一个 1.2 公斤的小方盒，边长 15 厘米，插家里普通墙上的插座，能跑千亿参数的大模型。
这不是概念图。英伟达已经把它摆在货架上了。
更刺激的是，10 月 2 日它刚出了一个便宜版本：4999 美元，标称能跑约 1000 亿参数的模型。
先别激动。听完下面这几笔账，你会改变想法——但改变的方式可能和你以为的不一样。
先说清楚它是什么这台机器叫 DGX Spark，长得像个加厚的路由器。
它不跑 Windows。装的是 DGX OS，一个基于 Ubuntu 的 Linux 系统，里面预置了英伟达整套 AI 软件栈。你买回家不是拿来办公、剪视频、打游戏的，它是一台专门干 AI 活的工作站。
价格呢？128GB 顶配版在国内电商平台标价接近 5 万，历史最低也要 4 万。10 月 2 日新发布的 64GB 版本，4999 美元，10 月 23 日开卖，而且只通过几家合作厂商渠道走。
听到这你可能想关页面了。别急，真正有意思的部分不在价格上。
为什么偏偏是「内存」这件事你有没有想过，为什么大模型非得待在数据中心？
不是因为算力不够，是因为装不下。
一个 700 亿参数的模型，8 位量化之后光权重就要占 70GB 左右。而现在最强的消费级显卡显存是 32GB，工作站级的也才 96GB。装不下，就只能切碎了往云端送。
DGX Spark 的解法很直接：把 CPU 和 GPU 封装在同一块芯片上，共享同一个 128GB 内存池。没有独立的显存，全是一整块。
这个设计看着平常，效果很猛——单台机器能做 2000 亿参数模型的推理、700 亿参数模型的微调；两台用 200Gbps 的网口连起来，能摸到 4000 亿。
128GB 版本的价格今年一路在涨，2 月从 3999 涨到 4699 美元，10 月又到了约 6950 美元。原因不是英伟达黑心，是全球内存缺货。64GB 版本就是在这个背景下推出来的降档款。
泼一盆冷水：它其实挺慢内存够大，不代表跑得快。
生成每个 token，本质上要把模型权重从内存里整个读一遍。所以真正决定快慢的是带宽，不是容量。
DGX Spark 的内存带宽是 273 GB/s。听起来不小？数据中心那张 H200 是 4800 GB/s，大概是它的 17 倍。
再看个更扎心的对比。苹果 Mac Studio M4 Max 卖 1999 美元，内存带宽 410 到 546 GB/s，生成 token 反而比这台 4 万多块的机器快。M3 Ultra 更是做到 819 GB/s、最高 512GB 内存。
所以如果你只问「谁出字更快」，答案是苹果，而且便宜一半以上。
Spark 真正强的地方在另一头：处理你输入的长提示更快（有评测说快约 3.8 倍），加上原生 CUDA 生态，做模型微调、训练、跑那些为英伟达显卡写的工具链，它才是主场。
真正的变化不是快，是归属聊了半天参数，说点跟你有关系的。
这台机器最大的意义，不是让个人拥有超算。是它把一件原本只能「租」的东西，变成了可以「买」的东西。
以前你用大模型，本质是租别人的算力：联网、上传、按量付费、价格说涨就涨。今年下半年国产模型的调价，你应该已经体会过一次了。
本地跑的逻辑完全不同：
断网也能用，飞机上、山里、家里断网都不影响数据不出设备，合同、病历、财务表这种东西你敢往里丢不烧 token，也就没有「这个月又超支了」这回事今年还有个配套趋势在推这件事：模型量化技术进步很快，已经有人把 1800 亿参数的开源模型压到每个权重 2.39 bit、92GB 大小，单台 DGX Spark 就能跑，还保留 95.5% 的能力。
换句话说，同样的硬件，能装下的模型在变强。
普通人现在上得了桌吗买这台机器？绝大多数人不需要。
给你一个很简单的判断标准：算算你每月在 AI 订阅和 API 上花多少钱。
一个月花 200 块，5 万块回本要 20 多年，别想了。一个月花 2000 以上，两三年回本，那才值得认真考虑。
但不上这台机器，不代表你上不了本地 AI 这张桌。
现在几千块就能起步：一台内存 16GB 的 Mac mini 或者装了独立显卡的普通台式机，装个 Ollama 或者 LM Studio，跑 70 亿到 300 亿参数的开源模型已经够用了。写文档、总结长文、翻译、代码补全、私人问答，这些活本地模型做得不比云端差多少。
具体到谁适合什么：
只是想省点订阅费——别买硬件。现在的免费额度够你用，本地跑 7B 模型当个补充就行。
手里有不能外传的资料——值得试本地方案。先花几千块配台机器，跑通了再考虑升级。
做开发、要微调模型——这才是 DGX Spark 的目标用户。你要的是 CUDA 环境和能塞下大模型的内存，多花的钱买的是不用来回折腾的时间。
想尝鲜的极客——等等看。它是第一代产品，新芯片的驱动和固件通常要几个月才磨顺，让第一批人先踩坑。
一句实话今年 AI 圈有个挺明显的转向：大家不再只比谁的模型分数高，开始比谁能把模型塞进更小的盒子里，塞得更便宜。
手机能跑 300 亿参数了，桌上的小盒子能跑千亿了，开源模型还在被压得越来越小。
这条线往下走，终点的样子大概是：AI 不再是一项你按月付费的服务，而是你家的一件电器。插上电就是你的，不联网也能用，不用看谁的定价脸色。
四万块一台的机器不是给普通人准备的。但它指的方向，确实是在把这件事往普通人这边推。
你每个月在 AI 上大概花多少钱？留言聊聊。