作者 | 卷卷· 编辑 | 阿策
科技圈里,很少有一款硬件能把全世界极客的情绪从狂欢直接拖进愤怒。
但黄仁勋做到了
2026年10月,英伟达在官网悄悄上架了一款桌面小主机,DGX Spark 64GB 版本。
价格标签公布的一瞬间,全球开发者群体一片哗然。
64GB 统一内存,起售价 4999 美元(约合人民币 3.55 万元)。
▲ 中文社区开发者发帖吐槽:降配反而涨价,内存涨价已经逼疯了硬件厂商
算一笔账,你的血压立刻就会上来:
一年前,这台机器的满血版标配是 128GB 统一内存,首发价格整整比现在便宜了 1000 美元;
而现在,老款 128GB 版本不仅没降价,反而坐地起价,一路飙升到了 6950 美元(约合人民币近 5 万元),涨幅高达惊人的 75%。
内存生生被砍掉一半,价格却比当年的满血首发版还倒涨了整整 7000 多元人民币。
面对如此悬殊的落差,老黄的刀法可谓粗暴至极。
曾经许诺给全球开发者的“桌面算力平权”,在这一刻彻底粉碎。
01昔日幻梦:把“个人AI超算”搬上书桌
要理解今天的愤怒,必须先把时钟拨回一年前。
那时的空气里,还弥漫着极其浪漫的技术理想主义。
2025年10月,当英伟达首次端出 DGX Spark 时,整个开源 AI 社区几乎为之疯狂。
《The Verge》等科技媒体直接用“属于个人的 AI 超算”作为头条。
▲ 2025年10月,The Verge 报道 DGX Spark 正式开售,首发价定在 3999 美元
在传统 PC 上玩本地大模型,开发者最大的噩梦是显存。
消费级显卡哪怕再快,显存撑死了也就 24GB,稍大一点的模型根本塞不进去。
而 DGX Spark 带来了一场革命。
它搭载了英伟达定制的 GB10 Grace Blackwell 超级芯片。
CPU 与 GPU 共享一块巨大的 128GB 统一内存,带宽高达 273 GB/s。
如此充沛的带宽与容量,让开发者书桌上的黑色小盒子足以直接吞下 2000 亿参数的庞大模型。
插上普通家用插座,开机就能在本地飞速运行 Llama、Qwen、DeepSeek。
私人数据无需上传云端大厂,既免去审核与调用额度限制,也不必担心熟睡时按 Token 疯狂跳表扣费。
那时的售价是 3999 美元
虽然昂贵,但黑客和独立开发者们咬咬牙认了:
“这是一次性买断属于自己的数字灵魂。”
极客们以为,一个崭新的本地 AI 黄金时代要来了。
他们没想到,狂欢仅仅持续了一年
02现实反转:内存砍半,价格反杀满血老款
现实很快露出了冰冷的獠牙
进入 2026 年,全球 AI 军备竞赛彻底抽干了上游芯片供应链。
高带宽内存与高端 DRAM 陷入了前所未有的全球大饥荒。
英伟达应对危机的策略,是朝消费者的钱包连续挥刀。
先是在今年 2 月,将 128GB 老款悄悄涨到 4699 美元;
到了 10 月,官方标价更是直接飞升到 6950 美元。
紧接着,就是这台号称“更易入手”的 64GB 青春版降临。
▲ 英伟达官方账号宣布 DGX Spark 推出 64GB 版本,起售价 4999 美元
各大科技外媒的报道标题再也遮掩不住嘲讽。
知名科技媒体《The Register》直接戳破了幻象:“迎头撞上内存荒,英伟达推出 4999 美元的半血版,而 128GB 已经暴涨了 75%。”
▲ 外媒 The Register 报道:这台所谓的入门机比一年前满血旗舰还要贵 25%
官方博客还在粉饰太平,宣称 64GB 是为了给开发者“更多起点”,并卖力推销一个名叫 ConnectX-7 的双机互联功能,买一台不够?
你可以买两台 64GB 用高速网线连起来,组装成 128GB 啊!
但社区早已算明白了这笔账:
两台 64GB 机器,总价直奔 1 万美元。
原本一年前花 3999 美元就能搞定的体验,现在英伟达让你掏出 1 万美元去曲线救国。
面对官方推特下热火朝天的宣传,早期购买了 4 台设备的忠实铁粉直接在评论区泼了盆冷水:
“没人想要 64GB,请给我们 256GB 和 512GB。”
▲ 忠实核心用户在官推下愤怒留言:没人想要倒退的 64GB 配置
为什么核心开发者对 64GB 如此深恶痛绝?
因为在真实的大模型世界里,缩减容量带来的影响远超纸面数字。
这是一场生产力从天堂跌入地狱的能力断层。
03硬核算账:64GB 为何沦为昂贵的“工业电子垃圾”?
在英伟达的宣传手册里,轻描淡写地写着“64GB 版本单机可跑约 1000 亿参数模型”。
凡是实际动手部署过本地模型的开发者,都明白这个宣传口径有多么脆弱。
大模型跑在电脑里,吞噬内存的开销其实由两大部分组成:静态模型权重,以及动态 KV Cache(键值缓存)。
我们可以把大模型想象成一个高智商员工:
- 静态权重
:相当于他的大脑容量和知识储备,一旦开机就固定死在内存里; - 动态 KV Cache
:相当于他看书、做推理时的草稿纸。你看的文档越长、聊天的上下文越多,这堆草稿纸占用的地方就呈几何级数爆炸。
我们拿今天开源界最通用的中流砥柱,Llama 3 70B 算一笔硬账。
700 亿参数的模型,即便经过了 4-bit 极限压缩量化,其静态身体也需要霸占 40GB 到 43GB 的内存。
▲ PCMag 刊文指出:面对内存危机,降配的新款依然要价 4999 美元
再看整台电脑的可用空间:
-
64GB 统一内存,开机扣除底层的 DGX OS 系统、驱动和 CUDA 运行时底噪(约 4GB~6GB); -
实际留给 AI 进程的空间,只剩下约 58GB。
当那具 42GB 的 70B 模型肉身躺进去后,留给草稿纸(KV Cache)的内存,只剩下微薄的 16GB!
16GB 的草稿纸够干什么?
-
对话 4000 字(4k 上下文),草稿纸只占 1.6GB,运转顺畅; -
当对话来到 3.2 万字(32k 上下文),草稿纸直接膨胀到 13.1GB,此时系统已经亮起红灯; -
一旦开发者想给它喂一份几万字的代码库、读一本长财报,或者让自主 Agent 进行多轮工具调试,上下文稍稍推到 64k,草稿纸需要 26.2GB 内存。
砰!
内存瞬间打爆,OOM 崩溃闪退,或者系统直接掉进性能暴跌万倍的虚拟内存死循环。
在 64GB 机器上,70B 级别的模型被牢牢锁死在“短文本玩具”的枷锁里。
如今开发者最核心的诉求是什么?
是像 OpenCode、Claude Code 那样常驻在后端的自主编程 Agent。
这种智能体需要不断读取项目代码、查询依赖树、反复自检报错,上下文动辄逼近 64k 乃至 128k。
面对这类高负载任务,64GB 机器根本难以支撑,只能退守去跑 27B 左右的次级模型。
更残酷的断崖发生在本地微调(QLoRA)和混合专家模型(MoE)上:
-
想要在本地用自己的业务数据微调一个 70B 模型,需要给训练梯度和优化器留出额外空间,最低显存硬性门槛是 56GB~65GB。64GB 机器直接原地瘫痪,而 128GB 老款却能从容搞定; -
想要跑效果极为强悍的开源 MoE 模型(比如 Mixtral 8x22B),光是 4-bit 压缩后都需要 75GB~80GB 空间。64GB 连大门都摸不到。
花 5000 美元买回去,你以为自己拥有了一台本地生产力神机。
开机才发现,你花巨资买回来的,是一个跑复杂长文本就宕机、无法微调、与前沿 MoE 模型绝缘的高价半成品。
04终极真相:92.5% 的冷酷现实
面对全球黑客的声讨,英伟达真的不知道 64GB 不够用吗?
他们当然知道
但去中心化 AI 开发者 Mau Ledford 在社交平台上直言不讳:
“别把英伟达当成你的朋友”
他在帖文中列出关键财务数据,直指英伟达的商业重心早已转移:
▲ 开发者指出:数据中心占 92.5% 营收,普通用户的诉求难以影响商业决策
在这份刚向 SEC 提交的最新季度财报中,英伟达交出了极其恐怖的成绩单:
- 单季度总营收:962 亿美元
; - 数据中心业务营收:890 亿美元
。
890 亿除以 962 亿,数据中心占比高达整整 92.5%。
▲ 英伟达向 SEC 披露的财报数据,数据中心业务同比增长 117%
剩下包括游戏显卡、自动驾驶、桌面 AI 小超算在内的全部业务,被挤在那个孤零零的 7.5% 窄条里。
黄仁勋在财报电话会上对华尔街骄傲地宣布:“算力即收入(Compute is revenue)。”
但这句口号的潜台词,普通人听懂了吗?
英伟达的核心利润来源,是微软、亚马逊、谷歌、Meta 以及各大主权算力中心。
那里的 H100、Blackwell 服务器成千上万台地被采购,每产生一个 Token,云巨头就在向全球终端用户收税。
从商业闭环的角度来看,英伟达没有任何动力让普通个体实现“算力独立”。
如果每个独立开发者、每家初创公司花几千美元,就能在自家书桌上舒舒服服地跑满血的前沿大模型,那谁去买云厂商的算力?
谁去给数据中心贡献那 92.5% 的万亿营收?
正如资深自托管玩家 Jason McNab 的犀利评述:
在英伟达的战略蓝图里,DGX Spark 的定位始终是一台服务于生态迁徙的“过渡设备(ramp device)”,与平民革命毫无瓜葛。
它的唯一使命,是放在企业办公室的桌边,让你熟悉英伟达的 CUDA 和 DGX 软件栈,当你发现本地内存不够用、性能受限时,顺理成章地迁徙到云端,去租用他们按秒计费的庞大算力集群。
05算术陷阱:被挤压的极客,逃向苹果
今天的个人开发者,正被夹在两堵正在合拢的高墙之间。
一堵墙在硬件端:内存荒叠加厂商的利润收割,本地买断的门槛被高高筑起;
另一堵墙在云端:各大 API 租用平台同样在疯狂变相涨价。
开发者 Jimmy Cheng 算过一笔极其毒辣的算术账:
主流的代码辅助与 AI 订阅服务纷纷开始缩水,原本 200 美元的专业档在削减额度,上方悄然出现了 500 美元的新阶梯;
更先进的模型输入输出计费昂贵
“硬件是你拥有的资产成本;
而一个常驻后台、按 Token 计费的智能体,是你睡觉时都在疯狂膨胀的跳表账单。”
▲ 开发者指出:选择本地部署完全源于现实而冰冷的成本算术
原本,花 3999 美元买下一台 128GB 的 DGX Spark,对照每月大几百美元的云端调用费,20 个月就能彻底回本。
而现在,随着老款涨到 6950 美元、新款 64GB 沦为半残,回本周期被生生拉长到了 35 个月以上。
在这场算力困局中,失望的开发者们开始用脚投票。
在中文推特圈,博主“米柒说”发出了灵魂拷问:
“4 个 64GB 的 Spark 组起来要 2 万美元,而一台 256GB 统一内存的顶级 Mac Studio 才只要 10999 美元。
英伟达这款产品的意义到底在哪里?”
▲ 开发者拿出苹果 Mac Studio 进行横向对比,嘲讽英伟达的离谱定价
即便苹果的统一内存生态在跑大模型时依然面临框架兼容、算子优化的诸多繁琐门槛,但在“每 GB 显存的拥有成本”面前,全世界极客甚至开始把目光投向了曾经被戏称为“金子做内存”的库克。
这无疑是 2026 年科技界最魔幻的黑色幽默。
06算力残酷法则:商业没有慈善
有人在短评里写下了一句精辟的总结:
“所谓的降配便宜版,其实一点都不便宜。
它只不过是那个越来越贵的蛋糕上,被切下来的更小的一块。”
从 2025 年秋天“人人拥有一台 AI 超算”的激昂宣讲,到 2026 年秋天“4999 美元买半血残废机”的冷酷现实。
仅仅一年时间,英伟达用两份标价,击碎了极客们最后的玫瑰色滤镜。
本地 AI 爱好者们终于看清:
在这个算力被视作新时代石油的纪元,去中心化的“技术自由”,大厂绝无可能主动施舍。
只要数据中心的财报数字还在成倍翻滚,只要云端的 Token 还在源源不断地产生现金流,你书桌上的那台小电脑,就注定只能在被精准阉割的刀法里苟延残喘。
本地 AI 褪去情怀与理想主义的光环,归根结底是一道残酷的算术题。
而这一次,黄仁勋把算盘打得震天响,唯独没打算让普通人算得过来这笔账。

