Nvidia、ローカルAIエージェントとモデル実行向けに64 GB版DGX Sparkを4,999 USDで発売

発表と提供開始

2026年10月2日、Nvidiaは自社のDGX Spark製品ラインに新たな構成を加えることを正式に発表しました。この新構成は「DGX Spark 64 GB」と呼ばれ、統合メモリとして64 GBを搭載しています。販売開始日は2026年10月23日で、基本価格は4,999 USDと設定されています。販売はAcer、ASUS、Dell、Gigabyte、HP、MSIといった主要なチャネルパートナーを通じて行われ、顧客はこれらのベンダーから自分の好みや既存のインフラに合わせた機種を選択できるようになっています。Nvidiaはこのモデルを、クラウドに完全に依存せずにAIエージェントを実行し、モデルのファインチューニングを行うための最も手頃な選択肢として位置付けています。

アーキテクチャの観点から見ると、DGX Spark 64 GBは128 GBバージョンと同一のGB10 Grace Blackwellスーパーチップを採用しています。さらに、DGX OSという専用オペレーティングシステム、ConnectX‑7という高速ネットワークインターフェース、そしてCUDA開発スタックが標準で組み込まれています。統合メモリはRAMとVRAMを単一のアドレス空間に統合することで、CPUとGPU間のデータ管理をシンプルにし、プログラマがメモリ転送を意識せずに処理を進められるように設計されています。Grace Blackwellスーパーチップはペタフロップ級に近い計算能力を提供し、ConnectX‑7はマルチノード構成においても高帯域幅のリンクを実現します。

モデル容量と性能

Nvidiaは、単一のDGX Spark 64 GBユニットが最大100,000百万パラメータ（すなわち100億パラメータ）規模のモデルを実行できると主張しています。さらに、2台のユニットを200 GbEネットワークで接続した場合、合計メモリは128 GBに増加し、モデル容量は200,000百万パラメータ（200億パラメータ）に倍増するとされています。内部テストでは、Qwen 3.8 27Bという大規模言語モデルを使用したベンチマークで、2台構成が単体構成に対して約1.7倍の性能向上を示しました。この結果は、負荷が高いワークロードに対しても効率的にスケールできることを示唆しています。

これらの容量と性能に関する数値はすべてNvidia自身が提供した情報に基づいています。MarkTechPostのサイトでは、同記事がスポンサーコンテンツであること、そして提示された数値はサプライヤーからの声明であり、第三者による独立検証結果ではない旨が明記されています。このような注記は、ハードウェアの客観的な評価を求める読者にとって重要な情報となります。

想定される利用シーン

Nvidiaによれば、DGX Spark 64 GBは継続的に稼働するAIエージェントの実行、リアルタイム推論、モデルのファインチューニング、そしてデータサイエンスワークフロー全般を、常時クラウドに接続せずに実施できるよう設計されています。ローカルで処理を完結させることでレイテンシが低減し、データプライバシーが向上する点が、医療、金融、製造といった機密性と即時性が求められる業界における主要な利点とされています。

ただし、64 GBの統合メモリ容量には限界があり、モデルが扱えるコンテキストサイズや同時リクエスト数に制約が生じます。広範なコンテキストや高い同時実行性が必要なアプリケーションに対しては、Nvidiaは複数ユニットを相互接続してスケールアウトすることを推奨しています。この方法は性能を向上させますが、同時に導入コストとインフラの複雑さも増大させる点に留意が必要です。

競合製品との比較

ローカルAI向けハードウェア市場では、消費者向けGPUや特化型アクセラレータをベースにしたソリューションが存在しますが、価格が高めであったり、ソフトウェアスタックの統合度が低いケースが多いです。DGX SparkはハイエンドハードウェアとDGX OSやCUDAといった最適化されたソフトウェアスタックを組み合わせて提供するため、開発チームがシステム統合に要する時間を短縮できる可能性があります。4,999 USDというエントリープライスは、8,000 USDを超えることが一般的なリファレンスシステムと比較して低価格帯に位置付けられますが、実際の性能比較はワークロードの特性に依存します。

日本の企業や研究機関にとって、DGX Spark 64 GBの登場は、クラウドサービスに完全に依存せずに高度なAIプロジェクトを実行できる新たな選択肢を提供します。機密データを自社のデータセンター内に保持できることで、データ転送コストの削減や、データトラフィックに伴う炭素排出量の低減が期待されます。また、ノードを追加することで段階的にスケールアップできるアーキテクチャは、予算やリソースに応じた柔軟な導入計画を可能にし、重要な業務プロセスにAIエージェントを組み込むスピードを加速させるでしょう。