10.07.2026 11:00
🚀 Дженсен Хуанг представил суперкомпьютер за $3 000, который может заменить облачные GPU стоимостью $1 900 в месяц и помещается прямо на рабочем столе…
🚀 Дженсен Хуанг представил суперкомпьютер за $3 000, который может заменить облачные GPU стоимостью $1 900 в месяц и помещается прямо на рабочем столе.
По словам одного из разработчиков, он ежемесячно тратил около $1 900 на аренду GPU A100 и H100 в облаке. После покупки NVIDIA DGX Spark устройство было настроено за один вечер, а ежемесячные расходы сократились до примерно $2 на электроэнергию.
Что предлагает DGX Spark:
128 ГБ унифицированной памяти;
до 1 PFLOPS вычислений для ИИ;
возможность запускать модели уровня 70B в полном качестве;
поддержку моделей до 200B параметров благодаря большой общей памяти.
Для сравнения, популярная NVIDIA GeForce RTX 4090 имеет 24 ГБ видеопамяти, что серьёзно ограничивает запуск крупных LLM без квантования и дополнительных оптимизаций.
Особенно привлекательно выглядит экономика:
стоимость устройства — около $3 000;
экономия по сравнению с облаком — около $1 900 ежемесячно;
окупаемость — примерно 6 недель;
за первый год потенциальная экономия может превысить $20 000.
Для локального запуска достаточно установить Ollama и заменить адрес API с облачного сервиса на localhost. После этого модели работают локально, данные не покидают устройство, а стоимость каждого запроса фактически сводится к потреблению электроэнергии.
Для команд, работающих с агентами, RAG-системами, локальными LLM или робототехникой, тренд выглядит весьма заметным: по мере роста цен на облачные GPU и ужесточения лимитов всё больше вычислений будет возвращаться на локальные рабочие станции.
Если тенденция сохранится, то компании, которые начали переносить AI-нагрузки на собственное железо в 2026 году, могут получить серьёзное преимущество уже через несколько лет. 🤖💻⚡️
По словам одного из разработчиков, он ежемесячно тратил около $1 900 на аренду GPU A100 и H100 в облаке. После покупки NVIDIA DGX Spark устройство было настроено за один вечер, а ежемесячные расходы сократились до примерно $2 на электроэнергию.
Что предлагает DGX Spark:
128 ГБ унифицированной памяти;
до 1 PFLOPS вычислений для ИИ;
возможность запускать модели уровня 70B в полном качестве;
поддержку моделей до 200B параметров благодаря большой общей памяти.
Для сравнения, популярная NVIDIA GeForce RTX 4090 имеет 24 ГБ видеопамяти, что серьёзно ограничивает запуск крупных LLM без квантования и дополнительных оптимизаций.
Особенно привлекательно выглядит экономика:
стоимость устройства — около $3 000;
экономия по сравнению с облаком — около $1 900 ежемесячно;
окупаемость — примерно 6 недель;
за первый год потенциальная экономия может превысить $20 000.
Для локального запуска достаточно установить Ollama и заменить адрес API с облачного сервиса на localhost. После этого модели работают локально, данные не покидают устройство, а стоимость каждого запроса фактически сводится к потреблению электроэнергии.
Для команд, работающих с агентами, RAG-системами, локальными LLM или робототехникой, тренд выглядит весьма заметным: по мере роста цен на облачные GPU и ужесточения лимитов всё больше вычислений будет возвращаться на локальные рабочие станции.
Если тенденция сохранится, то компании, которые начали переносить AI-нагрузки на собственное железо в 2026 году, могут получить серьёзное преимущество уже через несколько лет. 🤖💻⚡️