Nvidia lance le DGX Spark 64 Go à 4 999 $ pour exécuter des agents et modèles d’IA en local

Annonce et disponibilité

Le 2 octobre 2026, Nvidia a communiqué officiellement le lancement d’une nouvelle configuration au sein de sa gamme DGX Spark, baptisée DGX Spark 64 GB. Cette version intègre une capacité de mémoire unifiée de 64 Go, ce qui représente une combinaison de RAM et de VRAM accessible via un même espace d’adressage. La commercialisation de ce système débutera le 23 octobre 2026, avec un prix de départ fixé à 4 999 $, un tarif qui se veut compétitif sur le marché des solutions d’intelligence artificielle locales. La distribution s’effectuera par l’intermédiaire d’un réseau de partenaires de canal reconnus, notamment Acer, ASUS, Dell, Gigabyte, HP et MSI, offrant ainsi aux clients la possibilité de choisir parmi plusieurs marques de référence. Nvidia positionne ce modèle comme l’option la plus abordable pour exécuter des agents d’IA et réaliser des ajustements fins de modèles sans dépendre exclusivement des services cloud, en mettant l’accent sur la réduction des coûts d’infrastructure et la proximité des données.

Sur le plan architectural, le DGX Spark 64 GB conserve le même super‑puce GB10 Grace Blackwell que la version de 128 GB, assurant ainsi une continuité de performance au niveau du calcul. Le système fonctionne sous le système d’exploitation dédié DGX OS, qui fournit une couche logicielle optimisée pour les charges de travail d’IA. L’interface réseau ConnectX‑7 assure des liaisons à haut débit, tandis que la pile de développement CUDA reste intégrée, permettant aux développeurs d’exploiter pleinement les capacités de parallélisation des GPU. La mémoire unifiée, qui fusionne la RAM et la VRAM en un seul espace adressable, simplifie la gestion des données entre le processeur central (CPU) et le processeur graphique (GPU), réduisant ainsi les frais généraux liés aux copies de données. La présence du super‑chip Grace Blackwell garantit une capacité de calcul proche du pétaflop, et la connectivité ConnectX‑7 rend possible la mise en place de configurations multinœuds avec des liens de très haute vitesse.

Capacité du modèle et performances

Nvidia affirme qu’une seule unité DGX Spark 64 GB est capable d’exécuter des modèles contenant jusqu’à 100 000 millions de paramètres, ce qui ouvre la porte à des modèles de grande taille tout en restant dans les limites de la mémoire unifiée. Lorsque deux unités sont interconnectées via un réseau 200 GbE, la mémoire combinée passe à 128 GB, doublant ainsi la capacité maximale du modèle à 200 000 millions de paramètres. Dans des tests internes réalisés avec le modèle Qwen 3.8 27B, la configuration à deux unités a montré une amélioration de performance d’environ 1,7 fois par rapport à une seule unité, indiquant une mise à l’échelle efficace pour des charges de travail intensives. Ces résultats suggèrent que le système peut être agrandi de manière linéaire, du moins dans les scénarios testés, tout en conservant une efficacité énergétique et une latence acceptables.

Les données relatives à la capacité et aux performances proviennent directement de Nvidia. L’article publié par MarkTechPost, qui a couvert l’annonce, indique clairement que le contenu est sponsorisé et que les chiffres présentés doivent être considérés comme des déclarations du fournisseur, et non comme des résultats vérifiés par des tiers indépendants. Cette mise en garde est importante pour les lecteurs qui recherchent une évaluation objective et indépendante du matériel, car elle souligne que les mesures n’ont pas encore été soumises à une validation externe ou à des benchmarks publics.

Cas d’utilisation prévus

Selon Nvidia, le DGX Spark 64 GB est conçu pour exécuter des agents continus, réaliser de l’inférence en temps réel, effectuer des ajustements fins de modèles et soutenir des flux de travail de science des données sans nécessiter une connexion permanente au cloud. La réduction de la latence, due à la proximité physique des données et du calcul, ainsi que la confidentialité accrue des données locales, sont présentées comme des arguments clés pour des secteurs tels que la santé, la finance et la fabrication, où la protection des informations sensibles et la rapidité de réponse sont essentielles. En permettant le traitement des données directement sur site, les organisations peuvent éviter les goulets d’étranglement liés aux transferts réseau et garantir que les informations critiques restent sous leur contrôle direct.

Toutefois, la capacité de 64 GB de mémoire unifiée impose des limites au contexte que les modèles peuvent gérer ainsi qu’au nombre de requêtes simultanées que le système peut traiter. Pour les applications nécessitant des contextes très étendus ou une forte concurrence, Nvidia recommande de mettre en place une architecture évolutive en interconnectant plusieurs unités DGX Spark. Cette approche augmente naturellement le coût total de possession ainsi que la complexité de l’infrastructure, car elle requiert des réseaux à haute bande passante, une gestion plus fine des ressources et une planification de la capacité à plus long terme.

Comparaison avec la concurrence

Sur le marché du matériel destiné à l’IA locale, d’autres fournisseurs proposent des solutions basées sur des GPU grand public ou sur des accélérateurs spécialisés, mais ces alternatives sont souvent proposées à des prix supérieurs ou avec une intégration logicielle moins poussée. Le DGX Spark combine du matériel de très haut niveau avec une pile logicielle optimisée (DGX OS et CUDA), ce qui peut réduire le temps d’intégration pour les équipes de développement. Avec un prix de départ de 4 999 $, le système se situe en dessous de la plupart des systèmes de référence qui dépassent les 8 000 $, bien que la comparaison directe des performances dépende fortement du type de charge de travail et des exigences spécifiques du client.

Pour les organisations francophones, l’arrivée du DGX Spark 64 GB ouvre la possibilité de lancer des projets d’IA avancés sans dépendre exclusivement des services cloud. Les entreprises pourront ainsi conserver les données sensibles au sein de leurs propres centres de données, réduire les coûts liés aux transferts de données, et profiter d’une architecture qui permet de monter en puissance progressivement en ajoutant des nœuds supplémentaires. En pratique, cela se traduit par une plus grande autonomie technologique, une réduction de l’empreinte carbone associée au trafic de données, et une accélération de l’adoption des agents d’IA dans des processus critiques où la rapidité et la confidentialité sont primordiales.