De quoi s’agit-il

Le NVIDIA DGX Spark est un supercalculateur IA personnel de la taille d’un gros livre de poche — un cube en aluminium de 150 mm construit autour du Superchip GB10 Grace Blackwell de NVIDIA. Il associe un CPU Arm 20 cœurs à un GPU Blackwell sur un seul package, lui adjoint 128 Go de mémoire unifiée, et fait tourner le DGX OS maison de NVIDIA, de sorte que toute la pile CUDA fonctionne dès la sortie de la boîte. À 3 999 $ (désormais plus proche de 4 699 $ après la flambée des prix de la mémoire début 2026), ce n’est pas un mini-PC au sens habituel. C’est une station de travail pour développeurs, destinée à exécuter et affiner de grands modèles de langage sur votre bureau plutôt que de louer des GPU dans le cloud.

C’est la machine GB10 de référence — la Founders Edition à laquelle toutes les variantes des autres fabricants sont comparées. Si vous hésitez avec l’ASUS Ascent GX10 ou tout autre desktop Grace Blackwell, c’est l’étalon. C’est aussi le frère commercialisé du futur mini-PC grand public ASUS ProArt RTX Spark, qui décline le même silicium de classe GB10 pour un autre public.

À quoi il sert : l’IA locale et le développement de LLM

Le DGX Spark existe pour une seule mission, et il l’accomplit bien : faire tourner de grands modèles en local, sans compte cloud.

  • Inférence de LLM en local. 128 Go de mémoire unifiée signifient que vous pouvez charger des modèles allant jusqu’à environ 200 milliards de paramètres (quantifiés) entièrement sur l’appareil. Un modèle de 70B en 4 bits tient confortablement en mémoire, avec de la marge pour une longue fenêtre de contexte.
  • Fine-tuning et prototypage. Des séances de fine-tuning LoRA et QLoRA qui nécessiteraient sinon une A100 louée tiennent sur cette machine. C’est un véritable environnement de développement CUDA, pas une couche d’émulation.
  • Natif CUDA dès le premier jour. Contrairement à un Apple Mac Studio ou à une machine AMD Ryzen AI Max, le DGX Spark fait tourner exactement la même pile CUDA, cuDNN, TensorRT et NIM que celle que vous déployez en production. Le code écrit ici passe sur un serveur DGX sans modification.
  • Usage léger création et bureautique. DGX OS est un Linux desktop : il gère donc un navigateur, un terminal et des outils créatifs — mais considérez cela comme un bonus, pas comme l’objectif.

Tom’s Hardware l’a bien résumé : un bac à sable IA polyvalent qui bat l’AMD Ryzen AI Max+ 395 sur les charges de travail qui comptent pour les développeurs.

Le superchip GB10 et la mémoire unifiée

Le Superchip GB10 Grace Blackwell est tout le sujet. NVIDIA a collé un CPU de classe Grace (10× cœurs de performance Cortex-X925 + 10× cœurs d’efficacité Cortex-A725) à un GPU Blackwell à l’aide de NVLink-C2C, une interconnexion cohérente bien plus large que le PCIe. Le GPU embarque des Tensor Cores de 5e génération et des RT cores de 4e génération, et délivre 1 PetaFLOP de calcul FP4 (1 000 TOPS).

Parce que le CPU et le GPU partagent un seul pool de mémoire cohérente LPDDR5x de 128 Go, il n’y a pas de copie de tenseurs sur un bus PCIe ni de découpage de votre modèle entre la VRAM et la RAM système. Le GPU adresse directement la totalité des 128 Go. Ce pool unifié explique précisément pourquoi une machine de moins de 2 litres peut contenir un modèle de 200 milliards de paramètres qui nécessiterait plusieurs GPU dédiés ailleurs.

Conception, connectique et mise en cluster

Le châssis reprend la façade dorée « râpe à fromage » de la grosse DGX Station, ramenée à 1,2 kg. Il fonctionne à l’horizontale ou à la verticale et tire d’une alimentation externe de 240 W (le GB10 lui-même est donné pour un TDP de 140 W).

C’est dans la connectique que se révèle l’intention orientée développeur :

  • Carte réseau ConnectX-7 avec 2× ports QSFP 200 Gbps — la fonctionnalité phare. Vous pouvez relier directement deux DGX Spark en un cluster de 256 Go et faire tourner des modèles trop grands pour une seule unité.
  • 10 GbE RJ-45, Wi-Fi 7, Bluetooth 5.4
  • 4× USB-C, 1× HDMI 2.1a, jusqu’à 3× DisplayPort via USB-C
  • NVMe auto-chiffrant de 4 To — rapide, sécurisé, mais de classe soudée : ce n’est pas une baie interchangeable par l’utilisateur

Peut-on mettre deux DGX Spark en cluster ?

Oui — la trame ConnectX-7 double 200 GbE est conçue pour cela. Deux unités liées vous offrent 256 Go de mémoire unifiée pour des modèles de l’ordre de 400 milliards de paramètres. C’est la raison la plus déterminante d’acheter la machine de NVIDIA plutôt qu’un Mac Studio : le chemin de mise en cluster est natif, pas bricolé.

Bande passante mémoire — le plafond du monde réel

Voici la partie honnête. La bande passante mémoire du DGX Spark est de ~273 Go/s, et c’est cela — et non le calcul — qui constitue le facteur limitant.

La vitesse de génération de tokens des LLM évolue presque linéairement avec la bande passante mémoire. Les ~546 Go/s d’un Mac Studio représentent presque le double de celle du Spark, ce qui se traduit par davantage de tokens par seconde sur un même modèle. La GDDR7 d’une RTX 5090 joue dans une tout autre catégorie. Ainsi, si le DGX Spark peut contenir un modèle de 200B qu’une 5090 ne peut pas, la 5090 générera des tokens plus vite sur tout modèle qui tient dans sa VRAM plus réduite.

À retenir : le DGX Spark est optimisé pour la capacité et la fidélité CUDA, pas pour le débit brut. C’est la machine du « puis-je seulement exécuter et itérer sur cet énorme modèle », pas celle du « quel est le chatbot interactif le plus rapide sur mon bureau ». Les testeurs de Tom’s Hardware comme de ServeTheHome sont parvenus à la même conclusion — la bande passante est le talon d’Achille, et il faut l’acheter en le sachant.

Prix et où l’acheter

Le DGX Spark a été lancé à 3 999 $ en octobre 2025. Une pénurie mondiale de mémoire a fait grimper les prix de détail jusqu’au début 2026, prévoyez donc une fourchette de 3 999 $ à 4 699 $ selon les disponibilités. Il est vendu via les partenaires NVIDIA et référencé sur Amazon ; l’annonce affiliée porte sur la Founders Edition.

À ce prix, vous achetez le silicium de NVIDIA, l’OS de NVIDIA et la trame de mise en cluster de NVIDIA, le tout sous forme d’un unique ensemble pris en charge. Des variantes partenaires comme l’ASUS Ascent GX10 le sous-cotent parfois — à comparer si le refroidissement et la génération de SSD comptent davantage pour vous que la marque Founders.

Ce que nous signalerions

Un test honnête d’une machine excellente mais spécialisée :

  • La bande passante de 273 Go/s plafonne la vitesse des tokens. Pour l’inférence interactive mono-utilisateur, un GPU dédié à grande VRAM ou un Mac Studio peut paraître plus rapide sur les modèles qui y tiennent.
  • DGX OS est un Linux Arm, pas Windows. C’est un environnement de développement CUDA. Si vous voulez un desktop polyvalent, ce n’est pas le bon produit.
  • Ni mémoire ni stockage évolutifs par l’utilisateur. 128 Go et 4 To, c’est ce que vous obtenez. Planifiez la configuration en amont.
  • Volatilité des prix. La majoration post-lancement signifie que vous pourriez payer plusieurs centaines de dollars au-dessus du prix conseillé. Surveillez les annonces.

Verdict

Le NVIDIA DGX Spark est le supercalculateur IA personnel le plus cohérent que l’on puisse acheter aujourd’hui — à condition de bien comprendre ce dont il s’agit. Le superchip GB10 Grace Blackwell, les 128 Go de mémoire unifiée, le CUDA natif et la mise en cluster double 200 GbE en font un véritable foyer local pour exécuter et affiner des modèles allant jusqu’à 200 milliards de paramètres, avec une voie de migration propre vers un déploiement DGX dans le cloud.

Abordez-le en toute lucidité quant à la bande passante mémoire de 273 Go/s : c’est une machine de capacité et de compatibilité, pas une championne du débit. Pour les développeurs IA, les chercheurs et les ingénieurs ML qui vivent dans CUDA, ce compromis est exactement le bon, et le DGX Spark mérite une recommandation assurée. Pour quiconque veut un desktop polyvalent rapide ou un maximum de tokens par seconde pour une seule session de chat, regardez ailleurs — et si vous voulez le même silicium, comparez l’ASUS Ascent GX10 avant de vous engager.