Nvidia lança DGX Spark 64 GB por US$ 4.999 para executar agentes e modelos de IA localmente

Anúncio e disponibilidade

No dia 2 de outubro de 2026, a Nvidia comunicou oficialmente o lançamento de uma nova configuração dentro da sua linha DGX Spark, denominada DGX Spark 64 GB. Essa variante incorpora um pool de memória unificada de 64 GB, combinando a RAM do sistema e a VRAM da GPU em um único espaço endereçável. A comercialização do equipamento terá início em 23 de outubro de 2026, com preço base estabelecido em US$ 4.999, posicionando‑se como uma opção de custo mais acessível para cargas de trabalho de IA on‑premises. A venda será realizada por meio de um conjunto de parceiros de canal reconhecidos, incluindo Acer, ASUS, Dell, Gigabyte, HP e MSI, permitindo que os clientes escolham entre diversas marcas de referência. A Nvidia apresenta este modelo como a alternativa mais barata para executar agentes de IA e realizar ajustes finos de modelos sem depender exclusivamente de serviços em nuvem, destacando a redução de custos de infraestrutura e a proximidade dos dados.

Do ponto de vista arquitetural, o DGX Spark 64 GB mantém o mesmo superchip GB10 Grace Blackwell encontrado na variante de 128 GB, garantindo capacidade de cálculo comparável. O sistema opera sobre o sistema operacional dedicado DGX OS, que oferece uma camada de software otimizada para cargas de IA. A conectividade de rede é fornecida pela interface ConnectX‑7, que entrega links de alta velocidade, enquanto a pilha de desenvolvimento CUDA permanece totalmente integrada, permitindo que desenvolvedores explorem plenamente o paralelismo das GPUs. A memória unificada, que funde RAM e VRAM em um único espaço de endereço, simplifica a movimentação de dados entre a unidade central de processamento (CPU) e a unidade de processamento gráfico (GPU), reduzindo a sobrecarga associada a cópias de dados. A presença do superchip Grace Blackwell assegura desempenho de cálculo próximo a um petaflop, e o ConnectX‑7 possibilita configurações multinó‑do com interconexões de banda extremamente alta.

Capacidade de modelo e desempenho

A Nvidia afirma que uma única unidade DGX Spark 64 GB pode executar modelos com até 100 000 milhões de parâmetros, permitindo o uso de redes neurais de tamanho considerável dentro dos limites da memória unificada. Quando duas unidades são interconectadas por meio de uma rede de 200 GbE, a memória combinada sobe para 128 GB, dobrando a capacidade máxima de modelo para 200 000 milhões de parâmetros. Testes internos realizados com o modelo Qwen 3.8 27B mostraram que a configuração de duas unidades entregou um aumento de desempenho de aproximadamente 1,7 vezes em relação a uma única unidade, indicando escalabilidade eficiente para cargas de trabalho intensivas. Esses resultados sugerem que o sistema pode ser ampliado de forma quase linear, pelo menos nos cenários testados, mantendo eficiência energética e latência aceitáveis.

Os dados de capacidade e desempenho são fornecidos diretamente pela Nvidia. O artigo da MarkTechPost que cobriu o anúncio indica que o conteúdo é patrocinado e que os números devem ser considerados declarações do fornecedor, não resultados verificados por terceiros independentes. Essa ressalva é importante para leitores que buscam uma avaliação objetiva e independente do hardware, pois destaca que as métricas ainda não foram submetidas a validação externa ou a benchmarks públicos.

Casos de uso previstos

De acordo com a Nvidia, o DGX Spark 64 GB foi projetado para executar agentes contínuos, realizar inferência em tempo real, efetuar ajustes finos de modelos e suportar fluxos de trabalho de ciência de dados sem a necessidade de conexão constante com a nuvem. A redução de latência, resultante da proximidade física entre dados e processamento, juntamente com a maior privacidade dos dados locais, são apresentadas como argumentos-chave para setores como saúde, finanças e manufatura, onde a proteção de informações sensíveis e a rapidez de resposta são críticas. Processando os dados on‑premises, as organizações podem evitar gargalos de rede, manter informações críticas sob controle direto e atender a requisitos regulatórios que exigem residência de dados.

Entretanto, a capacidade de 64 GB de memória unificada impõe limites ao tamanho de contexto que os modelos podem manipular e ao número de solicitações simultâneas que o sistema pode atender. Para aplicações que demandam contextos extensos ou alta concorrência, a Nvidia recomenda escalar a solução interconectando múltiplas unidades DGX Spark. Essa estratégia naturalmente eleva o custo total de propriedade e aumenta a complexidade da arquitetura, pois requer redes de alta largura de banda, gerenciamento de recursos mais sofisticado e planejamento de capacidade a longo prazo.

Comparação com a concorrência

No mercado de hardware para IA local, outros fornecedores oferecem soluções baseadas em GPUs de consumo ou aceleradores especializados, mas essas alternativas costumam ter preços mais elevados ou integração de software menos robusta. O DGX Spark combina hardware de alto nível com um stack de software otimizado (DGX OS e CUDA), o que pode reduzir o tempo de integração para equipes de desenvolvimento. Com preço inicial de US$ 4.999, o sistema fica abaixo da maioria das configurações de referência que ultrapassam US$ 8.000, embora a comparação direta de desempenho dependa fortemente da carga de trabalho específica e dos requisitos de desempenho do cliente.

Para organizações que operam no Brasil e em outros países de língua portuguesa, a chegada do DGX Spark 64 GB abre a possibilidade de conduzir projetos avançados de IA localmente, sem depender exclusivamente de serviços em nuvem. As empresas poderão manter dados sensíveis dentro de seus próprios data centers, reduzir custos de transferência, e aproveitar uma arquitetura que permite escalonamento gradual ao adicionar nós adicionais. Na prática, isso se traduz em maior autonomia tecnológica, redução da pegada de carbono associada ao tráfego de dados e aceleração da adoção de agentes de IA em processos críticos onde velocidade e confidencialidade são fundamentais.