AI 열광자는 모델이 의도하지 않은 작업을 수행하도록 만드는 데 불합리한 시간을 소비할 수 있습니다. 개인 문서 모음을 제공합니다. 코드베이스를 제공하고 규칙을 이해하는지 확인하세요. 공개 모델을 미세 조정하고, 데이터를 변경하고, 다시 실행하고 결과를 비교합니다. 하나의 실험이 성공하면 다음 질문이 빨리 떠오르는 경향이 있습니다. 모델이 작업의 더 큰 부분을 맡을 수 있습니까? 아마도 도구를 사용하고 매번 메시지를 표시하지 않고도 여러 단계를 수행할 수 있는 에이전트로서일 수 있습니까?
엔비디아 DGX 스파크TM OEM 파트너인 Acer, ASUS, Dell, Gigabyte, HP 및 MSI를 통해 독점적으로 제공되는 64GB는 바로 이러한 종류의 작업을 위해 제작되었습니다. 컴팩트 데스크탑 시스템은 NVIDIA GB10 Grace Blackwell Superchip과 64GB의 일관된 통합 메모리 및 회사의 AI 소프트웨어 스택을 결합하여 모델 미세 조정, 추론 및 자율 AI 에이전트를 위한 로컬 플랫폼을 만듭니다. 워크로드가 증가함에 따라 다중 Spark 클러스터로 확장할 수 있는 ConnectX-7 네트워킹이 내장되어 있습니다. NVIDIA는 단순히 클라우드 서비스를 통해 액세스하는 것이 아니라 로컬 모델을 사용하여 구축하려는 개발자, 연구원, 학생, 데이터 과학자 및 AI 애호가를 위해 64GB 구성을 포지셔닝하고 있습니다.
기존 데스크탑은 실험이 더욱 야심적으로 진행될 때까지 수많은 AI 실험을 처리할 수 있습니다. 하나의 모델을 실행하는 것은 비교적 간단합니다. 더 큰 모델, 해당 컨텍스트 및 애플리케이션 지원 부분을 동시에 사용할 수 있도록 유지하는 것은 또 다른 문제입니다. DGX Spark는 로컬 AI를 범용 PC가 지원하는 것으로 처리하는 대신 AI 컴퓨팅과 메모리를 설계의 중심에 두는 다른 방향에서 문제에 접근합니다.
흥미로운 부분은 모델이 당신의 것이 될 때 시작됩니다.
모델이 완성된 제품으로 취급되지 않으면 로컬 AI가 훨씬 더 유용해집니다. 예를 들어 코딩 도우미를 구축하는 개발자는 단순히 프로그래밍 방법을 아는 일반 모델을 원하지 않을 수 있습니다. 특정 코드베이스에 대해 기존 모델을 미세 조정하면 향후 실험을 위한 매우 다른 시작점이 될 수 있습니다. 특히 개발자가 소프트웨어가 실제로 작성되는 방식을 모델이 얼마나 잘 이해하는지 테스트하려는 경우 더욱 그렇습니다.
NVIDIA는 DGX Spark에 대해 이 워크플로우를 구체적으로 식별합니다. 개발자는 자신의 소프트웨어 소스 코드를 사용하여 기존 LLM을 미세 조정한 다음 향후 개발 작업을 위해 결과 모델을 로컬에서 실행할 수 있습니다. 또한 동일한 설정으로 컴퓨터 비전 프로젝트, 로컬 추론 테스트 및 데이터 과학 작업을 지원할 수 있어 개발자가 워크로드를 다른 곳으로 즉시 이동하지 않고도 교육 및 실험에서 테스트로 이동할 수 있는 공간을 제공합니다.
아이디어와 테스트 사이의 거리가 짧아지기 때문에 하드웨어는 창의적인 루프의 일부가 됩니다. 개발자는 모든 반복을 외부 추론 서비스에 보내지 않고도 모델을 변경하고, 로컬에서 실행하고, 결과를 검사하고, 다시 시도할 수 있습니다. 따라서 로컬 컴퓨팅은 단순히 모델을 오프라인으로 유지하는 것이 아니라 이를 사용하여 구축하는 사람에게 실험을 직접 제어할 수 있는 권한을 부여하는 것입니다.
DGX Spark 64GB는 이러한 워크플로우를 중심으로 설계되었습니다. GB10 Grace Blackwell Superchip은 Blackwell GPU와 20코어 Arm CPU를 결합하고, NVLink-C2C는 프로세서와 GPU가 동일한 메모리 풀에서 작동할 수 있도록 하는 일관된 메모리 아키텍처를 생성합니다. NVIDIA는 273GB/s의 메모리 대역폭으로 시스템을 최대 1페타플롭의 FP4 AI 성능으로 평가합니다.
실험이 커질수록 기계는 흥미로워집니다.
일반적으로 GPU가 헤드라인을 장식하기 때문에 AI 하드웨어에 관해 이야기할 때 메모리를 간과하기 쉽습니다. 로컬 모델은 메모리를 무시하기 훨씬 더 어렵게 만듭니다. 모델을 실행할 공간이 필요하지만 더 긴 컨텍스트, 추가 모델 및 모델 주변에 구축된 애플리케이션의 다른 부분도 마찬가지입니다. 하나의 모델을 편안하게 처리하는 기계는 워크로드가 실제 애플리케이션처럼 작동하기 시작하면 훨씬 덜 편안해질 수 있습니다.
NVIDIA는 Qwen3.8-27B, Meta Muse Glimmer 및 NVIDIA Nemotron 3.5 Lightning을 포함한 최신 개방형 모델을 중심으로 64GB 구성을 포지셔닝합니다. 회사는 이러한 모델이 불과 몇 달 전의 프론티어 모델과 비교할 수 있는 기능을 제공하면서 64GB 메모리 공간에 적합하다고 설명합니다. CX-7 네트워킹 및 NVIDIA Sync Cluster Assistant를 사용하면 2개의 64GB 시스템을 원활하게 클러스터링하여 128GB 메모리를 풀링하고 더 큰 모델과 더 큰 워크로드를 실행할 수 있습니다.
이러한 용량의 이점은 단순히 사양서에 더 많은 숫자를 표시할 수 있다는 것이 아닙니다. 더 많은 메모리는 매니아에게 더 풍부한 컨텍스트를 제공하고 모델과 함께 지원 워크로드를 실행하며 하드웨어 자체가 제한 요소가 되기 전에 점점 더 복잡해지는 로컬 애플리케이션을 실험할 수 있는 공간을 제공합니다.
NVIDIA는 또한 일반적으로 로컬 AI 설정에 수반되는 일부 마찰을 제거하려고 노력했습니다. DGX Spark는 DGX OS를 실행하며 프로토타입 제작, 미세 조정 및 추론을 위한 PyTorch, Jupyter 및 Ollama를 포함하는 NVIDIA CUDA 가속 AI 소프트웨어 스택과 함께 제공됩니다.
AI에게 일자리를 제공하면 하드웨어가 더 많은 것을 증명할 수 있습니다.
자율 에이전트는 모델이 더 이상 하나의 답을 생성하고 중지할 것으로 예상되지 않기 때문에 실험의 성격을 변경합니다. 코딩 에이전트는 프로젝트를 검사하고, 문제를 식별하고, 변경하고, 결과를 테스트하고, 배운 내용을 계속 이어갈 수 있습니다. 연구 워크플로우에는 여러 전문가 모델, 도구 호출 및 작업이 진행되는 동안 계속 사용할 수 있어야 하는 긴 컨텍스트 추적이 포함될 수 있습니다.
DGX Spark는 여러 모델과 에이전트가 동일한 대용량 메모리 풀을 공유할 수 있는 워크로드를 위해 설계되었습니다. NVIDIA는 이 시스템을 장기 상황 추론, 다중 에이전트 파이프라인 및 로컬 추론을 위한 플랫폼으로 구체적으로 설명하고 있으며 NVIDIA OpenShell은TM 에이전트 워크로드에 대한 정책 기반 개인 정보 보호 및 보안 제어 기능을 제공합니다.
매니아는 하드웨어를 사용하기 위해 거대한 다중 에이전트 시스템을 구축할 필요가 없습니다. 더 그럴듯한 첫 번째 프로젝트는 개인 데이터 세트를 통해 작업하고, 소프트웨어 프로젝트를 확인하고, 정보를 구성하거나 반복적인 작업 순서를 처리하는 에이전트일 수 있습니다. 워크플로를 구축하는 사람이 모든 것이 실행되는 모델, 데이터 및 환경을 제어하므로 로컬 컴퓨팅을 사용하면 이러한 실험을 더 쉽게 반복할 수 있습니다.
프로젝트에 막대한 양의 컴퓨팅이 필요할 때 클라우드 서비스는 여전히 분명한 역할을 합니다. 로컬 하드웨어는 프로젝트가 해당 규모에 도달하기 전에 발생하는 실험 방정식을 변경합니다. 특히 추론 요청이 추가될 때마다 사용 비용이 추가되는 경우에는 더욱 그렇습니다. NVIDIA는 토큰당 클라우드 추론 비용 없이 모델, 프롬프트, 데이터 및 추론을 장치에 유지하는 방법으로 DGX Spark를 포지셔닝합니다.
두 번째 Spark는 책상에 어울리는 것을 변화시킵니다
하나의 기계로 시작하는 프로젝트가 반드시 거기에 머물 필요는 없습니다. NVIDIA는 워크로드가 증가함에 따라 추가 시스템이 동일한 로컬 AI 환경의 일부가 될 수 있도록 DGX Spark에 네트워킹을 구축했습니다.
두 개의 DGX Spark 64GB 시스템을 연결하여 128GB 메모리 풀과 최대 2PFLOPS의 총 AI 컴퓨팅을 생성할 수 있습니다. NVIDIA는 이 쌍이 개요에 설명된 구성에서 DGX Spark 128GB 시스템 성능의 최대 1.7배를 제공할 수 있다고 밝혔습니다. ConnectX-7은 고속 상호 연결을 제공하는 반면 NVIDIA Sync는 시스템을 검색하고 Cluster Assistant를 통해 클러스터 구성을 도울 수 있습니다.
더 큰 구성은 아이디어를 더욱 확장합니다. NVIDIA는 최대 4개의 DGX Spark 시스템으로 구성된 클러스터를 설명하여 단일 장치의 용량을 초과하는 모델 및 워크로드에 대해 훨씬 더 큰 공유 메모리 풀을 생성합니다. 또한 기술 자료에는 여러 시스템에 걸쳐 확장되도록 설계된 분산 추론 및 미세 조정 워크로드에 대한 개요도 나와 있습니다.
NVIDIA Sync는 백그라운드에 머물 수 있다는 점에서 정확하게 여기에서 유용합니다. 이 소프트웨어는 연결된 시스템을 검색하고, 네트워킹을 구성하고, 작업 부하를 라우팅하고, 시스템 상태를 모니터링할 수 있으므로 개발자는 클러스터 구성을 별도의 프로젝트로 전환하는 대신 AI 프로젝트에 집중할 수 있습니다.
AI 연구실은 책상 위에 들어갈 만큼 작아지고 있다
물리적 디자인은 제안을 더욱 특이하게 만듭니다. DGX Spark의 크기는 150mm x 150mm x 50.5mm이고 무게는 1.2kg이지만 하드웨어는 대형 모델, 로컬 추론 및 자율 에이전트와 관련된 워크로드를 위해 설계되었습니다. NVIDIA는 또한 이 시스템이 표준 벽면 콘센트에서 실행될 수 있을 만큼 전력 효율적이라고 설명하므로 누군가가 워크스테이션에 앉아 있을 때만 시작되는 것이 아니라 활성 상태를 유지해야 하는 워크로드에 실용적입니다.
DGX Spark 128GB는 더 많은 메모리가 필요한 사용자를 위해 NVIDIA 및 모든 OEM 파트너를 통해 계속 제공될 예정이며, 로컬 워크로드가 증가함에 따라 플랫폼에 다른 구성을 제공할 것입니다. 그러나 64GB 모델은 최신 세대의 소규모 오픈 소스 모델을 사용하여 로컬 AI를 실험하려는 사람에게 더 흥미로운 출발점이 됩니다.
이 정도의 AI 기능을 책상에 두는 것의 흥미로운 점은 그것이 실험의 시작점에 미치는 영향입니다. 개발자는 사용할 클라우드 서비스나 프로젝트에 필요한 컴퓨팅 시간을 결정하는 것부터 시작할 필요가 없습니다. 모델, 데이터 및 도구가 모두 손이 닿는 곳에 위치하므로 유용한 것이 될 때까지 아이디어를 계속 다듬는 것이 더 쉽습니다.
DGX Spark 64GB는 바로 이러한 종류의 작업을 위해 설계되었습니다. Grace Blackwell 컴퓨팅, 64GB 통합 메모리 및 NVIDIA의 로컬 AI 소프트웨어 스택의 조합은 개발자와 AI 애호가가 더 큰 모델로 작업하고, 미세 조정하고, 에이전트를 구축하고, 결과를 로컬에서 테스트할 수 있는 공간을 제공합니다. 프로젝트에 결국 더 많은 메모리나 컴퓨팅이 필요한 경우, 추가 DGX Spark 시스템은 완전히 다른 워크플로를 강제하는 대신 동일한 설정을 확장할 수 있습니다.
NVIDIA는 오늘(2026년 10월 2일) DGX Spark 64GB를 공개하며, 이 시스템은 10월 23일 NVIDIA OEM 파트너를 통해 출시될 예정입니다. 로컬 모델을 실험하고 더 많은 메모리와 전용 AI 컴퓨팅으로 작업이 얼마나 더 발전할 수 있는지 궁금해하는 사람이라면 여기에서 실험이 흥미로워질 것입니다. 문제는 더 이상 단순히 다음에 어떤 모델을 시도할 것인가가 아닙니다. 하드웨어가 아이디어를 계속 추진할 수 있는 충분한 공간을 제공하면 구축할 수 있는 것입니다.
관련 정보는 아래 링크에서 확인하세요