Try our cookies Alza.cz a. s., Company identification number 27082440, use cookies and other data to ensure the proper functioning of the website and, with your consent, also, among other things, to personalize advertising and the content of our websites. By clicking on the “I understand“ button, you agree to the use of cookies and the transfer of data regarding the behavior on the website for displaying targeted advertising on social networks and advertising networks on other websites.
Alzak icon
Catalogue

NVIDIA DGX Spark

5 5 ratings
Work Station , NVIDIA GB10, NVIDIA GB10 128GB, RAM 128GB LPDDR5x, SSD 4000GB, Without Optical Drive, Wi-Fi, HDMI and USB-C, Case Type: SFF, NVIDIA DGX OS 7
2,281,590 Ft
Shop faster with pickup at AlzaBox or in-store.

NVIDIA DGX Spark

ℹ️

If you are interested in purchasing an AI solution or accelerator, please email us at [email protected]. We will discuss specific solutions with you and prepare a quote. This product is intended solely for businesses and educational institutions.

Specifications

Compare
Processor series
NVIDIA
Assembly type
Mini PC
Processor model number
NVIDIA GB10
Number of processor cores
20 ×
Max TDP
140 W

Use

Assembly type
Mini PC

Processor

Processor series
NVIDIA
Processor model number
NVIDIA GB10
Number of processor cores
20 ×
Max TDP
140 W

GPU series/model

Graphics card series
NVIDIA
Model graphics cards
GB10

Graphics card

Graphics card memory
128 GB

Equipment

Basic equipment
Bluetooth, Wi-Fi
WiFi
802.11be
WiFi version
WiFi 7

Colour and design

Colour
Gold
Wardrobe size
SFF
Front panel location
front
Sidewalls
Opaque

PSU

PSU
240 W

Memory

Size of operational RAM
128 GB
Memory type
LPDDR5x

Outputs

USB-C
4 pc(s)
Graphics
HDMI, USB-C
Other
NVIDIA ConnectX-7 SmartNIC, RJ-45 (LAN) 10Gbps
Optical drive
Without Optical Drive

Case

Width
150 mm
Height
50.5 mm
Depth
150 mm
Weight
1.2 kg

Operating system

Operating system
NVIDIA DGX OS 7

Package contents

Package includes
Power adapter, Power cable

AI

Total number of TOPS
1,000
Software platform
NVIDIA CUDA
Supported precision
FP4

External structure

Front panel location
front
Sidewalls
Opaque
Door
No door

AI specifications

Primary AI use
Fine-tuning
Max. model size
70–405B
Certified AI frameworks
PyTorch
SmartNIC
ConnectX-7

GPU configuration

Number of GPUs in configuration
1 ×
NVLink version
NVLink-C2C
More Specifications
Note:

Specifications can be changed without notice. Images are for illustrative purposes only.

There are no posts in this discussion.
More Information

Az 1950-es évek túlzott optimizmusa

A mesterséges intelligencia 1956-ban, a Dartmouth College-ban vált önálló kibernetikai tudományterületté, ahol akkoriban olyan úttörők dolgoztak, mint Marvin Minsky, John McCarthy, Claude Shannon, Nathan Rochester, Ray Solomonoff, Oliver Selfridge, Trenchard More, Arthur Samuel és Allen Newell. Optimista korszak volt ez, amelyben azt feltételezték, hogy még ez a generáció megéri a gondolkodó gépek megjelenését. Ez az optimizmus azon alapult, hogy a logikai következtetés területén viszonylag gyorsan értek el előrelépéseket.

Újabb fordulat az AI jövőjéért folyó versenyben

Jelenleg két termék jelent meg a személyes AI-asszisztensek területén. Az egyik a Humane AI Pin „intelligens kitűző”, a másik a Rabbit R1 „személyes asszisztens”, amelyeknek meg kellett volna változtatniuk azt, ahogyan az intelligens elektronikai eszközökkel kommunikálunk. Az első értékelések alapján azonban ez nem fog megtörténni – és az is teljesen világos, hogy miért.

Moravec-paradoxon, avagy miért nem mennek nekünk a könnyű dolgok?

Miközben a mesterséges intelligencia fejlődése a múlt század hatvanas éveiben tovább folytatódott, az osztrák származású matematikus és jövőkutató, Hans Moravec felfigyelt egy különös dologra: a számítógépek viszonylag könnyen meg tudtak oldani nehéz matematikai problémákat, de tragikusan kudarcot vallottak olyan teljesen hétköznapi feladatoknál, amelyeken az emberek még csak el sem gondolkodnak, például a képfelismerés, a természetes környezetben való mozgás vagy az, amit józan, természetes logikának nevezünk. Miközben minden kisgyermek könnyen felismeri, „melyik tárgy van távolabb”, vagyis melyik tárgy helyezkedik el egy másik mögött, a mesterséges intelligencia területén a jelenetelemzés önálló szakterületté vált.

The Lifecycle of AI Hardware: How to Make a Purchase That Won't Become Obsolete

AI hardware pays off based on factors other than its technical lifespan—the decisive factor is the point at which its operation becomes less cost-effective than the available alternative. The article offers advice on how to assess a system’s economic lifespan, what to focus on when comparing new-generation accelerators, which parts of the infrastructure (not just GPUs) typically reach their limits first, and how to factor in purchasing, leasing, and phased upgrades into the decision-making process. It also includes tips on how to continue making meaningful use of older hardware after it has been taken out of primary production.

Gyakorlati alkalmazások keresése

Az 1970-es években a mesterséges intelligencia kutatásának finanszírozása kezdett elapadni, az érdeklődés pedig az akkoriban teljesen új terület, vagyis a mikroprocesszorok és a mikroszámítógépek felé fordult. Ezek egyáltalán nem tették lehetővé a nagy erőforrás-igényű mesterségesintelligencia-alkalmazások futtatását, ezért az érdeklődés a szabályalapú rendszerek felé tolódott.

A mesterséges intelligencia új utakat keres a jövő felé

Jelenleg a mesterséges intelligenciához kapcsolódó technológiák alapvető fejlesztése sem áll le. A DARPA (Defense Advanced Research Projects Agency) úgy döntött, hogy 18,6 millió dollárt fektet a Princeton University kutatásába, amely az AI-chipek miniatürizálásával kapcsolatos innovációkkal foglalkozik. Ezeket ma főként adatközponti környezetre tervezik, míg a princetoni kutatás áttörést próbál elérni a skálázhatóság és a hatékonyság területén, ami lehetővé tenné a nagy teljesítményű AI integrálását hordozható eszközökbe, valamint repülőgépekbe és űrhajókba is.

Hogyan tanul valójában a mesterséges intelligencia?

Függetlenül attól, hogy ma milyen AI-modelleket használnak, ezek általában szigorúan különválasztják a tanulási módot (learning) és a működési módot (inference). Teljesen elkülönülő üzemmódokról van szó, amelyek eltérő működési algoritmusokkal, gyökeresen különböző számításiidő- és energiaigénnyel rendelkeznek, és nem ritkán más hardveren is futnak.

Önvezető autók

Nagy érdeklődést váltanak ki az ADS-nek (Automated Driving Systems) nevezett autonóm járművezetési rendszerek. Ezek egy meglehetősen összetett rendszert alkotnak, amely nemcsak vezérlőszámítógépekből, hanem belső és külső érzékelőkből is áll. Ezek nemcsak az autó sebességére vonatkozó adatokat rögzítik, hanem a kamerák képét és más érzékelők, például kompakt radarok vagy lézerszkennerek, azaz lidarok adatait is.

Az AI-modellek robbanásszerű növekedése

A mesterséges intelligencia iránti jelenlegi érdeklődési hullám az OpenAI generatív intelligenciája, a ChatGPT megjelenésével, valamint a DALL·E és a Midjourney generatív intelligenciák 2023 eleji hozzáférhetővé válásával kezdődött. Ezt a megjelenést a kritikusok néha „túl korainak” nevezik – de mit jelent az, hogy valami túl korai a technológiák világában?
Reviews NVIDIA DGX Spark
Accessories for NVIDIA DGX Spark

Related categories

Chcete doručit zboží do Česka? Prohlédněte si NVIDIA DGX Spark 4TB
Chcete doručiť tovar na Slovensko? Prezrite si NVIDIA DGX Spark 4TB
Für Versand nach Deutschland, besuchen Sie bitte NVIDIA DGX Spark
Für Versand nach Österreich, besuchen Sie bitte NVIDIA DGX Spark
P-DC1-WEB25
30 év tapasztalat az e-kereskedelemben
3 million megrendelés évente
a vásárlók 98% visszatérõ
Több infó