A fecha de 3 de octubre de 2026, Nvidia anunció la configuración DGX Spark de 64 GB, una nueva versión de su pequeño sistema de cómputo para IA basado en el superchip Grace Blackwell GB10. El equipo tiene un precio inicial de 4.999 dólares, estará disponible el 23 de octubre de 2026 y llega con socios de fabricación como Acer, ASUS, Dell, Gigabyte, HP y MSI. Junto con la familia RTX Spark para PC con Windows, prevista también para octubre, la compañía deja clara una dirección: llevar la inferencia y los agentes de IA a la máquina del desarrollador y a la oficina, y no solo al centro de datos.
Este artículo repasa qué se anunció, qué datos son verificables en las fuentes oficiales, cómo encaja la propuesta frente a la nube y frente a otras opciones de cómputo local, y qué deberían evaluar las empresas antes de comprar. Se evita deliberadamente extrapolar cifras que Nvidia no ha publicado. Cuando un dato proviene de una prueba del fabricante, se indica como tal.
Contexto: por qué la IA local volvió a ser relevante
Durante años, el modelo dominante para usar IA generativa fue consumir un modelo grande a través de una API. Esa arquitectura sigue siendo la más extendida, pero tres factores han movido el equilibrio hacia opciones locales.
El primero es la reducción del tamaño de los modelos abiertos que resultan útiles. Nvidia lo resume en su propio blog con una frase: la IA local es cada vez más útil "por token", porque modelos abiertos capaces ahora caben en dispositivos más pequeños. No es una afirmación sobre un modelo concreto, sino sobre una tendencia: la distancia práctica entre un modelo de frontera alojado y un modelo abierto de tamaño medio se ha acortado para muchas tareas de oficina y de programación.
El segundo factor es el auge de los agentes que corren de forma continua. Un agente que revisa correos, ejecuta pruebas, vigila un repositorio o procesa documentos durante horas consume muchos tokens. Pagarlos todos por API puede resultar costoso y, además, obliga a enviar datos internos a un tercero. Un equipo local con costo fijo cambia esa ecuación para ciertas cargas.
El tercero es la gobernanza de datos. Departamentos legales, financieros y de salud suelen tener restricciones sobre qué información puede salir de la red corporativa. La inferencia local no elimina esas obligaciones, pero simplifica parte del análisis de riesgo.
Nvidia había presentado la primera generación de DGX Spark como "la supercomputadora de IA más pequeña del mundo", y en esta ocasión amplía la línea con una variante de 64 GB de memoria unificada. La compañía también presentó en IFA 2026 la plataforma RTX Spark para portátiles y equipos compactos con Windows. Ambos movimientos comparten el mismo hilo conductor.
Qué se anunció exactamente: especificaciones verificables
Según la publicación oficial de Nvidia, estos son los datos principales del DGX Spark 64GB:
- Superchip: NVIDIA Grace Blackwell GB10.
- Memoria: 64 GB de memoria unificada.
- Capacidad de modelos: hasta 100.000 millones de parámetros en una sola unidad.
- Red integrada: NVIDIA ConnectX-7.
- Agrupación (clustering): dos unidades conectadas por cable QSFP agrupan 128 GB de memoria y admiten modelos de hasta 200.000 millones de parámetros, con conectividad de 200 GbE.
- Precio inicial: 4.999 dólares.
- Disponibilidad: viernes 23 de octubre de 2026.
- Socios: Acer, ASUS, Dell, Gigabyte, HP y MSI.
En software, el sistema incluye DGX OS, la pila de software de IA de Nvidia, el NVIDIA Agent Toolkit, las bibliotecas CUDA-X AI, los modelos abiertos Nemotron, y compatibilidad preconfigurada con Ollama, vLLM y PyTorch con CUDA. También se mencionan herramientas como NVIDIA Sync Cluster Assistant, que configura automáticamente varios nodos, y NVIDIA Sync Model Launcher, previsto para finales de octubre. Hay además integración con OpenCode, y un instalador preconfigurado de Blender descrito como próximo.
Un punto técnico a tener presente: la memoria es unificada, es decir, CPU y GPU comparten el mismo espacio. Esto es lo que permite cargar modelos más grandes de lo que cabría en la memoria dedicada de una GPU de consumo, a cambio de que el ancho de banda de memoria suele ser el cuello de botella en la generación de tokens. Nvidia no detalla en la publicación consultada cifras de tokens por segundo por modelo, por lo que cualquier estimación de rendimiento real debe esperar a pruebas independientes.
El dato del clustering: qué dice y qué no dice
Nvidia afirma que dos sistemas de 64 GB agrupados ofrecen "hasta 1,7 veces" el rendimiento de un solo sistema, medido con un modelo Qwen de 27.000 millones de parámetros según el material del fabricante. Conviene leerlo con cuidado por varias razones.
Primero, es una cifra "hasta", es decir, un máximo en una prueba concreta, no un promedio. Segundo, el escalado de 1,7 veces con dos nodos equivale a una eficiencia cercana al 85 %, lo cual es razonable para inferencia distribuida, pero depende del modelo, del tamaño del lote y de la configuración. Tercero, el principal beneficio del clustering no es la velocidad sino la capacidad: pasar de 64 a 128 GB de memoria combinada permite cargar modelos de hasta 200.000 millones de parámetros que no cabrían en una sola unidad.
La parte operativa es quizá la más relevante para equipos pequeños. Según Nvidia, NVIDIA Sync configura la red automáticamente y no requiere reconfigurar el software entre nodos, de modo que el entorno es el mismo. Para una empresa sin un equipo de infraestructura dedicado, reducir la fricción de configuración puede pesar más que unos puntos de rendimiento.
RTX Spark: la contraparte para PC con Windows
En paralelo, Nvidia presentó RTX Spark en IFA 2026. La compañía lo describe con una GPU RTX Blackwell de 1 petaflop, hasta 128 GB de memoria unificada y una CPU Grace de 20 núcleos, en formatos de portátil y de escritorio compacto. Según la publicación oficial, llegará en octubre. Entre los fabricantes mencionados figuran Lenovo, con los modelos Yoga Pro 9n y Yoga 9n 2 en 1, y Acer, con un concepto de escritorio compacto.
El elemento más interesante para las empresas es el marco de agentes de Windows que Nvidia menciona, pensado para que los agentes operen en segundo plano bajo control a nivel de sistema operativo. Si esa capa cumple lo prometido, resolvería un problema real: dónde y con qué permisos corre un agente en un equipo de usuario final. Los detalles técnicos de ese marco no están desarrollados en las fuentes consultadas, por lo que es un aspecto para vigilar en la documentación oficial cuando se publique.
Nvidia también destaca el soporte de editores y estudios de videojuegos, entre ellos Electronic Arts, Ubisoft, KRAFTON, NetEase, Riot Games y Xbox. Es un recordatorio de que estos equipos son de propósito general y no solo estaciones de IA. Para una empresa, la ventaja es que un mismo equipo puede cubrir trabajo creativo y de agentes locales.
Cómo se compara con la nube y con otras alternativas
Una comparación honesta debe separar tres escenarios.
Frente a una API de modelos de frontera. Un DGX Spark de 64 GB no ejecuta los modelos de frontera cerrados, que solo se ofrecen como servicio. Lo que ejecuta son modelos abiertos, hasta cierto tamaño. Si la tarea exige la máxima capacidad de razonamiento disponible, la API seguirá siendo la opción. Si la tarea es acotada (clasificación, extracción, resúmenes, asistencia de código sobre un repositorio privado, agentes con instrucciones estrechas), un modelo abierto de tamaño medio local puede bastar.
Frente a alquilar GPU en la nube. El alquiler ofrece elasticidad y acceso a hardware mucho más potente, pero cobra por hora. Un equipo de 4.999 dólares es un gasto de capital que se amortiza si se usa de forma sostenida. Para cargas intermitentes y de gran tamaño, la nube sigue siendo más flexible. Para cargas continuas y pequeñas, el costo fijo local tiende a ganar con el tiempo, aunque el punto de equilibrio depende de la utilización real, la energía y el mantenimiento, datos que cada organización debe medir.
Frente a otras opciones locales. Existen estaciones con GPU dedicadas y equipos de otros fabricantes con memoria unificada. La diferencia que Nvidia busca capitalizar es la integración: el mismo ecosistema CUDA, las mismas bibliotecas y la misma pila de software desde el equipo de escritorio hasta el centro de datos. Para un desarrollador, poder probar localmente algo que luego se despliega en infraestructura Nvidia reduce la fricción de migración. Es una ventaja real, aunque también una forma de dependencia del proveedor que conviene reconocer.
Qué significa para las empresas
Para un responsable técnico, la decisión no es "nube o local", sino qué carga va dónde. Algunas consideraciones prácticas:
- Identificar cargas continuas y repetitivas. Los agentes que corren todo el día, la indexación de documentos internos y las tareas de clasificación son candidatas naturales a ejecutarse en hardware propio.
- Mantener la nube para picos y razonamiento complejo. Un esquema híbrido, con enrutamiento por tipo de tarea, suele ser más sensato que una migración total.
- Clasificar los datos. Si los datos sensibles son el motivo principal, la inferencia local aporta valor. Si no lo son, el argumento se debilita.
- Evaluar la capacidad de operación. Un equipo local requiere actualizaciones, monitoreo, copias de seguridad y gestión de modelos. El trabajo que la nube absorbe pasa a ser responsabilidad propia.
- Probar con los modelos reales. La compatibilidad con Ollama, vLLM y PyTorch facilita probar. Antes de comprar varias unidades, conviene validar con una y con los modelos y las cargas que se usarían de verdad.
Para equipos de desarrollo, el caso es particularmente claro: un asistente de código o un agente que opera sobre un repositorio privado puede correr localmente sin enviar el código fuente fuera, y el desarrollador libera su portátil para otras tareas, algo que la propia Nvidia menciona como caso de uso.
Un contexto más amplio: Nvidia y el ciclo de anuncios de octubre
El anuncio llega en una semana activa para la compañía. El 1 de octubre, Nvidia publicó que GPT-6 Astra Ultrafast, de OpenAI, funciona sobre GPU Blackwell y ya está disponible en la API de OpenAI. El 28 de septiembre anunció un aumento de 150.000 millones de dólares en su autorización de recompra de acciones, con lo que el total autorizado asciende a 235.000 millones, y presentó la Open Agent Safety Platform. Además, la compañía celebrará GTC Berlín del 20 al 22 de octubre, con una keynote de Jensen Huang el 21 de octubre en el Tempodrom.
La lectura de conjunto es que Nvidia opera en toda la cadena: infraestructura de centros de datos para modelos de frontera, plataformas de seguridad de agentes, y ahora equipos pequeños para ejecutarlos localmente. El DGX Spark y RTX Spark son la parte de esa estrategia que llega al usuario final y al desarrollador individual.
Limitaciones y riesgos reales
Ninguna de estas observaciones invalida el anuncio, pero conviene tenerlas presentes.
- Los modelos abiertos no equivalen a los de frontera. Para tareas de razonamiento complejo, programación avanzada o comprensión de contexto muy largo, la brecha puede seguir siendo significativa.
- El ancho de banda de memoria limita la velocidad. Aunque se pueda cargar un modelo de 100.000 millones de parámetros, la velocidad de generación puede ser modesta. Hay que esperar mediciones independientes.
- Las cifras de rendimiento son del fabricante. El 1,7x es un máximo en una prueba concreta.
- Disponibilidad y precio final. El precio inicial es de 4.999 dólares, pero el precio por socio y por región puede variar. La disponibilidad del 23 de octubre es la fecha anunciada.
- Dependencia del ecosistema. Una pila basada en CUDA facilita el trabajo, pero ata la inversión a un proveedor.
- Operación y seguridad. Un agente que corre de forma continua en un equipo local necesita permisos acotados, aislamiento y registro de actividad. Que el modelo sea local no implica que el agente sea seguro por defecto.
- Herramientas aún en llegada. El Model Launcher y el instalador de Blender se describen como próximos, por lo que no estarán en el primer día.
Preguntas frecuentes
¿Cuánto cuesta el DGX Spark de 64 GB y cuándo está disponible?
El precio inicial anunciado es de 4.999 dólares y la disponibilidad prevista es el 23 de octubre de 2026, a través de socios como Acer, ASUS, Dell, Gigabyte, HP y MSI.
¿Qué tamaño de modelo puede ejecutar?
Según Nvidia, una sola unidad admite modelos de hasta 100.000 millones de parámetros, y dos unidades agrupadas, con 128 GB de memoria combinada, hasta 200.000 millones. El rendimiento real depende del modelo y de la cuantización.
¿Reemplaza a los servicios de IA en la nube?
No por completo. Ejecuta modelos abiertos, no los modelos cerrados de frontera. Es una opción complementaria para cargas continuas, datos sensibles o desarrollo y pruebas locales.
¿Qué software incluye?
DGX OS, la pila de software de IA de Nvidia, el Agent Toolkit, CUDA-X AI, los modelos Nemotron, y soporte preconfigurado para Ollama, vLLM y PyTorch con CUDA.
¿En qué se diferencia de RTX Spark?
DGX Spark está orientado a desarrolladores y cargas de IA, con DGX OS. RTX Spark está pensado para portátiles y equipos compactos con Windows, con una GPU RTX Blackwell de 1 petaflop y hasta 128 GB de memoria unificada, y prevista también para octubre.
Conclusión
El DGX Spark de 64 GB no es un anuncio de ruptura tecnológica, sino de madurez de una categoría: equipos compactos que permiten ejecutar modelos abiertos de tamaño considerable, agruparlos con poca fricción y mantener el mismo entorno de software que en infraestructura mayor. Para las empresas, el valor está en medir con datos propios qué cargas justifican hardware local y cuáles seguirán siendo más eficientes en la nube. Las pruebas independientes de rendimiento, que aparecerán tras el lanzamiento del 23 de octubre, serán el criterio más útil para decidir.