NVIDIA DGX Spark 64 Go : l’IA locale à 4 999 dollars, et deux boîtiers pour un cluster

NVIDIA DGX Spark — systèmes partenaires pour l’IA locale

Le fait

Le 2 octobre 2026, NVIDIA annonce une configuration 64 Go de mémoire unifiée de DGX Spark, son « supercalculateur IA personnel » de bureau. Elle sera disponible le vendredi 23 octobre, uniquement chez les constructeurs partenaires (Acer, ASUS, Dell, Gigabyte, HP et MSI), à partir de 4 999 dollars.

Rien ne change sous le capot par rapport au modèle 128 Go : même superpuce GB10 Grace Blackwell, même système DGX OS, même pile logicielle NVIDIA (CUDA-X, NVIDIA Agent Toolkit, modèles ouverts Nemotron, et les moteurs d’exécution courants : Ollama, vLLM, PyTorch). NVIDIA annonce la prise en charge de modèles jusqu’à 100 milliards de paramètres, et des applications agentiques qui tournent entièrement sur l’appareil, « en privé, sans dépendance au cloud ».

Deux boîtiers, un cluster

Le second volet de l’annonce est logiciel. Chaque DGX Spark embarque une carte réseau ConnectX-7. Deux unités se relient directement par un câble QSFP (liaison 200 GbE, sans commutateur) et mettent en commun leur mémoire : 128 Go, pour des modèles jusqu’à 200 milliards de paramètres. L’application NVIDIA Sync Cluster Assistant détecte les boîtiers, valide la configuration et paramètre le réseau.

NVIDIA chiffre le gain : sur son test avec Qwen 3.8 27B, deux systèmes 64 Go en cluster délivrent jusqu’à 1,7× les performances d’un seul système. Fin octobre arrive aussi NVIDIA Sync Model Launcher, qui télécharge et lance un modèle (Qwen3.8 27B en exemple) sur un ou deux boîtiers, le rend accessible depuis les PC portables du réseau, et configure l’agent de code OpenCode pour coder depuis le navigateur.

Contexte : la crise de la mémoire

Pourquoi une version « réduite » ? Tom’s Hardware parle de « RAMpocalypse » : la pénurie de mémoire et de stockage fait flamber les prix. Selon le site, un système GB10 128 Go se trouve aujourd’hui autour de 7 000 à 9 000 dollars, bien au-dessus du prix catalogue ajusté de NVIDIA. La version 64 Go remet un ticket d’entrée plus bas, avec l’avertissement que les prix pourraient ne pas tenir longtemps dans ce marché volatil.

Nuance utile côté capacité : ASUS, qui lance sa déclinaison Ascent GX10 64 Go, la présente comme suffisante pour faire tourner « les modèles les plus capables de la classe 30 à 35 milliards de paramètres » et des agents autonomes. Le chiffre de 100 milliards annoncé par NVIDIA est un plafond ; le confort de travail se situe plus bas.

Ce que ça change pour une entreprise française

Un agent interne, 24 h/24, sans données qui sortent. NVIDIA met en avant trois usages : un agent de code ou de recherche documentaire qui tourne en continu, un serveur d’inférence pour les PC de l’équipe (le boîtier calcule, les portables restent libres), et une montée en charge par ajout d’un second boîtier sans reconfigurer les logiciels. Pour une PME, un cabinet ou un service R&D qui ne veut pas envoyer ses documents vers une API américaine, c’est une option concrète.

Un budget lisible. Environ 5 000 dollars (prix américain ; tarifs européens non communiqués à ce stade) pour un poste d’expérimentation, 10 000 pour un petit cluster de 128 Go : on est dans l’ordre de grandeur d’un poste de travail haut de gamme, pas d’un projet datacenter.

Les bons candidats côté modèles. Les modèles ouverts compacts récents sont précisément dimensionnés pour ce format. Attention aux poids réels : Kolibri d’Aleph Alpha, publié le 3 octobre, pèse environ 78 Go en FP8, soit plus qu’un Spark 64 Go seul, et sa fiche ne liste que des GPU de datacenter (H100, H200, B200) comme configurations validées. Vérifiez l’empreinte mémoire du modèle visé avant d’acheter.

Les limites. Ce n’est pas une machine de production pour des centaines d’utilisateurs. À l’autre bout de la gamme NVIDIA, la même semaine, CoreWeave mettait en production ses premières baies Vera Rubin NVL72 pour Cognition (éditeur de l’agent de code Devin), qui mesure jusqu’à 4,8× le débit de tokens d’une baie GB200 NVL72 sur ses charges d’inférence. Le Spark sert à prototyper et à servir une équipe ; le passage à l’échelle reste une affaire de cloud ou de datacenter.

Lecture Neurone21

Le DGX Spark 64 Go est moins une nouveauté technique qu’un repositionnement prix dans un marché de la mémoire sous tension. Mais pour l’entreprise européenne qui veut tester des agents sur ses propres données sans les exposer, c’est l’une des portes d’entrée les plus simples de l’automne : un boîtier, une pile logicielle prête, et la possibilité d’en ajouter un second quand le besoin grandit.