 64GB unified memory na bersyon ng desktop AI computer na DGX Spark, na may panimulang presyo na $4,999. Ipapalabas ito sa merkado simula Oktubre 23 sa pamamagitan ng mga OEM na partner gaya ng Acer, ASUS, Dell, Gigabyte, HP, at MSI. Pinanatili ng bagong device ang GB10 Grace Blackwell Superchip, DGX OS, kompletong NVIDIA AI software stack, at ConnectX-7 networking capability, ngunit ang unified memory ay ibinaba mula sa kasalukuyang 128GB papuntang 64GB.

Ang nakakapukaw ng interes, ang panimulang presyo ng “napaliit” na DGX Spark ay mas mataas pa kumpara sa unang presyo ng 128GB noong nakaraang taon na $3,999; kasabay nito, itinaas din ng NVIDIA ang presyo ng 128GB Founders Edition sa $6,950. Binanggit ng mga media na iniuugnay ng NVIDIA ang pagtaas ng presyo sa limitadong suplay ng memorya at pagtaas ng gastos.

Ibig sabihin nito, sa patuloy na mataas na demand ng AI server na siyang kumukonsumo ng memorya, ang pagbibigay ng mas kaunting memorya ay nagiging paraan upang pababain ang presyo ng mga lokal na AI na device, ngunit hindi ibig sabihin na totoong naging mas mura ang device mismo.

Sapat na ba ang 64GB? Tinututukan ng NVIDIA ang mga lokal na AI agents

Ang pangunahing lohika ng pagsasaayos ng NVIDIA ay ang dumaraming open-source models na kaya nang tumakbo sa mas maliit na kapasidad ng memorya.

Ayon sa NVIDIA, habang patuloy na lumalakas ang mga kakayahan ng open-source models at lumiliit ang laki ng mga ito, sapat na ang 64GB unified memory para magpatakbo ng ilan sa mga lokal na AI na aplikasyon. Ang bagong DGX Spark ay kayang magpatakbo ng mga modelong hanggang 100 bilyong parameters sa lokal na device pati na rin tumanggap ng trabaho tulad ng AI agent, inference, fine-tuning, data science, at edge development.

Punto rin ng Tom's Hardware na ang ilang pinakabagong high-performance intensive models ay tumatakbo na sa paligid ng 32GB na memorya, ngunit may limitasyon pa rin ito sa malalaking context window at iba pang mga senaryo. Dahil dito, hindi lahat ng developer ay nangangailangan ng 128GB memory na inaalok para sa “malaking modelong lokal na pagpapatakbo.”

Ito rin ang praktikal na dahilan ng NVIDIA sa paglalabas ng 64GB na bersyon: Para sa mga pangunahing gumagamit ng lokal na inference at AI agent development—at hindi malawakang training o fine-tuning—sapat na ang 64GB para masaklaw ang malaking bahagi ng pangkaraniwang gawain.

Sa kanilang anunsyo, binuo pa ng NVIDIA ang trend na ito bilang “habang umuusad ang teknolohiya, lalong nagiging praktikal ang lokal na AI.” Sa paglipat ng AI agents mula sa eksperimento papuntang ordinaryong development, tumataas ang demand para sa lokal na pagpapatakbo ng mga modelo.

Kasabay nito, may benepisyo rin sa privacy at gastos ang lokal na deployment. Maaaring direktang iproseso ng mga developer ang sariling data at patakbuhin ang AI agent sa DGX Spark, imbis na palaging umasa sa cloud-based na modelo sa bawat gawain.

Pareho pa rin ang GB10, hindi nabawasan ang performance ng 64GB na bersyon

Sa arkitektura ng hardware, ang 64GB na bersyon ay hindi isang ganap na bagong chip na produkto.

Tiniyak ng NVIDIA na ginagamit pa rin sa bagong device ang GB10 Grace Blackwell Superchip, kasama ang buong DGX OS at AI software stack. Ayon sa mga ulat, retained pa rin sa 64GB na bersyon ang 20-core Arm CPU at 273GB/s na shared memory bandwidth, kaya sa modelong kasya sa 64GB, hindi nabawasan ang pangunahing computing capability ng dalawang produkto kahit nabawas ang kalahati ng memorya.

Sa madaling salita, hindi “kinaltasan ang compute power” kundi binawasan lang ang bahagi ng memorya na posibleng hindi naman kailangan ng ibang users.

Sinusuportahan pa rin ng 64GB na bersyon ang mga popular na inference framework tulad ng llama.cpp, Ollama, vLLM, LM Studio, at naka-preload ang NVIDIA Agent Toolkit, CUDA-X AI libraries, at Nemotron na mga open models.

Malinaw din ang kalkulasyon ng NVIDIA: Kung kasalukuyang 64GB lang ang kailangan ng developer, maaari niyang bilhin ang modelong ito; kung lalago pa ang laki ng modelo, puwedeng magdagdag pa ng device para sa memorya at compute power sa pamamagitan ng cluster.

Dalawang 64GB maaaring “pagsamahin” tungo sa 128GB, performance tataas nang hanggang 70%

Isa pang mahalagang update sa DGX Spark ay ang pagpapalakas ng NVIDIA sa collaboration ng maraming machine.

Inilagak pa rin sa 64GB na bersyon ang ConnectX-7 na network interface, kaya puwedeng ikonekta ang dalawang device via QSFP cable, at gamit ang NVIDIA Sync Cluster Assistant ay awtomatikong mapo-configure ang network para makabuo ng lokal na AI cluster. Ayon sa NVIDIA, ang dalawang 64GB DGX Spark ay makakabuo ng 128GB memory pool, kaya kayang suportahan ang mga modelong may hanggang 200 bilyong parameters.

Batay sa Qwen 3.8 27B na test ng NVIDIA, kayang umabot ng halos 1.7x ang performance ng cluster ng dalawang 64GB na makina kumpara sa isang single unit.

Sa katapusan ng Oktubre, maglalabas din ang NVIDIA ng Sync Model Launcher para gawing mas simple ang pag-deploy ng mga modelo sa single machine o cluster. Halimbawa, maaaring patakbuhin dito ng mga developer ang Qwen 3.8 27B at i-integrate ito sa mga tool gaya ng OpenCode.

Ibig sabihin, lumilipat na ang product logic ng DGX Spark mula sa pagiging “isang desktop AI supercomputer” patungong “isang lokal na AI node na pwedeng palakihan ng paunti-unti.”

Siyempre, hindi katumbas ng isang pisikal na 128GB DGX Spark ang dalawang 64GB machine, at depende pa rin sa software at workload kung maaaring magpatakbo ng isang model na nakakalat sa maraming node. Kaya para sa mga gawain na nangangailangan ng malaking memorya sa isang makina, limitado pa rin ang 64GB na bersyon.

Sa kakulangan ng VRAM, ang 64GB na $4,999 ay hindi tunay na “mura”

Ang tunay na karapat-dapat pagtuunan ng pansin ay ang presyo.

Ayon sa opisyal ng NVIDIA, ang panimulang presyo ng 64GB DGX Spark ay $4,999, at ang bersyong ito ay hindi magkakaroon ng sariling NVIDIA Founders Edition kundi itutulak lamang sa pamamagitan ng OEM partners. Kasama sa mga partner ang Acer, ASUS, Dell, Gigabyte, HP, at MSI, at maaaring magkaiba-iba ang detalye at presyo depende sa kanilang configuration.

Bilang paghahambing, nang unang ilabas ang DGX Spark noong 2025, ang opisyal na presyo ng 128GB na bersyon ay $3,999; ayon sa ulat, itinaas ng NVIDIA ang presyo ng 128GB Founders Edition sa $4,699 nitong Pebrero 2026, at ngayon $6,950 na ito matapos ang kasalukuyang pagsasaayos.

Kaya kung paghahambingin ang initial na mga presyo, ang kasalukuyang 64GB na bersyon ay hindi nagmura kumpara sa 128GB kundi mas mataas ng $1,000, o tumaas ng 25%.

Kung ikukumpara naman sa kasalukuyang opisyal na presyo ng 128GB na $6,950, mas mura pa rin ng $1,951 ang 64GB na bersyon sa $4,999, ngunit kaakibat nito ay kalahati ang ibinawas na memorya.

Ayon sa PC Watch gamit ang mga kaugnay na impormasyon, ang pagtaas ng presyo ng 128GB ay may kinalaman sa limitasyon ng memory supply at pagtaas ng gastos; binanggit din ng Tom's Hardware na ang aktwal na presyo ng 128GB GB10 system sa merkado ay umaabot na sa humigit-kumulang $7,000 hanggang $9,000.

Sa madaling sabi, may isa pang ipinapakitang kahulugan ang pagsasaayos ng produkto: Ang AI compute power ay patuloy na bumababa patungo sa mga lokal na device, ngunit ang memorya ay nagiging pangunahing bottleneck sa pagbabago ng trend na ito.

Mula sa “memory stacking” tungo sa “on demand expansion”

Sa estratehiya ng produkto, hindi lang basta ginawa ng NVIDIA ang DGX Spark bilang isang “low-end” na bersyon.

Dati, isa sa pangunahing selling point ng DGX Spark ay ang 128GB unified memory na nagpapahintulot sa mga developer na magpatakbo ng malalaking model sa desktop device; ngunit ngayon, dahil sa advances sa compression at quantization, hindi na lahat ng modelo ay nangangailangan ng ganito kalaking memorya.

Kaya ang solusyon ng NVIDIA ay: 64GB single machine para sa mainstream local AI inference, at cluster expansion kapag kailangan pa ng mas maraming memorya.

Ilalabas ang 64GB na bersyon sa Oktubre 23, panimulang presyo $4,999. Samantala, ang presyo ng 128GB na bersyon ay itinaas sa $6,950, dahilan kung kaya’t espesyal ang bagong produkto na ito—ito ay parehong pagtatangkang pababain ang local AI hardware entry point ng NVIDIA, at salamin sa tagisan sa kasalukuyang AI industry ng “malakas na demand sa compute power, at humihigpit na memory supply.”