NVIDIA ha anunciado una nueva configuración de DGX Spark con 64 GB de memoria unificada, una versión que busca rebajar la barrera de entrada al desarrollo y la ejecución de inteligencia artificial local. Llegará el 23 de octubre a través de fabricantes como Acer, ASUS, Dell, Gigabyte, HP y MSI, con un precio de partida anunciado de 4.999 dólares.
La novedad no consiste simplemente en ofrecer un ordenador compacto con mucha memoria. NVIDIA está intentando convertir DGX Spark en una plataforma de sobremesa para una etapa en la que los agentes de IA pueden permanecer activos durante horas, trabajar con documentos y código y ejecutar flujos de varios pasos sin depender constantemente de servicios en la nube.
Qué ha anunciado NVIDIA
La nueva configuración de 64 GB utiliza la plataforma Grace Blackwell y llega con DGX OS y la pila de software de IA de NVIDIA preparada para trabajar desde el primer día. La compañía plantea tres usos principales: mantener agentes locales funcionando de forma continua, ejecutar modelos de lenguaje o generación de imágenes fuera del ordenador principal y ampliar capacidad conectando dos sistemas.
Ese último punto es especialmente interesante. Mediante NVIDIA Sync Cluster Assistant, dos DGX Spark de 64 GB pueden conectarse sobre la interconexión de 200 GbE y trabajar con un conjunto de 128 GB de memoria. La idea es que un proyecto pueda comenzar en una sola máquina y escalar a dos cuando necesite modelos mayores, contextos más largos o varios agentes concurrentes.
Por qué 64 GB pueden ser suficientes para muchos desarrolladores
En IA local, la memoria suele ser uno de los límites más importantes. Un modelo, su contexto, la caché y el resto del software deben convivir dentro de unos recursos finitos. Los 64 GB no convierten este equipo en un sustituto universal de un centro de datos, pero sí abren un espacio útil para desarrolladores, investigadores y pequeñas empresas que quieran experimentar con modelos abiertos y agentes sin enviar necesariamente todos sus datos a una API externa.
Esto puede resultar especialmente atractivo para prototipos con información sensible, herramientas internas, asistentes de programación, análisis documental o agentes de investigación. Ejecutar localmente también permite experimentar sin que cada token generado implique un coste variable de nube, aunque a cambio existe una inversión inicial considerable en hardware.
Para quienes todavía están construyendo una base práctica en IA, entender qué cargas de trabajo merece la pena ejecutar localmente es tan importante como conocer las herramientas. En FórmateConIA hemos analizado recursos como INTELIGENCIA ARTIFICIAL PARA TODOS, orientados a comprender y aplicar mejor estas tecnologías antes de dar el salto a infraestructuras especializadas.
Agentes locales que pueden permanecer activos
NVIDIA pone el foco en una tendencia clara: los agentes dejan de ser únicamente una ventana de chat y empiezan a ejecutar secuencias de trabajo. Un agente local puede revisar código, analizar documentos o encadenar tareas durante periodos prolongados. El valor de un sistema como DGX Spark aparece cuando esas cargas necesitan estar disponibles de manera continua y se quiere conservar el control sobre el entorno de ejecución.
Eso no significa que cualquier agente vaya a ser mejor por ejecutarse en local. Los modelos alojados en grandes centros de datos seguirán teniendo ventajas de escala y, en muchos casos, mayor capacidad. La decisión real será híbrida: qué procesos interesa mantener en la propia máquina y cuáles conviene delegar a servicios externos.
Esta evolución encaja con la aparición de sistemas de agentes persistentes. Por ejemplo, el lanzamiento de agentes de IA siempre activos que trabajan entre aplicaciones muestra cómo el sector se está moviendo hacia software capaz de mantener tareas y contexto más allá de una única conversación.
Qué aporta la arquitectura Grace Blackwell
DGX Spark se basa en el superchip GB10 Grace Blackwell, que integra CPU Arm y GPU Blackwell dentro de una arquitectura de memoria unificada. La documentación de NVIDIA para la familia DGX Spark especifica una CPU Arm de 20 núcleos y hasta 1 PFLOP de rendimiento FP4 en determinadas condiciones. La configuración de 64 GB anunciada ahora reduce la capacidad de memoria frente al modelo de 128 GB, pero mantiene la idea fundamental: acercar una pila de desarrollo de IA de NVIDIA a un formato de sobremesa compacto.
Conviene no confundir las cifras teóricas de cómputo con el rendimiento real de cada modelo. La velocidad depende de la arquitectura del modelo, su cuantización, tamaño de contexto, software, concurrencia y otros factores. Un dato de PFLOPS por sí solo no permite predecir cuántos tokens por segundo obtendrá una aplicación concreta.
Dos equipos, 128 GB y una ruta de escalado
La posibilidad de unir dos sistemas es probablemente una de las características más estratégicas del anuncio. NVIDIA explica que dos unidades de 64 GB pueden agrupar 128 GB mediante Sync Cluster Assistant. Esto permite empezar con una inversión menor y ampliar posteriormente si el proyecto lo exige.
La agrupación tampoco debe interpretarse como si dos ordenadores se convirtieran mágicamente en una única GPU. El software tiene que distribuir correctamente las cargas y siempre existen costes de comunicación. Aun así, una interconexión rápida y herramientas que automaticen parte de la configuración reducen una barrera que tradicionalmente ha hecho más complejos los sistemas multi-GPU o multinodo.
Privacidad, control y coste: el argumento de la IA local
El atractivo de la IA local se apoya en tres factores. El primero es la privacidad: determinados documentos pueden procesarse sin enviarlos continuamente a un proveedor externo. El segundo es el control: el desarrollador decide qué modelo, versión y configuración utiliza. El tercero es el coste predecible: una vez adquirido el hardware, una parte importante del coste deja de depender del volumen de tokens.
Pero también hay contrapartidas. El hardware se amortiza con uso suficiente, consume electricidad, requiere mantenimiento y queda limitado por su memoria y capacidad de cálculo. Para alguien que utiliza IA ocasionalmente, pagar una API puede seguir siendo mucho más económico. Para un equipo que ejecuta agentes continuamente, la ecuación puede cambiar.
La seguridad se vuelve más importante cuando el agente actúa
Un modelo local no es automáticamente seguro. Si un agente puede leer archivos, ejecutar herramientas o interactuar con servicios, hay que controlar permisos, aislamiento y acciones. Cuanto más autónomo sea el agente, mayor importancia adquieren las capas de seguridad alrededor del modelo.
NVIDIA está trabajando también en esta parte del problema. Su reciente propuesta de seguridad para agentes de IA con OpenShell y Sentry refleja que la carrera ya no consiste únicamente en ejecutar modelos: también hay que gobernar qué pueden hacer esos agentes cuando reciben herramientas y acceso a sistemas reales.
¿Para quién tiene sentido DGX Spark 64GB?
El nuevo modelo parece dirigido principalmente a desarrolladores, investigadores, startups y equipos técnicos que quieran una plataforma local relativamente compacta. Puede tener sentido para quien necesite probar modelos abiertos, construir agentes, trabajar con datos privados o mantener inferencia local de forma frecuente.
Para un usuario que solo utiliza ChatGPT, genera alguna imagen o automatiza tareas sencillas, un sistema de 4.999 dólares probablemente sería excesivo. La nube y los ordenadores convencionales seguirán cubriendo la mayoría de esos usos. DGX Spark tiene más sentido cuando la IA local forma parte del trabajo diario y el equipo puede aprovechar de verdad esa capacidad.
También es importante valorar el conocimiento técnico necesario. Tener hardware potente no sustituye una buena arquitectura de automatización. Quien quiera aplicar IA a procesos empresariales puede empezar aprendiendo a diseñar flujos y asistentes antes de invertir en infraestructura. Un ejemplo es nuestro análisis de ChatGPT para emprendedores, centrado en llevar la IA a tareas y procesos de negocio.
Qué cambia realmente con esta versión
La principal novedad no es que 64 GB sean una cifra revolucionaria por sí misma. Lo relevante es que NVIDIA está creando una escalera de entrada a la computación local para agentes: una configuración más asequible, software integrado y una vía relativamente directa para unir dos sistemas cuando el proyecto crece.
El anuncio también refleja una tendencia más amplia. A medida que los modelos abiertos mejoran y las técnicas de cuantización permiten reducir sus requisitos, una parte de las cargas que hace pocos años exigían servidores especializados puede acercarse al escritorio. La nube no desaparece; se complementa con una capa local cada vez más capaz.
Disponibilidad y precio
Según NVIDIA, DGX Spark 64GB estará disponible a partir del 23 de octubre de 2026 a través de Acer, ASUS, Dell, Gigabyte, HP y MSI. El precio anunciado parte de 4.999 dólares. Las configuraciones, disponibilidad regional y precios finales pueden variar según fabricante y mercado.
Conclusión
DGX Spark 64GB es una señal de hacia dónde se dirige una parte del mercado de IA: agentes persistentes, modelos abiertos y cargas privadas ejecutándose cada vez más cerca del usuario. Su precio sigue situándolo lejos del consumidor convencional, pero ofrece una puerta de entrada inferior a configuraciones de mayor memoria y, sobre todo, una ruta para crecer mediante clustering.
La pregunta interesante ya no es si toda la inteligencia artificial terminará ejecutándose localmente o en la nube. Lo más probable es un ecosistema híbrido. Los modelos más grandes seguirán aprovechando enormes centros de datos, mientras agentes especializados y tareas sensibles podrán ejecutarse en equipos locales. DGX Spark 64GB intenta ocupar precisamente ese espacio intermedio.