作者：毛烁
几天前，一位在行业深耕多年的朋友问我：现在满市场都是AIPC，究竟什么样的机器，才配得上“生产力”引擎，而不只是把“本地端侧智能”当卖点？
这个问题的关键，并不仅在于某一代芯片性能是否足够强，更在于算力的组织方式是否发生了变化。过去二十年，计算资源不断向云端集中，个人设备逐渐退化为算力入口。但在大模型时代，这种结构开始显现出系统性张力——模型规模、数据私有性与推理频率，正在加速算力重新下沉。
AIPC的出现，解决了部分本地推理问题，却仍受限于显存规模、内存割裂和模型生命周期不可持续，难以形成完整的计算闭环。本质上，算力依然是被预设、被封装的。
真正的分水岭，或许不是“PC 能不能跑 AI”，而是——个人是否能够拥有可持续演进的AI计算系统，能在本地完成推理、微调与优化，并长期沉淀数据与模型资产。
从这个意义上看，是否“每个人都应该拥有一台 AI 超算”？
最近，我们正好拿到了一台不久前发布的NVIDIA DGX Spark——一台被压缩到桌面尺度的AI超算。
GB10的CPU部分，搭载了专为数据预处理和AI任务优化的20核心ARM处理器。这颗CPU的核心调度策略采用“10+10组合”——10个Cortex-X925超大核，负责高负载的通用计算任务；10 个 Cortex-A725高能效核，负责处理后台进程和I/O 调度。
与之协同的，是基于 Blackwell架构的GPU核心。其集成了6144个Blackwell Generation CUDA 核心，搭载了第五代Tensor Core和第四代RT Core。
最令人惊艳的在于其张量性能（Tensor Performance）：在 FP4精度下，这1.2kg的“小盒子”能爆发出的峰值算力高达1 PFLOP（此为基于 FP4精度并结合稀疏性加速的理论值）。这意味着其单机的理论性能，已经能够支撑起200B（两千亿）参数级别的AI推理任务，或70B（七百亿）级别的模型微调训练。
为了匹配这样的计算与互联能力，NVIDIADGX Spark在存储I/O配置上标配4TB NVMe M.2 SSD，并支持自加密（Self-Encrypting），用于保护模型权重与数据资产的安全；网络侧除万兆以太网外，还支持Wi-Fi 7，覆盖从本地集群到无线办公的多种使用场景。
在如此激进的性能释放下，GB10芯片的TDP被控制在140W，整机满载功耗约240W。结合仅其紧凑的体积，NVIDIA DGX Spark给出了清晰的答案——桌面级AI计算不再只是靠堆功耗换算力，而是通过系统架构、内存模型和高速互连，把单位能耗下的有效算力密度推到新的高度。
对于LLM开发者而言，NVIDIA DGX Spark最具”爆发力”的能力，在于其配备128GB LPDDR5x统一系统内存。这套内存采用256-bit位宽，总带宽达到273 GB/s，由CPU与GPU 共享同一物理内存池。
与传统“CPU 内存+独立显存”的割裂架构不同，统一的内存从根本上绕开了24GB、48GB显存所形成的硬性上限。系统可以根据实际负载动态分配内存资源，模型参数、KV Cache，以及中间张量无需在 CPU内存与GPU显存之间反复搬运，不仅降低了内存拷贝带来的时延，也显著简化了大模型部署与调优的复杂度。
对开发者来说，这意味着可以在单机环境中承载更大的模型规模，并获得更稳定、可预测的推理性能。
回到最初的问题：什么样的机器，才配得上“生产力引擎”？
前文所拆解的，并不仅是DGX Spark的性能参数，更是整套计算范式的变化。从统一内存打破显存墙，到CPU与GPU在同一物理内存池内协同调度；从单机即可承载数百亿参数模型，到通过高速互连实现近线性的算力扩展。这些设计共同指向一个事实——AI计算正在从“被调用的资源”，转变为“可长期拥有、持续演进的系统”。
当模型可以在本地完成推理、微调与迭代，当数据与权重不再只是临时加载的消耗品，而是可以长期沉淀、不断增值的资产，计算设备本身的角色也随之发生改变——它不再是终端，而是个人级算力基础设施。
从这个意义上看，“每个人都应该拥有一台AI超算”或许是大模型时代对生产力工具提出的现实要求。
 地区生产总值指数的 省级省份)
)