NVIDIA DGX Spark 64GB 发布引发每GB定价争议

表面上看，4,999 美元似乎让 NVIDIA 的本地 AI 硬件更具可及性。但从内存实际定价方式衡量，64GB DGX Spark 反而是两款 SKU 中更差的选择：其每 GB 成本约为 78.11 美元，而 128GB 型号约为 54.30 美元，每 GB 溢价达 43%^[1]。128GB 型号本身也不再便宜；其创始人版价格随 64GB 型号发布同步上调至 6,950 美元，相比大约一年前首发时的 3,999 美元上涨约 74%^[2]。换句话说，新的‘入门级’设备仍比 DGX Spark 首发时的旗舰型号更贵。

对于试图通过购买两台 64GB 设备来获得 128GB 可用内存的用户而言，情况更加糟糕。购买两台 64GB 系统并通过集群实现 128GB 内存池，总成本约为 10,000 美元，远高于目前单台 128GB 设备的 6,950 美元售价^[1][2]。而且即使是单台 64GB 设备也无法将全部容量用于模型：由于 CPU、DGX OS、Docker 和桌面会话共享同一统一内存池，实际可用于模型权重和缓存的内存仅约 52–58GB，这缩小了与更便宜替代方案的实际差距^[3]。

NVIDIA 明确表示，此次调价源于内存市场压力，而非单纯的产品策略：公司指出 128GB 型号涨价是由于内存供应有限和成本上升，并提到市场上类似的 128GB 统一内存系统现售价已达 7,000 至 9,000 美元^[4]。这一背景嵌入于业内广泛记录的 DRAM 紧缺局面之中，美光（Micron）已警告称供应紧张将持续至 2028 年^[2]。

在此背景下，128GB DGX Spark 的价格轨迹——首发 3,999 美元，2026 年中升至 4,699 美元，如今达 6,950 美元——更像是硬件厂商实时转嫁结构性组件短缺的结果，而非投机性重新定价^[2]。正如一家硬件媒体所言，64GB ‘预算’版 Spark ‘看起来不像是临时过渡方案，而更像是当前市场实际能支撑的产品’^[2]。社区围绕此次发布的讨论也反映了相同的短缺动态：有帖子描述 DGX Spark 价格在库存迅速清空后几天内急剧攀升，这与上述内存市场压力模式一致。

从技术上看，64GB 型号并非缩水产品——它保留了完整的 GB10 Grace Blackwell Superchip、DGX OS、全套 NVIDIA CUDA 加速 AI 软件栈以及内置 ConnectX-7 网络功能^[5]。其主打功能是集群：两台 64GB 设备可通过机载 ConnectX-7 NIC 使用单根 QSFP 线缆连接，合并为 128GB 统一内存，全新的 NVIDIA Sync Cluster Assistant 可自动完成设备发现、验证和网络配置，开发者无需手动设置集群^[6]。NVIDIA 表示，由此形成的双机系统可支持高达 2000 亿参数的模型，在其 Qwen 3.8 27B 基准测试中，性能最高可达单台 128GB 系统的 1.7 倍^[6]。预计 10 月底推出的 NVIDIA Sync Model Launcher 将把集群支持扩展至 llama.cpp、Ollama、vLLM 和 LM Studio^[6]。

更值得关注的或许是软件层面而非硅片本身。一项分析认为，NVIDIA 的真正差异化在于其软件栈在单机或双机运行时均无需重新配置——分析师称之为比任何单一规格都更具粘性的产品主张^[7]。该分析同时提醒，这一主张与 1.7 倍集群性能数据一样，完全来自 NVIDIA 自身材料：‘尚无独立评测，未进行第三方基准测试。’^[7]

DGX Spark 的集群叙事并非孤立存在。AMD 的 Ryzen AI Max+ 395（及 Max Pro 495）迷你 PC 已提供高达 128GB 的统一内存，售价约 2,000 美元，内存带宽（约 256 GB/s）接近 DGX Spark 的约 273 GB/s，尽管 NVIDIA 的 CUDA 生态系统在 AI 工作负载上更为成熟，但在原始每GB价格上大幅领先^[8]。正是这一差距引发了公告发布后的最强烈反弹。

反应因平台而异。X 平台上的金融导向声音主要将此次发布视为对 NVIDIA 股价相关的事件，将其 64GB/128GB SKU 分化解读为利润率和定价策略故事，而非开发者是否应购买的判断。Reddit 上本地 AI 社区的反应则更具消费者视角且极为负面，主要抱怨点在于每GB定价不仅不如 AMD 的 Strix Halo 平台，甚至不及苹果 M5 Ultra 的内存定价，认为 NVIDIA 实质上是在利用内存短缺获利，而非传递真实的成本下降。一篇 YouTube 评测则给出了不同解读，认为 64GB 层级不仅是单一的定价决策，更是整个 PC 行业内存成本走向的早期信号。即便如此，Reddit 相关讨论串中的一个反复出现的反向观点更偏实践性而非防御性：讨论聚焦于是否应集群两到四台设备以本地运行 GLM 5.3 Flash 和 DeepSeek V4.1 Flash 等大型混合专家模型，还是直接使用云 API。