{"id":380,"date":"2026-05-19T18:16:08","date_gmt":"2026-05-19T18:16:08","guid":{"rendered":"https:\/\/convly.ai\/nvidia-digits-personal-ai-computer-review\/"},"modified":"2026-09-11T05:41:58","modified_gmt":"2026-09-11T05:41:58","slug":"nvidia-digits-personal-ai-computer-review","status":"publish","type":"post","link":"https:\/\/convly.ai\/it\/nvidia-digits-personal-ai-computer-review\/","title":{"rendered":"Nvidia DGX Spark (Project DIGITS): specifiche tecniche, prezzo e a chi conviene"},"content":{"rendered":"<p>Nvidia ha annunciato Project DIGITS al CES di gennaio 2025 e lo ha portato sul mercato come <strong>Nvidia DGX Spark<\/strong>: un computer desktop delle dimensioni di un palmo, costruito intorno al superchip GB10 Grace Blackwell con <strong>128 GB di memoria unificata<\/strong>. \u00c8 andato in vendita a met\u00e0 ottobre 2025 a 3.999 $, secondo quanto riportato da <a href=\"https:\/\/www.engadget.com\/ai\/nvidia-starts-selling-its-3999-dgx-spark-ai-developer-pc-120034479.html\" rel=\"noopener\" target=\"_blank\">Engadget<\/a>. Questa guida spiega cos\u2019\u00e8 l\u2019hardware, quali dimensioni di modelli di IA pu\u00f2 ospitare, perch\u00e9 la velocit\u00e0 della memoria conta pi\u00f9 della potenza computazionale dichiarata e a chi conviene acquistarlo. Tutte le specifiche riportate di seguito provengono dalla <a href=\"https:\/\/www.nvidia.com\/en-us\/products\/workstations\/dgx-spark\/\" rel=\"noopener\" target=\"_blank\">pagina ufficiale di Nvidia dedicata a DGX Spark<\/a>; le stime di velocit\u00e0 sono indicate come calcoli aritmetici, non come risultati di benchmark.<\/p>\n<div class=\"convly-tldr\">\n<h3>Punti chiave<\/h3>\n<ul>\n<li><strong>DGX Spark \u00e8 il nome commerciale di Project DIGITS.<\/strong> Superchip GB10 Grace Blackwell, CPU Arm a 20 core, 128 GB di memoria unificata LPDDR5x, SSD da 4 TB, in un involucro di 150 \u00d7 150 \u00d7 50,5 mm.<\/li>\n<li><strong>La capacit\u00e0 di archiviazione \u00e8 il principale punto di forza.<\/strong> Nvidia dichiara che una singola unit\u00e0 supporta l\u2019inferenza 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.<\/li>\n<li><strong>La larghezza di banda della memoria \u00e8 il vero collo di bottiglia.<\/strong> Con i suoi 273 GB\/s, consente di caricare modelli molto pi\u00f9 grandi rispetto a una GPU gaming da 32 GB, ma genera token su grandi modelli densi molto pi\u00f9 lentamente rispetto a una scheda grafica discreta.<\/li>\n<li><strong>Il prezzo \u00e8 variato.<\/strong> 3.999 $ al lancio nell\u2019ottobre 2025; alcune fonti indicano 4.699 $ gi\u00e0 nel febbraio 2026, a causa dell\u2019aumento dei costi della memoria. Le versioni dei partner ASUS, Acer, Dell e MSI utilizzano lo stesso chip.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_88 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6aafe901827bc\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Attiva\/Disattiva<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6aafe901827bc\"  aria-label=\"Attiva\/Disattiva\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/it\/nvidia-digits-personal-ai-computer-review\/#What_DGX_Spark_actually_is\" >Cos\u2019\u00e8 realmente DGX Spark<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/it\/nvidia-digits-personal-ai-computer-review\/#What_size_of_model_fits\" >Quali dimensioni di modello pu\u00f2 contenere<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/it\/nvidia-digits-personal-ai-computer-review\/#Why_memory_bandwidth_decides_the_speed\" >Perch\u00e9 la larghezza di banda della memoria determina la velocit\u00e0<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/it\/nvidia-digits-personal-ai-computer-review\/#Who_DGX_Spark_is_for\" >A chi \u00e8 rivolto DGX Spark<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/it\/nvidia-digits-personal-ai-computer-review\/#Who_should_look_elsewhere\" >Chi dovrebbe cercare alternative<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/it\/nvidia-digits-personal-ai-computer-review\/#Pros_and_cons\" >Punti di forza e di debolezza<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/it\/nvidia-digits-personal-ai-computer-review\/#What_it_actually_costs_to_own_one\" >Quanto costa realmente possederne uno<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/it\/nvidia-digits-personal-ai-computer-review\/#Verify_these_figures_at_the_source\" >Verificare questi dati alla fonte<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/it\/nvidia-digits-personal-ai-computer-review\/#FAQ\" >Domande frequenti<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/it\/nvidia-digits-personal-ai-computer-review\/#Related_articles\" >Articoli correlati<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_DGX_Spark_actually_is\"><\/span>Cos\u2019\u00e8 realmente DGX Spark<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Specifiche pubblicate da Nvidia:<\/p>\n<div class=\"convly-specs\">\n<div><strong>Superchip<\/strong><span>Nvidia GB10 Grace Blackwell<\/span><\/div>\n<div><strong>CPU<\/strong><span>CPU Arm a 20 core (10 Cortex-X925 + 10 Cortex-A725)<\/span><\/div>\n<div><strong>GPU<\/strong><span>Architettura Blackwell, tensor core di quinta generazione<\/span><\/div>\n<div><strong>Elaborazione AI<\/strong><span>Fino a 1 petaFLOP in FP4 (Nvidia: valore teorico, con sfruttamento della sparsit\u00e0)<\/span><\/div>\n<div><strong>Memoria<\/strong><span>128 GB di memoria unificata LPDDR5x, larghezza di banda di 273 GB\/s<\/span><\/div>\n<div><strong>Archiviazione<\/strong><span>SSD NVMe M.2 da 4 TB con crittografia hardware<\/span><\/div>\n<div><strong>Rete<\/strong><span>NIC ConnectX-7 a 200 Gbps<\/span><\/div>\n<div><strong>Alimentazione<\/strong><span>TDP del chip GB10: 140 W; alimentatore da 240 W<\/span><\/div>\n<div><strong>Dimensioni e peso<\/strong><span>150 \u00d7 150 \u00d7 50,5 mm, 1,2 kg<\/span><\/div>\n<div><strong>Sistema operativo<\/strong><span>Nvidia DGX OS<\/span><\/div>\n<\/div>\n<p>Il termine \u00abmemoria unificata\u00bb 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 \u00e8 divisa tra RAM di sistema e VRAM dedicata alla scheda grafica; pertanto, un modello che non entra interamente nella VRAM non verr\u00e0 caricato oppure subir\u00e0 un rallentamento drastico. Su DGX Spark l\u2019intero pool \u00e8 disponibile per il modello.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_size_of_model_fits\"><\/span>Quali dimensioni di modello pu\u00f2 contenere<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>L\u2019occupazione di memoria di un modello corrisponde approssimativamente al numero di parametri moltiplicato per i byte memorizzati per ciascun parametro, pi\u00f9 lo spazio necessario per il contesto (cache KV) e l\u2019overhead di esecuzione. Con la quantizzazione a 4 bit, ogni parametro occupa circa mezzo byte:<\/p>\n<div style=\"overflow-x:auto\">\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Dimensione del modello<\/th>\n<th>Pesi a 4 bit (approssimativi)<\/th>\n<th>Un DGX Spark (128 GB)<\/th>\n<th>RTX 5090 (32 GB)<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>8B<\/td>\n<td>~5 GB<\/td>\n<td>Si adatta facilmente<\/td>\n<td>Si adatta facilmente<\/td>\n<\/tr>\n<tr>\n<td>32 miliardi<\/td>\n<td>~18 GB<\/td>\n<td>Si adatta facilmente<\/td>\n<td>Si adatta, contesto limitato<\/td>\n<\/tr>\n<tr>\n<td>70B<\/td>\n<td>~40 GB<\/td>\n<td>Si adatta, con spazio sufficiente per contesti lunghi<\/td>\n<td>Non entra nella memoria<\/td>\n<\/tr>\n<tr>\n<td>120B<\/td>\n<td>~65 GB<\/td>\n<td>Si adatta<\/td>\n<td>Non entra nella memoria<\/td>\n<\/tr>\n<tr>\n<td>200 miliardi<\/td>\n<td>~110 GB<\/td>\n<td>Si adatta (massimo dichiarato da Nvidia)<\/td>\n<td>Non entra nella memoria<\/td>\n<\/tr>\n<tr>\n<td>405 miliardi<\/td>\n<td>~220 GB<\/td>\n<td>Richiede unit\u00e0 collegate<\/td>\n<td>Non entra nella memoria<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<p><em>Dimensioni approssimative dei pesi; i valori esatti dipendono dal formato di quantizzazione. Il nostro <a href=\"\/it\/llm-vram-calculator\/\">Calcolatore VRAM<\/a> calcola la memoria necessaria per un modello specifico, una determinata quantizzazione e una data lunghezza di contesto, mentre il <a href=\"\/it\/vram-requirements-every-major-llm-2026\/\">Guida ai requisiti di VRAM<\/a> elenca i modelli pi\u00f9 diffusi.<\/em><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Why_memory_bandwidth_decides_the_speed\"><\/span>Perch\u00e9 la larghezza di banda della memoria determina la velocit\u00e0<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Quando un modello linguistico genera ciascun token, l\u2019hardware deve leggere dalla memoria i pesi attivi del modello. Nei modelli di grandi dimensioni, \u00e8 solitamente la lettura \u2014 non la potenza di calcolo grezza \u2014 a costituire il collo di bottiglia. Ci\u00f2 rende la larghezza di banda della memoria un utile indicatore per stimare il <strong>limite superiore<\/strong> della velocit\u00e0 di generazione: basta dividere la larghezza di banda per i gigabyte letti per ogni token.<\/p>\n<div style=\"overflow-x:auto\">\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Hardware<\/th>\n<th>Larghezza di banda della memoria<\/th>\n<th>Limite superiore per un modello denso da 70 miliardi di parametri a 4 bit (~40 GB)<\/th>\n<th>Limite superiore per un modello denso da 8 miliardi di parametri a 4 bit (~5 GB)<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Nvidia DGX Spark<\/td>\n<td>273 GB\/s<\/td>\n<td>~7 token\/s<\/td>\n<td>~55 token\/s<\/td>\n<\/tr>\n<tr>\n<td>Apple M4 Max<\/td>\n<td>546 GB\/s<\/td>\n<td>~14 token\/s<\/td>\n<td>~110 token\/s<\/td>\n<\/tr>\n<tr>\n<td>RTX 5090<\/td>\n<td>~1.792 GB\/s<\/td>\n<td>Il modello non entra nei 32 GB disponibili<\/td>\n<td>~360 token\/s<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<p><em>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.<\/em><\/p>\n<p>Ne derivano due conclusioni pratiche. Primo, per modelli sufficientemente piccoli da entrare in una GPU da gaming, una scheda grafica discreta \u00e8 molto pi\u00f9 veloce. Secondo, il DGX Spark d\u00e0 il meglio di s\u00e9 con i modelli a <strong>mixture-of-experts (MoE)<\/strong> , 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 pi\u00f9 rapida rispetto a un modello denso delle stesse dimensioni complessive.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Who_DGX_Spark_is_for\"><\/span>A chi \u00e8 rivolto DGX Spark<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><strong>Sviluppatori che necessitano di modelli di grandi dimensioni da eseguire localmente.<\/strong> Se il vostro lavoro prevede l\u2019uso di modelli nella fascia 70\u2013200 miliardi di parametri e i vostri dati non possono lasciare l\u2019edificio, un singolo sistema in grado di ospitarli rappresenta il principale vantaggio offerto da questa soluzione.<\/li>\n<li><strong>Team impegnati nello sviluppo su stack data-center NVIDIA.<\/strong> DGX OS include il software AI di NVIDIA, pertanto il codice sviluppato su un Spark pu\u00f2 essere facilmente migrato verso sistemi DGX pi\u00f9 grandi o verso il cloud, con modifiche minime.<\/li>\n<li><strong>Esperimenti di fine-tuning.<\/strong> NVIDIA lo certifica per il fine-tuning di modelli fino a 70 miliardi di parametri, una capacit\u00e0 fuori portata per una singola GPU consumer.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Who_should_look_elsewhere\"><\/span>Chi dovrebbe cercare alternative<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><strong>Utenti che eseguono modelli compatibili con 24\u201332 GB di memoria.<\/strong> Un desktop dotato di una GPU di fascia alta genera token sensibilmente pi\u00f9 velocemente. Confronta le prestazioni delle diverse schede grafiche nel nostro <a href=\"\/it\/best-gpus-for-local-llms-2026\/\">le migliori GPU per LLM locali<\/a> guida.<\/li>\n<li><strong>Chi cerca un computer per uso generico.<\/strong> Il DGX Spark \u00e8 progettato come macchina per lo sviluppo AI, non come PC domestico o da gaming.<\/li>\n<li><strong>Utenti occasionali.<\/strong> Se hai bisogno di un modello di grandi dimensioni solo di tanto in tanto, noleggiare GPU cloud o pagare a token tramite un\u2019API risulta generalmente pi\u00f9 economico. Il <a href=\"\/it\/self-hosting-vs-api-calculator\/\">calcolatore self-hosting vs API<\/a> mostra il punto di pareggio.<\/li>\n<\/ul>\n<h2><span class=\"ez-toc-section\" id=\"Pros_and_cons\"><\/span>Punti di forza e di debolezza<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div class=\"convly-procons\">\n<div class=\"pros\">\n<h4>Punti di forza del DGX Spark<\/h4>\n<ul>\n<li>128 GB di memoria unificata in grado di ospitare modelli fino a 200 miliardi di parametri (valutazione NVIDIA)<\/li>\n<li>Stack software AI NVIDIA su DGX OS<\/li>\n<li>Consumo energetico ridotto rispetto a workstation multi-GPU: TDP del chip pari a 140 W, alimentatore da 240 W<\/li>\n<li>Fino a quattro unit\u00e0 possono essere collegate per gestire modelli fino a 700 miliardi di parametri<\/li>\n<li>Compatto e leggero: soli 1,2 kg<\/li>\n<\/ul>\n<\/div>\n<div class=\"cons\">\n<h4>Punti deboli del DGX Spark<\/h4>\n<ul>\n<li>La larghezza di banda di 273 GB\/s limita la velocit\u00e0 sui modelli densi di grandi dimensioni<\/li>\n<li>Pi\u00f9 lento di una GPU discreta per modelli che rientrano nella sua VRAM<\/li>\n<li>La memoria \u00e8 saldata sulla scheda: non \u00e8 possibile effettuare aggiornamenti<\/li>\n<li>Il prezzo \u00e8 aumentato rispetto al lancio, in linea con l\u2019aumento dei costi della memoria<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_it_actually_costs_to_own_one\"><\/span>Quanto costa realmente possederne uno<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Il prezzo di listino \u00e8 solo il primo elemento da considerare, ed \u00e8 soggetto a variazioni. L\u2019edizione Founder di NVIDIA \u00e8 stata lanciata a <strong>$3,999<\/strong> nell\u2019ottobre 2025 ed \u00e8 stata riportata a <strong>$4,699<\/strong> nel febbraio 2026, quando la carenza globale di DRAM ha reso pi\u00f9 costosa la produzione dei suoi 128 GB di LPDDR5x. Poich\u00e9 gran parte del costo \u00e8 legato alla memoria saldata, i prezzi del DGX Spark seguono l\u2019andamento del mercato della memoria e potrebbero variare nuovamente: controlla l\u2019NVIDIA Marketplace per il prezzo corrente.<\/p>\n<p>Non sei limitato alla versione dorata dell\u2019edizione Founder. Unit\u00e0 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 anzich\u00e9 dei 4 TB dell\u2019edizione Founder, permettendo cos\u00ec ai modelli pi\u00f9 economici di posizionarsi sotto il prezzo di NVIDIA.<\/p>\n<p>Poi aggiungete i costi operativi che spesso si dimenticano:<\/p>\n<ul>\n<li><strong>Lo storage che supererete rapidamente.<\/strong> 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\u2019acquisto di un\u2019unit\u00e0 NVMe esterna ad alte prestazioni.<\/li>\n<li><strong>Elettricit\u00e0.<\/strong> Il suo consumo energetico \u00e8 modesto rispetto a una workstation tower, ma un sistema di inferenza sempre acceso comporta comunque un costo continuativo.<\/li>\n<li><strong>La seconda unit\u00e0.<\/strong> Collegare due unit\u00e0 per modelli di circa 405 miliardi di parametri raddoppia approssimativamente il costo hardware.<\/li>\n<\/ul>\n<p>Il confronto onesto va fatto con il cloud, non con l\u2019assenza di soluzioni. Un\u2019istanza 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 \u00e8 un requisito fondamentale.<\/p>\n<div class=\"convly-sources\">\n<h2><span class=\"ez-toc-section\" id=\"Verify_these_figures_at_the_source\"><\/span>Verificare questi dati alla fonte<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Le specifiche e i prezzi possono cambiare senza preavviso. Di seguito sono indicate le pagine da cui provengono i dati sopra riportati:<\/p>\n<ul>\n<li><a href=\"https:\/\/www.nvidia.com\/en-us\/products\/workstations\/dgx-spark\/\" rel=\"noopener\" target=\"_blank\">Specifiche tecniche del DGX Spark di NVIDIA<\/a><\/li>\n<li><a href=\"https:\/\/www.engadget.com\/ai\/nvidia-starts-selling-its-3999-dgx-spark-ai-developer-pc-120034479.html\" rel=\"noopener\" target=\"_blank\">Engadget: NVIDIA inizia la vendita del DGX Spark a 3.999 dollari<\/a><\/li>\n<\/ul>\n<\/div>\n<h2><span class=\"ez-toc-section\" id=\"FAQ\"><\/span>Domande frequenti<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Nvidia DGX Spark \u00e8 la stessa cosa di Project DIGITS?<\/h3>\n<p>S\u00ec. Project DIGITS era il nome utilizzato da Nvidia all\u2019annuncio del computer personale per l\u2019IA basato sul chip GB10 durante CES 2025. \u00c8 stato messo in vendita come DGX Spark nell\u2019ottobre 2025.<\/p>\n<h3>Quanto costa DGX Spark?<\/h3>\n<p>\u00c8 stato lanciato a 3.999 $ nell\u2019ottobre 2025; secondo alcune segnalazioni, l\u2019edizione Founder era invece a 4.699 $ nel febbraio 2026, a causa dell\u2019aumento dei prezzi della memoria. I modelli dei partner ASUS, Acer, Dell e MSI con SSD pi\u00f9 piccoli possono costare meno.<\/p>\n<h3>Qual \u00e8 il modello pi\u00f9 grande che DGX Spark pu\u00f2 eseguire?<\/h3>\n<p>Nvidia dichiara che un singolo unit\u00e0 supporta l\u2019inferenza su modelli fino a 200 miliardi di parametri e il fine-tuning su modelli fino a 70 miliardi. Collegando fino a quattro unit\u00e0, il limite per l\u2019inferenza sale a modelli fino a 700 miliardi di parametri.<\/p>\n<h3>Qual \u00e8 la larghezza di banda della memoria e perch\u00e9 limita le prestazioni?<\/h3>\n<p>I 128 GB di memoria unificata LPDDR5x del DGX Spark operano a una larghezza di banda di 273 GB\/s. Questo valore \u2014 e non il numero di petaFLOP dichiarato per i calcoli FP4 \u2014 determina la velocit\u00e0 massima di generazione dei token nei modelli linguistici di grandi dimensioni, poich\u00e9 ogni token richiede la lettura dei pesi attivi dalla memoria. \u00c8 sufficiente per caricare modelli estremamente grandi che non troverebbero posto su una GPU da gaming da 24\u201332 GB, ma \u00e8 ben al di sotto della larghezza di banda di una GPU discreta come l\u2019RTX 5090.<\/p>\n<h3>Devo acquistare l\u2019edizione Founder o un modello di un partner, come l\u2019ASUS Ascent GX10?<\/h3>\n<p>Le prestazioni computazionali sono identiche, quindi la scelta dipende essenzialmente da capacit\u00e0 di archiviazione e prezzo. L\u2019edizione 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 pu\u00f2 valere il sovrapprezzo.<\/p>\n<h3>Posso usare DGX Spark come normale computer desktop?<\/h3>\n<p>Esegue Nvidia DGX OS, basato su Ubuntu Linux, quindi i comuni software desktop funzionano regolarmente. Tuttavia, \u00e8 progettato e prezzato come macchina per lo sviluppo dell\u2019IA: se non hai bisogno della sua elevata capacit\u00e0 di memoria, un PC convenzionale offre un rapporto qualit\u00e0-prezzo nettamente migliore.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Articoli correlati<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/it\/deepseek-v4-pro-vs-llama-4-maverick\/\">DeepSeek V4-Pro contro Llama 4 Maverick: specifiche, prezzi e quale scegliere (2026)<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/it\/rtx-pro-6000-vs-rtx-5090-for-ai-2026\/\">RTX Pro 6000 Blackwell vs RTX 5090 per l'IA nel 2026: quando vale la pena pagare 5.500 dollari in pi\u00f9 per 96 GB di VRAM?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/it\/rtx-5070-vs-rtx-5080-for-ai-2026\/\">RTX 5070 vs RTX 5080 per l'IA nel 2026: vale la pena spendere 450 dollari in pi\u00f9 per passare a 16 GB di VRAM?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/it\/best-gpus-for-video-generation-2026\/\">Le migliori GPU per la generazione di video AI nel 2026<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/it\/best-gpus-for-llm-fine-tuning-2026\/\">Le migliori GPU per il fine-tuning di LLM a casa nel 2026<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>Nvidia DGX Spark, the shipping version of Project DIGITS: GB10 chip, 128 GB unified memory and 273 GB\/s bandwidth. What size of model it holds, why memory speed limits it, the launch price and who should buy one.<\/p>","protected":false},"author":1,"featured_media":1997,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[248],"tags":[255,316,314,315],"class_list":["post-380","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-gpus","tag-ai-workstation-2026","tag-gb10","tag-nvidia-digits","tag-personal-ai-supercomputer"],"_links":{"self":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/380","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/comments?post=380"}],"version-history":[{"count":5,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/380\/revisions"}],"predecessor-version":[{"id":2669,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/posts\/380\/revisions\/2669"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media\/1997"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/media?parent=380"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/categories?post=380"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/it\/wp-json\/wp\/v2\/tags?post=380"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}