NVIDIA DGX Spark: qué es y para quién tiene sentido
El NVIDIA DGX Spark es un ordenador de sobremesa del tamaño de un libro pensado para desarrollar y ejecutar IA en local, sin depender de la nube. Lleva el superchip GB10 Grace Blackwell, 128 GB de memoria unificada y NVIDIA lo posiciona para trabajar con modelos de hasta 200.000 millones de parámetros. Su precio oficial pasó de 3.999 a 4.699 dólares en febrero de 2026, por la escasez mundial de memoria.
Especificaciones oficiales
| Componente | Qué lleva |
|---|---|
| Superchip | NVIDIA GB10 Grace Blackwell |
| CPU | 20 núcleos Arm (10 Cortex-X925 y 10 Cortex-A725) |
| Memoria | 128 GB LPDDR5x unificada y coherente |
| Ancho de banda de memoria | 273 GB/s |
| Rendimiento | Hasta 1 PFLOP en precisión FP4 |
| Núcleos tensor | Quinta generación |
| Almacenamiento | 4 TB NVMe M.2 con autocifrado |
| Red | ConnectX-7 a 200 Gbps, WiFi 7, Bluetooth 5.4 |
| Puertos | 4 USB-C, HDMI 2.1a, DisplayPort |
| Consumo | Fuente de 240 W, TDP del GB10 de 140 W |
| Tamaño y peso | 150 x 150 x 50,5 mm y 1,2 kg |
| Ruido | 35 dB en funcionamiento, 19 dB en reposo |
| Software | DGX OS con la pila de IA de NVIDIA, incluido NIM |
El dato que de verdad manda: la memoria unificada
Los 128 GB unificados son la razón de existir de esta máquina.
En un ordenador normal la GPU tiene su propia memoria, y un modelo que no cabe ahí no se puede cargar entero. Una tarjeta gráfica de gama alta para consumidor ronda los 24 o 32 GB, y con eso no entra un modelo grande sin recortarlo. Aquí la CPU y la GPU comparten los mismos 128 GB, así que caben modelos que en cualquier equipo de escritorio convencional quedan fuera.
El contrapunto está en la fila del ancho de banda: 273 GB/s. Esa cifra es la que decide a qué velocidad genera texto un modelo, y queda muy por debajo de la de una GPU de centro de datos con memoria HBM. Se traduce en algo concreto: el DGX Spark carga modelos que otros equipos no pueden cargar, y los ejecuta despacio comparado con el hardware de servidor.
Esa combinación define su uso. Sirve para desarrollar, probar y ajustar contra un modelo grande en tu propia mesa. No sirve para dar servicio a miles de usuarios.
Qué se puede hacer con uno
| Caso de uso | Encaja |
|---|---|
| Probar un modelo grande antes de contratar nube | Sí, es su escenario natural |
| Desarrollar y depurar agentes con datos sensibles | Sí, todo se queda en el equipo |
| Ajuste fino de modelos pequeños y medianos | Sí, con paciencia |
| Prototipar un RAG sobre documentación interna | Sí |
| Servir un chatbot a toda la empresa | No, para eso hace falta otro perfil de máquina |
| Entrenar un modelo desde cero | No, eso vive en un centro de datos |
| Jugar | No es su propósito ni su sistema operativo |
El caso que más se repite en empresas pequeñas es el tercero de la lista al revés: tener los datos en casa. Cuando el material con el que se trabaja no puede salir de la oficina por contrato o por normativa, un equipo local deja de ser un capricho técnico y pasa a ser el requisito.
Precio y por qué subió
| Momento | Precio oficial (Founders Edition) |
|---|---|
| Lanzamiento | 3.999 $ |
| Desde la semana del 25 de febrero de 2026 | 4.699 $ |
NVIDIA explicó el cambio en su foro de desarrolladores: restricciones de suministro de memoria a escala mundial, sin ningún cambio en el hardware ni en la configuración, aplicado en todas las regiones y respetando el precio original a los pedidos ya hechos.
Ese 18 % de subida no es una anécdota de este producto. Es el mismo cuello de botella que está encareciendo la memoria de los servidores, de los portátiles y de las tarjetas gráficas, y que explicamos en el dominio de NVIDIA en las GPU de IA.
Los precios son sin impuestos y en dólares. Para calcular el coste real en España hay que añadir IVA y, según el canal, aduanas.
Comprar o alquilar: cómo decidirlo
La comparación honesta, más que contra una tarjeta gráfica, es contra las horas de nube que compras con el mismo dinero.
Con 4.699 dólares más impuestos puedes pagar bastantes meses de una instancia con GPU en la nube. La cuenta cambia según tres variables.
Cuántas horas al día lo vas a usar. Un equipo encendido ocho horas todos los días amortiza; uno que se usa dos tardes al mes, no.
Si los datos pueden salir. Si la respuesta es no, la nube deja de ser una alternativa y la comparación se acaba.
Cuánto vale no esperar. Tener la máquina en la mesa elimina colas, cuotas y sorpresas de facturación, y eso tiene un valor que no aparece en la hoja de cálculo.
Para un equipo que está empezando a explorar, la secuencia razonable es al revés de lo que suele hacerse: primero unas semanas de nube por horas para saber qué modelos y qué cargas necesitas de verdad, y comprar hardware después, cuando el requisito esté medido.
Fuentes
- NVIDIA, página oficial del DGX Spark
- NVIDIA, anuncio de cambio de precio en el foro de desarrolladores (23 de febrero de 2026)
- Constellation Research, disponibilidad del DGX Spark a 3.999 dólares
- Tom's Hardware, la escasez de memoria y su efecto en los precios
Si quieres el contexto de por qué esta máquina cuesta lo que cuesta, lee el dominio de NVIDIA en las GPU de IA. Y si lo que buscas es aplicar IA sin comprar nada, mira qué es un agente de IA o cuéntanos tu caso.
Preguntas frecuentes
¿Sustituye a un servidor con GPU?
No. Está pensado para una persona o un equipo pequeño desarrollando, no para dar servicio en producción. Su ancho de banda de memoria y su consumo de 240 W lo dicen todo sobre la escala para la que está hecho.
¿De verdad ejecuta modelos de 200.000 millones de parámetros?
NVIDIA lo posiciona para inferencia con modelos de hasta ese tamaño, apoyándose en los 128 GB unificados y en la precisión FP4. Velocidad y tamaño son cosas distintas: cabe, y va al ritmo que permiten esos 273 GB/s.
¿Puedo conectar dos?
El equipo incluye una tarjeta de red ConnectX-7 a 200 Gbps, que es precisamente el tipo de interfaz pensada para unir equipos. Los detalles de configuración están en la documentación de NVIDIA.
¿Qué sistema operativo trae?
DGX OS, la distribución basada en Linux de NVIDIA, con su pila de software de IA preinstalada, incluido NIM para servir modelos.
¿Es mejor que un portátil de gama alta con GPU?
Para cargar modelos grandes, sí, por los 128 GB compartidos. Para cualquier otra cosa es una máquina especializada: ni pantalla, ni portabilidad, ni ecosistema de aplicaciones de escritorio.
¿Compensa para una pyme?
Depende de si vas a desarrollar sobre modelos o solo a consumirlos. Si tu plan es integrar APIs de terceros en tus procesos, no necesitas hardware. Si vas a trabajar con modelos abiertos sobre datos que no pueden salir de la empresa, empieza a tener sentido.