NVIDIA DGX Spark - co to, dla kogo i co na nim uruchomisz (recenzja)

Co to jest DGX Spark - werdykt w skrócie

NVIDIA DGX Spark to kompaktowy komputer AI z układem GB10 Grace Blackwell i 128 GB pamięci unified (LPDDR5x), zaprojektowany do lokalnego uruchamiania i dostrajania dużych modeli językowych. Kosztuje od 2999 USD (wariant 1 TB) do 3999 USD (4 TB Founders Edition), a w Polsce od około 23 999 zł. Stoi u nas na biurku jako węzeł inferencyjny i to na nim opieram tę recenzję.

W skrócie: to nie jest zwykły PC ani zwykły serwer, tylko stacja inferencyjna AI wielkości książki. Obudowa w formacie SFF ma raptem 150 x 150 x 50,5 mm (dane producenta), a mimo to mieści układ, który w tej klasie cenowej daje najwięcej pamięci pod modele. Pozycjonowanie jest jasne: to desktop-class krewny linii DGX, sprzęt pod biurko, nie do serwerowni.

Konkret: sercem urządzenia jest GB10 Grace Blackwell Superchip - SoC łączący CPU Grace i GPU Blackwell. Kluczowa cecha to 128 GB unified memory: procesor i układ graficzny dzielą tę samą pulę pamięci LPDDR5x. Dla dużych modeli to zmienia regułę gry, bo model nie musi się mieścić w osobnym, ciasnym VRAM karty graficznej. Wracam do tego w sekcji o specyfikacji, bo to rdzeń wartości Sparka.

Specyfikacja - GB10 Grace Blackwell i 128 GB unified memory

W skrócie: kupujesz pojemność pamięci i zintegrowany układ AI w jednym pudełku, a nie rekord przepustowości. Poniżej parametry potwierdzone specyfikacją producenta i kartami katalogowymi - bez zgadywania taktowań, których nie ma w oficjalnych danych.

Konkret: dlaczego unified memory to gamechanger. Na typowej karcie konsumenckiej z 24 GB VRAM duży model po prostu się nie zmieści albo trzeba go agresywnie kwantyzować. Tutaj masz 128 GB wspólnej puli, więc ładujesz modele, które na pojedynczej karcie desktopowej odpadają. To nie magia - to po prostu pamięć, której zwykle brakuje najbardziej.

Trade-off jest prosty i uczciwy: 273 GB/s przepustowości to nie jest charakterystyka pamięci HBM z topowych akceleratorów. Sparka wybierasz dlatego, że daje najwięcej pamięci w tej klasie, cenie i rozmiarze - a nie dlatego, że bije rekordy transferu. Zanim zdecydujesz o zakupie, policz, ile pamięci realnie potrzebują Twoje modele; rozkładam to na czynniki w tekście o doborze modelu pod dostępną pamięć i wystaw endpointy modeli na osobnych portach - jeden na LLM, drugi na embeddingi. Dzięki temu cały zespół korzysta z jednego pudełka, a Ty masz jedno miejsce do pilnowania. Jak ustawić GPU pod takie serwowanie, niezależnie czy to Spark, czy wynajęty serwer, opisuję osobno w tekście o ustawieniu GPU pod LLM.

• Serwuj dla zespołu i aplikacji. Gdy potrzebujesz wydajnego servingu z batchingiem pod produkcję albo wewnętrzne API, wchodzi vLLM. Spark pełni wtedy rolę małego serwera inferencyjnego dla całego zespołu - szczegóły w tekście o serwowaniu modeli przez vLLM.

Konkret: na jednym pudełku robisz pełen cykl - dostrajasz model (Unsloth), serwujesz go produkcyjnie (vLLM) i testujesz interaktywnie (Ollama). To przewaga nad fragmentaryczną chmurą, gdzie każdy z tych kroków często siedzi w innej usłudze i innym rozliczeniu. Jeśli Spark ma być backendem AI dla Twoich automatyzacji, warto od razu przemyśleć, gdzie hostować workflow AI oraz u sklepów z segmentu serwerowego i profesjonalnego - proshop, superstorage, senetic, procad, elmark. Nie jesteśmy sklepem i nie prowadzimy afiliacji na sam sprzęt, dlatego podaję kierunek, a nie link - porównaj oferty i zwróć uwagę na wariant konfiguracji.

Krok po kroku, na co patrzeć przy zakupie:

1. Wariant i pamięć - upewnij się, że to konfiguracja 128 GB unified, jakiej oczekujesz, a nie inna wersja pamięci.
2. Dysk - w wariancie PNY to 4 TB NVMe; sprawdź, czy oferta faktycznie go zawiera.
3. Gwarancja i dostępność w Polsce - serwis lokalny i realny termin dostawy potrafią różnić sklepy bardziej niż sama cena.
4. Cena względem porównywarki - jeśli oferta mocno odbiega od mediany, to sygnał do sprawdzenia, co jest w zestawie.

Pułapka: to nie jest tylko koszt pudełka. Realny koszt to także prąd przy pracy 24/7, ewentualny UPS i czas na setup. Dolicz je, zanim porównasz Sparka z inną drogą.

Ile kosztuje DGX Spark - cennik i gdzie kupić

W skrócie: NVIDIA sprzedaje DGX Spark w dwóch wariantach pamięci masowej - 1 TB za 2999 USD i 4 TB Founders Edition za 3999 USD (NVIDIA podniosła cenę wariantu 4 TB w swoim sklepie direct-to-consumer; przy premierze w styczniu 2025 zapowiadano start od 2999-3000 USD). W Polsce urządzenie kupisz głównie w wersji PNY Founders Edition 128 GB / 4 TB - poniżej realne ceny sklepów.

Ceny sprawdzone 2026-07-06 wg ofert NVIDIA oraz polskich sklepów (Ceneo, Media Expert, Senetic, SuperStorage, Kaufland, stacjegraficzne.pl); weryfikuj przed zakupem - kursy i promocje się zmieniają. Cen, których nie potwierdziłem u źródła, nie podaję - w takim wypadku sprawdź aktualny cennik w sklepie.

Konkret: przelicz to na własny scenariusz. 4000 USD za sprzęt plus prąd przy pracy ciągłej i czas na setup to koszt wejścia, który zwraca się dopiero przy stałym, intensywnym użytku. Jeśli potrzebujesz mocy GPU tylko na start albo do testu, taniej wychodzi wynajęcie serwera z GPU rozliczanego miesięcznie - dane trzymasz u dostawcy, a administrację warstwy sprzętowej bierze on na siebie. Kod wzg25pro obniża koszt na starcie.

Trade-off TCO - zakup vs wynajem:

To naturalny most do następnej sekcji: nie każdy powinien kupować.

Alternatywa: gdy Spark to za dużo - serwer GPU w wynajmie

W skrócie: jeśli nie masz 4000 USD na start albo potrzebujesz mocy tylko okresowo, sensowniej zacząć od wynajętego serwera z GPU. Sprawdzisz swoje realne obciążenie, zanim wyłożysz cztery tysiące dolarów na sprzęt.

Decyzja sprowadza się do CAPEX kontra OPEX. Kupując Sparka masz go na własność, dane siedzą u Ciebie i płacisz raz. Wynajmując serwer zaczynasz bez inwestycji, skalujesz zasób w górę i w dół, a administrację warstwy sprzętowej bierze na siebie dostawca. To zależy od obciążenia - dla stałego, intensywnego użytku zakup zwykle wygrywa, dla testu i pracy dorywczej wynajem.

Kiedy wynajem wygrywa:

• nie masz budżetu na jednorazowy wydatek rzędu 4000 USD,
• potrzebujesz mocy GPU tylko okazjonalnie,
• chcesz przetestować obciążenie i modele, zanim kupisz,
• potrzebujesz chwilowo więcej mocy niż jeden Spark,
• nie chcesz administrować fizycznym sprzętem.

Dobra wiadomość: serwer GPU w wynajmie odpalisz dokładnie tak samo jak Sparka - przez Ollama do testów, przez vLLM do servingu. Ta sama wiedza o ustawieniu GPU pod LLM - a serwer z GPU wynajmiesz tutaj, kod wzg25pro obniża koszt na start. Link do oferty jest afiliacyjny: jeśli z niego skorzystasz, możemy dostać prowizję bez dodatkowego kosztu dla Ciebie. A gdy już masz na czym uruchamiać modele, przemyśl gdzie hostować workflow AI, nie rekord przepustowości - 273 GB/s to nie liga HBM z topowych akceleratorów.

• Ekosystem NVIDIA. Stack pod AI bywa mniej elastyczny niż dowolny serwer z czystym Linuksem - to wygoda kosztem swobody.
• Single point of failure. Pojedyncze pudełko to brak redundancji; do produkcji krytycznej potrzebujesz planu na awarię.
• Bariera wejścia. Około 4000 USD to realny próg, który nie dla każdego się zwróci.
• Nie general-purpose. To nie sprzęt pod gry, rendering ani codzienną stację roboczą.

Sprawdź przed zakupem: czy Twoje modele faktycznie potrzebują 128 GB unified, czy zmieszczą się taniej po zejściu na mniejszy model i kwantyzację. Odpowiada na to przewodnik o doborze modelu pod dostępną pamięć - czasem tańszy zestaw wystarczy, a te kilka tysięcy dolarów zostaje w kieszeni.

Mimo tych ograniczeń oceniam Sparka wysoko w jego niszy. W kategorii "najwięcej pamięci pod lokalne LLM w kompaktowym, cichym pudełku pod biurko" niewiele sprzętu w tej cenie robi to samo. Ocena dotyczy dopasowania do celu, nie uniwersalnej wydajności - i w tym celu Spark się broni. Jeśli jednak nie chcesz wykładać ~4000 USD na start, zacznij od wynajętego serwera z GPU i zdecyduj o zakupie dopiero, gdy poznasz swoje realne obciążenie.

FAQ - najczęstsze pytania

Co to jest NVIDIA DGX Spark?

To kompaktowy komputer AI w formacie SFF, zbudowany wokół układu GB10 Grace Blackwell i 128 GB pamięci unified LPDDR5x. Służy do lokalnego uruchamiania oraz dostrajania dużych modeli językowych, bez wysyłania danych do chmury. W praktyce pełni rolę małej stacji inferencyjnej pod biurko, a nie zwykłego peceta.

Ile kosztuje DGX Spark?

Oficjalnie NVIDIA sprzedaje dwa warianty: 1 TB za 2999 USD oraz 4 TB Founders Edition za 3999 USD. W Polsce wariant PNY 128 GB / 4 TB kosztuje od około 23 999 zł (najniższa na Ceneo) przez 24 544 zł w Media Expert i 24 807,94 zł brutto w Senetic, do 25 242,81 zł w SuperStorage; skrajnie drogie oferty sięgają 30 032,99 zł. Ceny sprawdzone 2026-07-06 - weryfikuj przed zakupem. Do rachunku dolicz jeszcze prąd przy pracy ciągłej oraz czas potrzebny na konfigurację sprzętu.

Gdzie kupić DGX Spark w Polsce?

Bezpośrednio w NVIDIA (Founders Edition) oraz u polskich sprzedawców z segmentu pro i serwerowego: Media Expert, Senetic, SuperStorage, a ceny porównasz na Ceneo i Skąpiec. Najniższa cena wariantu PNY 128 GB / 4 TB to około 23 999 zł (Ceneo, stan na 2026-07-06). Tańszą alternatywą na tym samym chipie GB10 jest ASUS Ascent GX10 od około 15 100 zł. Jeśli mocy potrzebujesz tylko okresowo, zamiast kupować rozważ wynajem serwera z GPU rozliczany miesięcznie.

Co to jest GB10?

GB10 Grace Blackwell Superchip to układ NVIDIA łączący w jednym SoC procesor Grace oraz układ graficzny Blackwell. To serce DGX Spark - odpowiada za wydajność AI deklarowaną do jednego petaFLOP i współpracuje z 128 GB pamięci unified, którą dzielą między sobą część procesorowa i graficzna.

Jakie modele uruchomię na DGX Spark?

Dzięki 128 GB unified załadujesz duże modele rzędu 70B i więcej, które na pojedynczej karcie konsumenckiej się nie mieszczą. Do prostego odpalania użyjesz Ollama, do servingu produkcyjnego vLLM, a do dostrajania pod własne dane Unsloth. Dobór konkretnego modelu warto dopasować do dostępnej pamięci.

DGX Spark czy wynajem serwera GPU - co się bardziej opłaca?

To zależy od obciążenia. Przy stałym, intensywnym użytku zakup Sparka zwykle wychodzi taniej w dłuższym horyzoncie, bo płacisz raz i masz dane u siebie. Przy pracy okazjonalnej, potrzebie testu albo braku budżetu na start korzystniejszy jest wynajem serwera GPU rozliczany miesięcznie.

Czy DGX Spark nadaje się do gier?

Nie. To stacja inferencyjna AI, a nie karta gamingowa - kupujesz w niej pojemność pamięci pod duże modele, nie wydajność w grach. Do grania i klasycznego renderingu potrzebujesz zupełnie innego sprzętu z mocnym GPU konsumenckim. Sparka wybiera się wyłącznie pod lokalne uruchamianie i dostrajanie modeli.