Nvidia ha annunciato Project DIGITS al CES di gennaio 2025 e lo ha portato sul mercato come Nvidia DGX Spark: un computer desktop delle dimensioni di un palmo, costruito intorno al superchip GB10 Grace Blackwell con 128 GB di memoria unificata. È andato in vendita a metà ottobre 2025 a 3.999 $, secondo quanto riportato da Engadget. Questa guida spiega cos’è l’hardware, quali dimensioni di modelli di IA può ospitare, perché la velocità della memoria conta più della potenza computazionale dichiarata e a chi conviene acquistarlo. Tutte le specifiche riportate di seguito provengono dalla pagina ufficiale di Nvidia dedicata a DGX Spark; le stime di velocità sono indicate come calcoli aritmetici, non come risultati di benchmark.
Punti chiave
- DGX Spark è il nome commerciale di Project DIGITS. Superchip GB10 Grace Blackwell, CPU Arm a 20 core, 128 GB di memoria unificata LPDDR5x, SSD da 4 TB, in un involucro di 150 × 150 × 50,5 mm.
- La capacità di archiviazione è il principale punto di forza. Nvidia dichiara che una singola unità supporta l’inferenza su modelli fino a 200 miliardi di parametri e il fine-tuning su modelli fino a 70 miliardi; collegandone fino a quattro, si raggiunge un limite di inferenza pari a modelli fino a 700 miliardi di parametri.
- La larghezza di banda della memoria è il vero collo di bottiglia. Con i suoi 273 GB/s, consente di caricare modelli molto più grandi rispetto a una GPU gaming da 32 GB, ma genera token su grandi modelli densi molto più lentamente rispetto a una scheda grafica discreta.
- Il prezzo è variato. 3.999 $ al lancio nell’ottobre 2025; alcune fonti indicano 4.699 $ già nel febbraio 2026, a causa dell’aumento dei costi della memoria. Le versioni dei partner ASUS, Acer, Dell e MSI utilizzano lo stesso chip.
Cos’è realmente DGX Spark
Specifiche pubblicate da Nvidia:
Il termine «memoria unificata» indica che CPU e GPU condividono un unico pool da 128 GB, concetto analogo a quello adottato da Apple nei suoi Mac con chip M-series. In un PC gaming, invece, la memoria è divisa tra RAM di sistema e VRAM dedicata alla scheda grafica; pertanto, un modello che non entra interamente nella VRAM non verrà caricato oppure subirà un rallentamento drastico. Su DGX Spark l’intero pool è disponibile per il modello.
Quali dimensioni di modello può contenere
L’occupazione di memoria di un modello corrisponde approssimativamente al numero di parametri moltiplicato per i byte memorizzati per ciascun parametro, più lo spazio necessario per il contesto (cache KV) e l’overhead di esecuzione. Con la quantizzazione a 4 bit, ogni parametro occupa circa mezzo byte:
| Dimensione del modello | Pesi a 4 bit (approssimativi) | Un DGX Spark (128 GB) | RTX 5090 (32 GB) |
|---|---|---|---|
| 8B | ~5 GB | Si adatta facilmente | Si adatta facilmente |
| 32 miliardi | ~18 GB | Si adatta facilmente | Si adatta, contesto limitato |
| 70B | ~40 GB | Si adatta, con spazio sufficiente per contesti lunghi | Non entra nella memoria |
| 120B | ~65 GB | Si adatta | Non entra nella memoria |
| 200 miliardi | ~110 GB | Si adatta (massimo dichiarato da Nvidia) | Non entra nella memoria |
| 405 miliardi | ~220 GB | Richiede unità collegate | Non entra nella memoria |
Dimensioni approssimative dei pesi; i valori esatti dipendono dal formato di quantizzazione. Il nostro Calcolatore VRAM calcola la memoria necessaria per un modello specifico, una determinata quantizzazione e una data lunghezza di contesto, mentre il Guida ai requisiti di VRAM elenca i modelli più diffusi.
Perché la larghezza di banda della memoria determina la velocità
Quando un modello linguistico genera ciascun token, l’hardware deve leggere dalla memoria i pesi attivi del modello. Nei modelli di grandi dimensioni, è solitamente la lettura — non la potenza di calcolo grezza — a costituire il collo di bottiglia. Ciò rende la larghezza di banda della memoria un utile indicatore per stimare il limite superiore della velocità di generazione: basta dividere la larghezza di banda per i gigabyte letti per ogni token.
| Hardware | Larghezza di banda della memoria | Limite superiore per un modello denso da 70 miliardi di parametri a 4 bit (~40 GB) | Limite superiore per un modello denso da 8 miliardi di parametri a 4 bit (~5 GB) |
|---|---|---|---|
| Nvidia DGX Spark | 273 GB/s | ~7 token/s | ~55 token/s |
| Apple M4 Max | 546 GB/s | ~14 token/s | ~110 token/s |
| RTX 5090 | ~1.792 GB/s | Il modello non entra nei 32 GB disponibili | ~360 token/s |
Si tratta di limiti teorici calcolati a partire dai dati di larghezza di banda pubblicati, non di risultati misurati. Le prestazioni reali sono inferiori una volta considerati anche i fattori legati al calcolo, al software e alla lunghezza del contesto.
Ne derivano due conclusioni pratiche. Primo, per modelli sufficientemente piccoli da entrare in una GPU da gaming, una scheda grafica discreta è molto più veloce. Secondo, il DGX Spark dà il meglio di sé con i modelli a mixture-of-experts (MoE) , che memorizzano molti parametri ma ne attivano solo una frazione per ogni token. Un modello MoE di grandi dimensioni richiede i 128 GB del Spark per essere caricato, ma legge per ogni token soltanto i propri pesi attivi, consentendo quindi una generazione molto più rapida rispetto a un modello denso delle stesse dimensioni complessive.
A chi è rivolto DGX Spark
- Sviluppatori che necessitano di modelli di grandi dimensioni da eseguire localmente. Se il vostro lavoro prevede l’uso di modelli nella fascia 70–200 miliardi di parametri e i vostri dati non possono lasciare l’edificio, un singolo sistema in grado di ospitarli rappresenta il principale vantaggio offerto da questa soluzione.
- Team impegnati nello sviluppo su stack data-center NVIDIA. DGX OS include il software AI di NVIDIA, pertanto il codice sviluppato su un Spark può essere facilmente migrato verso sistemi DGX più grandi o verso il cloud, con modifiche minime.
- Esperimenti di fine-tuning. NVIDIA lo certifica per il fine-tuning di modelli fino a 70 miliardi di parametri, una capacità fuori portata per una singola GPU consumer.
Chi dovrebbe cercare alternative
- Utenti che eseguono modelli compatibili con 24–32 GB di memoria. Un desktop dotato di una GPU di fascia alta genera token sensibilmente più velocemente. Confronta le prestazioni delle diverse schede grafiche nel nostro le migliori GPU per LLM locali guida.
- Chi cerca un computer per uso generico. Il DGX Spark è progettato come macchina per lo sviluppo AI, non come PC domestico o da gaming.
- Utenti occasionali. Se hai bisogno di un modello di grandi dimensioni solo di tanto in tanto, noleggiare GPU cloud o pagare a token tramite un’API risulta generalmente più economico. Il calcolatore self-hosting vs API mostra il punto di pareggio.
Punti di forza e di debolezza
Punti di forza del DGX Spark
- 128 GB di memoria unificata in grado di ospitare modelli fino a 200 miliardi di parametri (valutazione NVIDIA)
- Stack software AI NVIDIA su DGX OS
- Consumo energetico ridotto rispetto a workstation multi-GPU: TDP del chip pari a 140 W, alimentatore da 240 W
- Fino a quattro unità possono essere collegate per gestire modelli fino a 700 miliardi di parametri
- Compatto e leggero: soli 1,2 kg
Punti deboli del DGX Spark
- La larghezza di banda di 273 GB/s limita la velocità sui modelli densi di grandi dimensioni
- Più lento di una GPU discreta per modelli che rientrano nella sua VRAM
- La memoria è saldata sulla scheda: non è possibile effettuare aggiornamenti
- Il prezzo è aumentato rispetto al lancio, in linea con l’aumento dei costi della memoria
Quanto costa realmente possederne uno
Il prezzo di listino è solo il primo elemento da considerare, ed è soggetto a variazioni. L’edizione Founder di NVIDIA è stata lanciata a $3,999 nell’ottobre 2025 ed è stata riportata a $4,699 nel febbraio 2026, quando la carenza globale di DRAM ha reso più costosa la produzione dei suoi 128 GB di LPDDR5x. Poiché gran parte del costo è legato alla memoria saldata, i prezzi del DGX Spark seguono l’andamento del mercato della memoria e potrebbero variare nuovamente: controlla l’NVIDIA Marketplace per il prezzo corrente.
Non sei limitato alla versione dorata dell’edizione Founder. Unità prodotte da partner come ASUS (Ascent GX10), Acer (Veriton GN100), Dell (Pro Max GB10) e MSI (EdgeXpert) utilizzano lo stesso superchip GB10 e gli stessi 128 GB di memoria unificata. Il compromesso riguarda solitamente lo spazio di archiviazione: i sistemi dei partner sono spesso dotati di un SSD da 1 TB anziché dei 4 TB dell’edizione Founder, permettendo così ai modelli più economici di posizionarsi sotto il prezzo di NVIDIA.
Poi aggiungete i costi operativi che spesso si dimenticano:
- Lo storage che supererete rapidamente. I pesi dei modelli, i dataset e le immagini dei container sono molto grandi. Su un sistema con 1 TB, dovrete prevedere quasi subito l’acquisto di un’unità NVMe esterna ad alte prestazioni.
- Elettricità. Il suo consumo energetico è modesto rispetto a una workstation tower, ma un sistema di inferenza sempre acceso comporta comunque un costo continuativo.
- La seconda unità. Collegare due unità per modelli di circa 405 miliardi di parametri raddoppia approssimativamente il costo hardware.
Il confronto onesto va fatto con il cloud, non con l’assenza di soluzioni. Un’istanza GPU cloud di fascia alta viene addebitata a ore e non subisce deprezzamento nel tuo armadio. Il DGX Spark risulta conveniente in termini di costo totale solo se viene utilizzato intensivamente: inferenza locale continua, fine-tuning regolare o carichi di lavoro in cui mantenere i dati in sede è un requisito fondamentale.
Verificare questi dati alla fonte
Le specifiche e i prezzi possono cambiare senza preavviso. Di seguito sono indicate le pagine da cui provengono i dati sopra riportati:
Domande frequenti
Nvidia DGX Spark è la stessa cosa di Project DIGITS?
Sì. Project DIGITS era il nome utilizzato da Nvidia all’annuncio del computer personale per l’IA basato sul chip GB10 durante CES 2025. È stato messo in vendita come DGX Spark nell’ottobre 2025.
Quanto costa DGX Spark?
È stato lanciato a 3.999 $ nell’ottobre 2025; secondo alcune segnalazioni, l’edizione Founder era invece a 4.699 $ nel febbraio 2026, a causa dell’aumento dei prezzi della memoria. I modelli dei partner ASUS, Acer, Dell e MSI con SSD più piccoli possono costare meno.
Qual è il modello più grande che DGX Spark può eseguire?
Nvidia dichiara che un singolo unità supporta l’inferenza su modelli fino a 200 miliardi di parametri e il fine-tuning su modelli fino a 70 miliardi. Collegando fino a quattro unità, il limite per l’inferenza sale a modelli fino a 700 miliardi di parametri.
Qual è la larghezza di banda della memoria e perché limita le prestazioni?
I 128 GB di memoria unificata LPDDR5x del DGX Spark operano a una larghezza di banda di 273 GB/s. Questo valore — e non il numero di petaFLOP dichiarato per i calcoli FP4 — determina la velocità massima di generazione dei token nei modelli linguistici di grandi dimensioni, poiché ogni token richiede la lettura dei pesi attivi dalla memoria. È sufficiente per caricare modelli estremamente grandi che non troverebbero posto su una GPU da gaming da 24–32 GB, ma è ben al di sotto della larghezza di banda di una GPU discreta come l’RTX 5090.
Devo acquistare l’edizione Founder o un modello di un partner, come l’ASUS Ascent GX10?
Le prestazioni computazionali sono identiche, quindi la scelta dipende essenzialmente da capacità di archiviazione e prezzo. L’edizione Founder include un SSD da 4 TB; molti modelli dei partner vengono forniti con 1 TB e costano meno. Se intendi conservare localmente numerosi modelli e dataset di grandi dimensioni, lo spazio aggiuntivo può valere il sovrapprezzo.
Posso usare DGX Spark come normale computer desktop?
Esegue Nvidia DGX OS, basato su Ubuntu Linux, quindi i comuni software desktop funzionano regolarmente. Tuttavia, è progettato e prezzato come macchina per lo sviluppo dell’IA: se non hai bisogno della sua elevata capacità di memoria, un PC convenzionale offre un rapporto qualità-prezzo nettamente migliore.