RTX Spark 背后的野心：英伟达争取下一代 PC 定义权

本地 AI 正在进入编程、设计和内容创作，电脑也需要同时处理模型运行、工具调用和项目调试。RTX Spark 瞄准的正是这些需求，让开发者和创作者能在一台便携电脑上，反复修改和验证自己的方案。英伟达展示过的机器小鸭开发案例，就是一个直观例子。

在这套机器人开发流程中，RTX Spark 承担了本地验证的工作：AI 调用 Isaac Sim 搭建虚拟场景、模拟机器人，将训练任务提交到云端，再把训练成果带回 RTX Spark 进行评估，确认效果后部署到真实机器人上。RTX Spark 由此成为开发者反复修改和验证方案的工作平台，让他们能够在手边的电脑上观察训练结果、检查机器人表现，再决定下一步如何调整。

这种工作方式，也能对应到更多人熟悉的场景。开发者希望本地 AI 读取项目代码、协助修改程序，随后在同一台电脑上编译和测试；创作者希望 AI 生成图片或短片，再把素材放进设计、剪辑软件中继续加工。模型生成的结果可以直接进入正在处理的项目，用户也能随时修改、验证，再继续下一步操作。

这些任务对电脑提出了更具体的要求。较大的模型需要充足的内存空间，内容生成依赖显卡计算，文件读取、工具调用和专业软件的运行也离不开处理器。如果用户还要外出演示、现场修改项目，配置好的模型、资料和工具也得方便携带。

RTX Spark 正是围绕这些需求展开设计。最高 128GB 统一内存由处理器与显卡共享，为较大模型和创作工程提供空间；CUDA 则帮助开发者延续熟悉的显卡加速方式。这些能力被整合进便携 Windows 电脑后，用户便能带着整套工作环境外出。从机器小鸭的开发到日常编程与创作，RTX Spark 希望成为开发者和创作者的随身 AI 工作平台，英伟达也借此把显卡领域的积累，进一步延伸到整套 PC 的设计中。

Arm 架构便于整合处理器与显卡

从平台设计看，选择 Arm 的一个直接好处，是英伟达可以与联发科利用授权的处理器核心，围绕 Blackwell 显卡设计自己的芯片。处理器、内存控制器和电源管理可以一起规划，核心数量、内存配置与各部分功耗也更便于协调。这样一来，英伟达就能按本地 AI 和便携电脑的需要，安排整套平台的资源。

RTX Spark N1X 的完整配置采用 20 核 Arm 处理器，其中包括 10 个 Cortex-X925 性能核心和 10 个 Cortex-A725 能效核心。性能核心适合需要快速响应的操作和较重的计算，能效核心则为后台任务提供更省电的运行选择。显卡采用 Blackwell 架构，配备 6144 个 CUDA 核心，数量与 RTX 5070 桌面版相同。较多的计算单元能够共同分担并行任务，为选择更高效的工作频率提供了空间。

这种整合适合处理器与显卡频繁配合的任务。比如在本机上用 AI 辅助编程，显卡运行模型，处理器同时读取文件、执行工具，并维持编程软件和浏览器的运行。AI 生成代码后，用户还会接着修改、编译，并检查结果。围绕同一项工作安排各部分资源，有利于兼顾模型计算和日常操作的响应。

笔记本版 45～80W 的 TDP 涵盖处理器、显卡等部分。英伟达与联发科可以围绕整机的散热条件安排这部分功耗，同时调整内存和电源管理。Arm 核心的授权方式为这种设计提供了条件，整机的效率则来自各部分的共同配合。最终，用户得到的是一台能够同时容纳大内存和较强显卡计算能力的便携电脑。

128GB 内存怎样改变模型的选择

大模型运行在显卡上时，需要占用大量的显存容量，模型超过显存容量后，通常需要借助系统内存，或在内存和显存之间传输数据。即使显卡核心本身很强，一旦显存溢出，额外的数据传输也可能明显拖慢模型运行。

RTX Spark 最高支持 128GB 统一内存，处理器与显卡共享物理内存。这给显卡处理大模型提供了更大的空间，也让需要双方访问的数据可以通过共享方式交接。对本地开发者来说，可选择的模型范围随之扩大，运行模型时可以更充分地考虑任务需求。

在 128GB 版华硕 ProArt P14 的 LM Studio 测试中，运行 Llama 3.3 70B 时，RTX Spark 达到 5.86Token/s，而 24GB 显存的 RTX 5090 Laptop 显卡为 1.80Token/s。结果显而易见，由于 70B 的超大参数量，即便是 RTX 5090 Laptop 拥有比 RTX Spark 更大的核心规模，受限于其 24GB 的显存容量，最终生成的速度也远不如 RTX Spark。

这说明，当用户需要在消费级设备上使用超大参数的模型时，RTX Spark 的大容量统一内存更容易体现价值。

FP4 与 MoE 提升大模型运行效率

模型收到问题后，会先处理资料与已有对话，再逐步生成回答。处理输入时可以利用较多并行计算，生成回答时则需要持续读取模型数据。这两部分分别关系到开始回答前的等待时间和后续文字生成的速度。

RTX Spark 的 LPDDR5X 内存带宽约为 300GB/s。Blackwell 支持 FP4，采用 FP4 量化后，模型体积更小，占用内存更少，运行时需要读取的数据也随之减少。官方给出的最高 1PFLOPS 对应 FP4 AI 算力，硬件与相应的模型运行软件配合后，可以帮助模型在有限带宽下更有效率地运行。

这一能力也改变了模型的选择方式。在同一平台上，MXFP4 量化的 gpt-oss-120b 能够达到 52.62Token/s。它采用 MoE 结构，每次计算只调用全部参数中的一部分，所以总参数量更大，实际计算量仍可控制在较合适的范围。

MoE 模型为 RTX Spark 提供了一个清晰的应用方向：大容量内存用来容纳完整模型，显卡处理每轮实际参与计算的部分。选择合适的 MoE 模型和低精度方案，可以兼顾较大的模型规模与连续输出速度。

把本地大模型塞进电脑包

一台配有高性能显卡的台式工作站，能够承担模型运行、项目调试和素材生成，但这套环境通常留在固定工位上。需要外出时，用户还要考虑怎样接着完成手头的工作。RTX Spark 把这套使用方式带进了轻薄笔记本：128GB 版 ProArt P14 采用 14 英寸机身，重量约 1.48kg，能够在本机运行前文的大模型。带走电脑，也就带走了配置好的模型、项目和开发工具。

模型与资源提前准备好，相关应用配置为本地处理后，开发者可以在出差时继续调试原有项目，创作者也能在现场试做素材、展示方案。对于网络条件不稳定的场所，本机运行的模型让这些工作更容易按原计划推进，资料怎样处理也能依据项目要求来安排。

ProArt P14 在部分处理器和显卡性能测试中，离电表现接近插电状态。这对临时修改工程、进行演示有实际价值，外出工作时更容易沿用原有的操作节奏。具体 AI 任务在电池供电时的速度与续航，可以用相同模型单独比较，购机时便能把日常办公与 AI 使用一起考虑。

这类电脑也能兼顾游戏。在 64GB 版 ProArt P16 上，1440p 分辨率、《赛博朋克 2077》光追低预设、DLSS 平衡档与 3 倍帧生成的组合，平均显示帧率为 138.1FPS。这一数字包含生成帧，反映了对应设置下的画面连续性，操作体验还需要结合基础帧率和响应判断。

对于主要从事开发或创作、偶尔游戏的用户，RTX 技术增加了整机的用途。以高帧率竞技游戏为主要需求时，具体游戏的兼容性、帧时间和操作响应更值得优先比较。按照用途选择机型，能够更准确地发挥 RTX Spark 在大内存与移动计算上的长处。

把本地 AI 塞进电脑包，还能缩短项目沟通与实际修改之间的距离。开发者可以在演示现场根据反馈调整程序，创作者也能边沟通边生成素材，结果直接回到同一个工程中。模型、资料和工具跟着用户一起移动，AI 便能够更经常地参与实际工作。PC 的便携性由此多了一层价值，用户随身带走的除了文件，还有处理这些文件的计算能力。

统一内存之外的 CUDA 生态优势

把大容量统一内存用于本地 AI，Apple 和 AMD 已经提供了不同路线。Apple 的 Mac 利用统一内存容纳模型，通过 Metal 和 MLX 调用显卡进行计算。围绕 macOS 和 MLX 开发的用户，可以在这套环境中运行模型、进行微调，并把相关功能接入应用。硬件与软件围绕同一平台设计，是这条路线的特点。

AMD 的 Ryzen AI Max+395 则将最高 128GB 统一内存带进 x86 电脑，保留了传统 Windows 软件的使用基础。它集成的 Radeon 8060S 可以通过包含 ROCm 组件的 Windows 版 PyTorch 等工具运行适配的模型，ComfyUI 也已有相应支持。对于依赖现有 x86 软件和插件的用户，这条路线方便延续原来的工作环境。

RTX Spark 增加的关键组合，是 Windows、大容量统一内存与 CUDA。很多使用英伟达显卡的 AI 项目，已经围绕 CUDA 相关框架、加速库和扩展进行开发。对于这些用户，转向 RTX Spark 后，原有的模型部署经验、调试方法和性能优化思路可以继续发挥作用，也能减少改用其他加速方案时的调整工作。大容量内存扩大了模型选择，CUDA 则让这些容量更容易服务于已有项目。

RTX Spark 的优势可以结合实际任务来看。在 Qwen 3.6 35B-A3B、Q4_K_M 量化并开启 MTP 加速的 AgentPerf-local 测试里，RTX Spark 版 Surface Laptop Ultra 约 8 分钟完成，采用 Ryzen AI Max+395 的 Ryzen AI Halo 约 13 分钟。两者分别调用 CUDA 和 ROCm 进行加速，机身形态也有区别，结果体现了这些配置下 RTX Spark 的模型运行效率优势。

Arm 版 Windows 目前已有原生适配的 PyTorch-CUDA、Python 和 Conda 等工具，开发者可以据此安装环境、部署模型，再接入项目使用的软件包和插件。CUDA 延续了熟悉的显卡加速方式，Arm 端的原生工具则负责让编程软件、扩展和相关程序顺畅配合，完整的项目环境需要两方面共同支持。

现有 Windows 应用的过渡，则需要分别看处理器与显卡。Prism 主要转译 x86、x64 程序的处理器指令，交给显卡处理的计算仍由显卡直接执行。对于能够正常运行、主要依靠显卡加速的程序，原有的显卡加速功能仍能发挥作用。原生 Arm 应用则能进一步利用处理器性能，开发工具、插件和扩展的支持情况，是选择主力工作环境时的实际参考。

微软针对 RTX Spark 优化了调度、功耗管理和统一内存支持。例如，提高大内存设备上显卡可使用的内存额度，能够让应用加载更大的模型或项目。芯片提供容量，系统与软件负责把容量用起来，这种配合使 128GB 配置能够转化为具体的工作空间。

Intel 或 AMD 处理器搭配 RTX 独立显卡的电脑，同样拥有 CUDA，也可以选择显卡功耗和显存带宽更高的机型。模型体积较小能够完整放进显存、主要追求生成或渲染速度时，这些组合仍然很有吸引力。RTX Spark 则把 CUDA、大容量统一内存和便携设计结合起来，适合希望在随身电脑上运行较大模型、继续使用 NVIDIA 工具的用户。

RTX Spark 争取的，是下一代 PC 的定义权

在我们看来，RTX Spark 是英伟达争取下一代 PC 定义权的重要一步。长期以来，处理器平台在 Windows PC 的产品划分和升级节奏中占据重要位置，本地 AI 正在为这一格局带来新的变量。当模型持续参与编程、设计和内容创作，整机就必须为模型运行留出足够的内存、计算和功耗空间。RTX Spark 让英伟达能够从这些应用需求出发，参与处理器、显卡和内存的整体规划。显卡领域积累的影响力，由此进入了决定一台 PC 如何设计的层面。

CUDA 在这场竞争中的价值，也会进一步扩大。AI 时代的软件兼容性，已经延伸到模型、加速库和开发工具能否高效配合。对于开发者，长期积累的代码、工具和优化经验，本身就是选择平台的重要理由。RTX Spark 为这些投入提供了新的便携载体，也让 CUDA 有机会成为 Windows PC 在处理器指令集之外的另一个重要平台支点。一旦用户开始根据 AI 项目的部署与运行体验购买电脑，英伟达的软件优势就能够更直接地影响整机市场。过去帮助用户选择显卡的 CUDA 生态，正在获得影响整台电脑选择的机会。

更深一层看，RTX Spark 把英伟达在云端与用户手边的布局连接起来。云端不断进步的 AI 能力，可以为本地应用提供新的开发方向，也可能成为用户升级 PC 的理由；本地应用逐渐丰富，又会扩大相关模型、框架和加速工具的使用范围。如果这套模式逐步成熟，英伟达就有机会覆盖 AI 应用从开发到日常使用的更多环节。RTX Spark 承载的，是把数据中心里的 AI 优势，延续到用户每天打开的那台电脑上。这种跨越云端与个人电脑的平台影响力，才是它对 PC 行业更值得关注的意义。

结语

机器小鸭的开发过程，也能说明这类电脑的用途：开发者在本地搭建场景、检查结果，将大规模训练交给云端，再把成果带回手边的设备验证。类似的工作方式，也能够延伸到编程、设计和内容创作中。模型与专业软件跟着用户移动，现场得到的反馈，就能更快落实为代码、素材和工程中的具体改动。RTX Spark 的价值，最终会体现在这些反复发生的日常工作里。

当这样的使用方式逐渐普及，PC 的升级理由也会随之改变。用户会更关心自己的电脑能运行哪些模型、能把 AI 接入多少工作，以及离开固定工位后还能完成什么任务。RTX Spark 为这些需求提供了一套明确的平台方案，也让英伟达有机会把 CUDA 生态的影响力延伸到整机设计。英伟达正在争取的，是让自己在 AI 领域积累的技术与软件优势，成为下一代 PC 的重要基础。从这个角度看，RTX Spark 已经迈出了值得行业认真对待的一步。