Hasta hace poco, disponer de un petaFLOP de cálculo de IA significaba reservar un rack completo, un contrato eléctrico industrial y un presupuesto de seis cifras. El NVIDIA DGX Spark cambia esa ecuación: condensa la arquitectura Grace Blackwell de los grandes sistemas DGX en un equipo compacto que cabe en la palma de dos manos y que ofrece hasta 1 petaFLOP de rendimiento en FP4.
Para equipos de desarrollo de IA, investigadores y empresas que quieren trabajar con modelos de lenguaje sin depender de APIs de terceros, el DGX Spark ofrece algo muy concreto: 128 GB de memoria unificada capaces de cargar modelos que no caben en ninguna GPU de consumo, con el mismo stack de software que los superordenadores DGX de NVIDIA.
En este artículo repasamos qué es exactamente el DGX Spark, sus especificaciones técnicas, sus casos de uso reales y una cuestión que muchas empresas pasan por alto: dónde conviene instalarlo. En EasyDataHost lo ofrecemos hospedado en nuestro datacenter de Madrid, en configuraciones de 1, 2 o 3 nodos, y en las próximas secciones explicamos por qué esa opción supera a tenerlo encima de una mesa de oficina.
Qué es el NVIDIA DGX Spark
El DGX Spark es el miembro más compacto de la familia DGX de NVIDIA: un equipo de supercomputación de IA construido alrededor del superchip GB10 Grace Blackwell, que integra en un único encapsulado una CPU Arm de 20 núcleos (arquitectura Grace) y una GPU Blackwell con Tensor Cores de quinta generación, conectadas mediante NVLink-C2C con un ancho de banda muy superior al de PCIe.
La consecuencia práctica de esa integración es la memoria unificada: CPU y GPU comparten los mismos 128 GB de LPDDR5x sin necesidad de copiar datos entre la RAM del sistema y la VRAM de la gráfica. Para cargas de IA esto elimina uno de los cuellos de botella clásicos y, sobre todo, permite cargar modelos mucho más grandes de lo que admite cualquier GPU de consumo con 16 o 24 GB de VRAM.
El equipo llega con DGX OS preinstalado, la distribución de NVIDIA basada en Ubuntu que incluye el stack completo de NVIDIA AI: drivers CUDA, contenedores NGC, frameworks como PyTorch y TensorRT-LLM, microservicios NIM y las herramientas de la plataforma NVIDIA AI Enterprise. Es el mismo entorno de software que ejecutan los sistemas DGX de datacenter, de modo que un proyecto que nace en un DGX Spark puede escalar después a infraestructura mayor sin reescribir nada.
Especificaciones Técnicas del DGX Spark
Estas son las especificaciones clave del equipo, resumidas en los parámetros que más importan para dimensionar cargas de trabajo de IA:
| Componente | Especificación |
|---|---|
| Superchip | NVIDIA GB10 Grace Blackwell |
| CPU | 20 núcleos Arm (arquitectura Grace) |
| GPU | NVIDIA Blackwell con Tensor Cores de 5ª generación |
| Rendimiento IA | Hasta 1 petaFLOP en FP4 |
| Memoria | 128 GB LPDDR5x unificada (CPU + GPU) |
| Almacenamiento | SSD NVMe de alto rendimiento |
| Interconexión de clúster | NVIDIA ConnectX a 200 Gbps |
| Sistema operativo | DGX OS con stack NVIDIA AI preinstalado |
| Formato | Equipo compacto de sobremesa, bajo consumo |
El dato clave: la memoria unificada
Una GPU de consumo de gama alta ofrece 24 GB de VRAM; el DGX Spark pone 128 GB a disposición del modelo. Es la diferencia entre ejecutar un modelo de 7B parámetros y trabajar con modelos de hasta ~200B en FP4 sin trocear capas ni descargar a disco.
Casos de Uso: Para Qué Sirve un DGX Spark
El DGX Spark no compite con los clústeres de entrenamiento a gran escala; su terreno es el ciclo completo de desarrollo, ajuste e inferencia local de modelos de IA. Los escenarios donde más rinde:
- check_circle Prototipado y fine-tuning de LLMs: ajustar modelos abiertos (con técnicas como LoRA o QLoRA) sobre datos propios, iterar rápido y validar hipótesis antes de invertir en entrenamiento a gran escala.
- check_circle Inferencia local de modelos grandes: un solo nodo ejecuta modelos de hasta ~200.000 millones de parámetros en FP4; agrupando 2 o 3 nodos se puede trabajar con modelos aún mayores.
- check_circle Desarrollo de IA con datos privados: pipelines RAG, agentes y asistentes internos donde los datos confidenciales de la empresa nunca salen de una infraestructura controlada, un requisito habitual en sanidad, banca o administración pública.
- check_circle Coste predecible frente a APIs: para cargas de inferencia sostenidas, un equipo dedicado elimina la factura variable por token y el riesgo de cambios de precios o límites de uso de terceros.
Si tu carga de trabajo requiere entrenamiento intensivo o inferencia masiva en producción, probablemente encaje mejor en nuestros servidores GPU dedicados. Para entender qué configuración conviene a cada fase del ciclo de vida de un proyecto de IA, en nuestro artículo sobre servidores GPU para IA y machine learning comparamos las alternativas en detalle.
Escalar Agrupando Nodos: ConnectX a 200 Gbps
Uno de los rasgos que diferencian al DGX Spark de una simple workstation es su interconexión NVIDIA ConnectX de 200 Gbps, pensada para unir varios nodos en un pequeño clúster de IA. Dos nodos conectados de forma directa suman 256 GB de memoria unificada, suficientes para ejecutar inferencia de modelos que desbordan la capacidad de un único equipo.
El stack de NVIDIA gestiona la distribución del modelo entre nodos, de modo que agrupar equipos no exige rediseñar la aplicación. Para un equipo de desarrollo esto significa una ruta de crecimiento natural: empezar con un nodo para prototipado, añadir un segundo cuando el modelo crece y llegar a tres para servir modelos grandes o repartir cargas entre varios proyectos simultáneos.
Ahora bien, la interconexión a 200 Gbps introduce un requisito práctico: el cableado y la ubicación importan. Los nodos deben estar físicamente próximos, correctamente cableados y alimentados de forma estable. Es exactamente el tipo de instalación que se resuelve mejor en un rack de datacenter que en una oficina.
Por Qué Alojarlo en un Datacenter de Madrid y No en la Oficina
El formato compacto del DGX Spark invita a colocarlo encima de una mesa. Pero un equipo que va a ejecutar cargas de IA durante horas o días seguidos es, a todos los efectos, infraestructura de producción, y una oficina no es el entorno para el que se diseñó ese rol: cortes de luz sin protección, temperatura sin control en verano, ruido de ventilación constante junto al equipo de trabajo, y un dispositivo con datos valiosos accesible para cualquiera que pase por la sala.
Por eso en EasyDataHost ofrecemos el NVIDIA DGX Spark hospedado en nuestro datacenter de Madrid. Las ventajas frente a la instalación en oficina son directas:
- check_circle Alimentación redundante: SAI y grupo electrógeno garantizan que un fine-tuning de 48 horas no se pierda por un microcorte a mitad de proceso.
- check_circle Refrigeración controlada: temperatura y humedad estables las 24 horas, lo que se traduce en rendimiento sostenido sin throttling térmico y mayor vida útil del hardware.
- check_circle Red de baja latencia: conectividad de datacenter para mover datasets, servir inferencia a tus aplicaciones y sincronizar repositorios sin depender de la fibra de la oficina.
- check_circle Seguridad física: control de accesos, videovigilancia y protección contra incendios. Un equipo con tus modelos y tus datos no debería estar al alcance de cualquier visita.
- check_circle Sin ruido ni consumo en la oficina: el equipo trabaja a pleno rendimiento sin ocupar espacio, sin ventiladores junto al equipo humano y sin engordar la factura eléctrica de la empresa.
- check_circle Acceso remoto seguro: tu equipo trabaja contra el DGX Spark por SSH o VPN desde cualquier lugar, exactamente igual que si lo tuviera al lado, pero con la fiabilidad de un entorno profesional.
Hay además un argumento de soberanía del dato: el equipo está físicamente en Madrid, dentro del marco RGPD y de la jurisdicción española. Para proyectos de IA con datos personales o información sensible, saber exactamente en qué sala está el hardware que los procesa simplifica de forma notable el trabajo de cumplimiento.
DGX Spark en EasyDataHost: Configuraciones de 1, 2 y 3 Nodos
En EasyDataHost ofrecemos el DGX Spark hospedado en nuestro datacenter de Madrid en tres configuraciones, pensadas para acompañar el crecimiento de un proyecto de IA:
- arrow_right 1 nodo: 128 GB de memoria unificada. Ideal para prototipado, fine-tuning e inferencia de modelos de hasta ~200B parámetros en FP4.
- arrow_right 2 nodos: 256 GB de memoria unificada agregada con interconexión ConnectX de 200 Gbps, para modelos mayores o cargas paralelas.
- arrow_right 3 nodos: el pequeño clúster completo, con 384 GB de memoria agregada para servir varios modelos o equipos de trabajo simultáneos.
Todas las configuraciones incluyen la instalación en rack, la alimentación redundante, la conectividad y el acceso remoto seguro. Los precios y condiciones actualizados están disponibles en la página del producto NVIDIA DGX Spark. Y si no tienes claro qué configuración encaja con tu proyecto, contacta con nuestro equipo para un análisis técnico sin compromiso.
Preguntas Frecuentes
¿Qué modelos de IA puede ejecutar un NVIDIA DGX Spark?
Con sus 128 GB de memoria unificada, un solo nodo puede ejecutar inferencia de modelos de hasta aproximadamente 200.000 millones de parámetros cuantizados en FP4, y realizar fine-tuning de modelos de tamaño medio. Agrupando 2 o 3 nodos mediante ConnectX de 200 Gbps es posible trabajar con modelos aún mayores.
¿Por qué alojarlo en un datacenter en lugar de en la oficina?
En un datacenter el equipo funciona con alimentación redundante, refrigeración controlada, red de baja latencia y seguridad física 24/7, sin generar ruido, calor ni consumo eléctrico en la oficina. El acceso es remoto y seguro desde cualquier lugar, y el hardware queda protegido frente a cortes de luz, robos o accidentes.
¿Qué configuraciones ofrece EasyDataHost y cuánto cuestan?
Ofrecemos el DGX Spark hospedado en nuestro datacenter de Madrid en configuraciones de 1, 2 o 3 nodos, con los nodos adicionales interconectados a 200 Gbps. Los precios y condiciones actualizados están publicados en la página del producto.
Conclusión
El NVIDIA DGX Spark acerca la supercomputación de IA a equipos que hasta ahora tenían que elegir entre GPUs de consumo insuficientes o infraestructura cloud con costes variables. Y su mejor versión no está encima de una mesa, sino en un rack:
- arrow_right El superchip GB10 Grace Blackwell con 128 GB de memoria unificada permite trabajar con modelos de hasta ~200B parámetros en FP4 en un solo nodo compacto.
- arrow_right La interconexión ConnectX de 200 Gbps convierte 2 o 3 nodos en un pequeño clúster capaz de servir modelos mayores, con una ruta de crecimiento sin reescribir la aplicación.
- arrow_right Alojado en un datacenter de Madrid, el equipo gana alimentación redundante, refrigeración, seguridad física y acceso remoto, y la oficina se libra del ruido y del consumo.
- arrow_right EasyDataHost lo ofrece en configuraciones de 1, 2 o 3 nodos, con instalación, conectividad y soporte incluidos, y precios publicados en la página del producto.