Bilibili World現場，NVIDIA祭出史上最夯“輕薄本”RTX Spark

作者：毛爍

今年Bilibili World（BW）最難排的隊，不是谷子（動漫周邊），也不是Coser的合影，而是NVIDIA的“GeForce 超級玩家體驗站”。

讓展臺人氣爆棚的，除了限量發售的RTX 5080公版卡，更有代表NVIDIA未來個人AIPC方向的重磅產品——RTX Spark 。

就在今年 5 月的COMPUTEX（GTC Taipei 2026）上，NVIDIA正式發布了面向 Windows 平臺的RTX Spark平臺。這是NVIDIA首次將自家的AI超級芯片、RTX 圖形能力以及統一內存架構整合進Windows PC中，開拓出一條全新的技術路線。而此前已經發布的 DGX Spark，則繼續承擔面向開發者和AI原生應用的桌面超算角色。

最高128GB 的統一內存，14 毫米的厚度，在完全斷網的情況下，本地運行120B（1200億參數）MOE模型……NVIDIA這哪里是在發輕薄本？這分明是給每個玩家和創作者按頭發了一臺7x24小時待命的“私人超級算力節點”。

這一次，NVIDIA將這些產品首次以實機形態展現在國內玩家和開發者面前。從輕薄的RTX Spark，到桌面級個人AI超算DGX Spark，NVIDIA將它們全部搬到了“GeForce 超級玩家體驗站”的展臺上，讓所有人親手體驗。

01 填平PCIe鴻溝，RTX Spark的“零拷貝”底牌

RTX Spark最關鍵的技術優勢是NVIDIA的片內互連技術。CPU與GPU之間，可以通過NVIDIA自研的NVLink-C2C片間互連總線進行通信，提供遠高于PCIe的帶寬和遠低于PCIe的延遲。

圍繞計算核心，RTX Spark平臺系統封裝了最高128GB的LPDDR5X統一內存，帶寬達300 GB/s。這套設計可實現CPU和GPU對同一物理內存空間的統一尋址（Unified Memory Addressing），即兩者共享同一個地址空間，無需數據拷貝即可直接訪問內存中的任意數據對象。

截取自：NVIDIA官網

從系統軟件視角來看，這意味著三件事：

1. 載入內存的大模型權重或3D場景數據，CPU和GPU均可直接按虛擬地址訪問，無需在RAM和VRAM之間做顯式拷貝（Zero-copy）。

2. 數據在CPU和GPU間傳遞時，僅通過NVLink-C2C傳遞訪問權限、緩存一致性消息，無需遷移大量數據。

3. 內存容量統一為128GB，遠大于任何獨立顯卡的本地顯存，徹底消除了頁交換機制的必要性。

換句話說，這種統一內存架構從根本上消除了傳統分離式架構的數據冗余和傳輸延遲，使得GPU可以持續滿載執行計算任務，不受PCIe帶寬制約。

在這套統一內存架構之上，RTX Spark的算力配置同樣為大模型負載而設計。其第五代 Tensor Core在FP4精度下可提供1 Petaflop的峰值性能。

放在今天的AI PC市場，這幾乎是斷層式的數字。目前主流自稱AI PC的NPU普遍仍停留在幾十TOPS，即便是依靠GPU參與計算，整機AI算力能夠達到數百TOPS就已經屬于旗艦級產品了，而 RTX Spark將這一數字直接推高到1000 TFLOPS級別。

可以說，RTX Spark為個人高性能AI電腦重新劃下了定義。

具體來看，RTX Spark在兩個維度上同時區別于依賴NPU的傳統 AI PC：

1. 內存體系上，統一尋址與數據零拷貝讓數百億參數的模型得以完整駐留、直接訪問。

2. 算力供給上，專為推理設計的FP4 Tensor Core為這些模型提供持續的計算吞吐。

前者決定了模型“能否裝得下并跑起來”，后者決定了“跑起來之后的效率”。兩者共同構成了本地運行大模型的完整條件，也是“GeForce 超級玩家體驗站”中實操演示的底層基礎。

02 “掀翻”x86牌桌：拔電運行UE5，光追高畫質跑《永劫無間》

底層原理清晰了，接下來也該看看RTX Spark在現場演示的場景里究竟能跑什么。

在“GeForce 超級玩家體驗站”展臺的demo演示中，NVIDIA 專家在RTX Spark上跑起了Unreal Engine 5 構建的“Unreal City”超大型3D虛擬場景。

熟悉這一場景的人都清楚，Unreal City內部包含多達10億個多邊形實體，數字資產的豐富度與復雜度極高。放在過去，這種量級的場景只能跑在塔式工作站上，插上頂級專業卡才能勉強流暢預覽。

而demo演示過程中，NVIDIA 專家在錯綜復雜的城市建筑集群中自由切換視角，從微觀街道瞬間拉升至高空俯瞰，整個過程幾乎沒有掉幀。與此同時，NVIDIA專家還開啟了光線追蹤全局光照、軟陰影、環境光遮蔽、復雜物理反射與透明反射等多項高負載光影效果。這樣的實時渲染流暢度，在傳統x86 游戲本上，幾乎是難以實現的。

事實上，同時開啟多項光線追蹤效果，并在龐大的城市場景中高速切換視角，對GPU而言最大的挑戰并不是計算，而是數據訪問。這要求GPU必須持續獲取海量場景資源，如果數據不能始終駐留在可快速訪問的位置，就會因為頻繁加載和傳輸而影響渲染流暢度。

這恰恰進一步體現了RTX Spark平臺128GB 統一內存架構的優勢：整個3D場景得以完整駐留在統一內存池中，GPU 按需直接訪問，無需反復在系統內存與顯存間搬運材質與幾何數據，因此即便高速切換視角，也不會因材質重載、資源串流而出現明顯卡頓。

演示過程中，還有一個細節令人印象深刻。NVIDIA 專家直接拔掉了電源，整套演示隨即切換至電池供電，但畫面的幀率和流暢度幾乎沒有發生變化，整個渲染過程依舊穩定。

這意味著，RTX Spark的性能釋放并不依賴持續的大功率外接供電。憑借更高的能效，其在電池模式下依然能夠支撐復雜的實時渲染負載，而不是像傳統高性能工作站那樣，一旦脫離電源便迅速降頻。

這也進一步說明，實時光追和超大場景渲染，并不是建立在高功耗、高散熱的前提之上，而是在能效與性能之間取得了更好的平衡。

硬件之外，基于Blackwell平臺的RTX Spark，還搭載了神經網絡渲染技術：NVIDIA DLSS 4.5。NVIDIA DLSS 4.5以插件形式直接接入Unreal Engine 5編輯器，其中最核心的升級是全新的Ray Reconstruction（光線重建）。借助第二代Transformer模型和第五代Tensor Core，它能夠在復雜光追場景下實時完成高質量去噪，在提升畫質的同時減少性能損耗；再配合 Super Resolution超分辨率技術，兼顧高幀率與高畫質。

截取自：NVIDIA官網

截取自：YouTube

如果說 Unreal Engine 5 展示的是創作能力，那么現場另一項 Demo則把目光放到了游戲體驗上。這也是RTX Spark首次在國內面向玩家進行游戲實機演示。

現場運行的《永劫無間》為DGX Spark和Windows on Arm做了原生適配。開啟全景光線追蹤后，刀光、水面反射、人物陰影以及環境光照全部按照物理規律實時計算，整個戰斗過程依舊保持流暢，并沒有因為特效全開而出現明顯掉幀。

這背后離不開NVIDIA DLSS多幀生成技術。其通過 AI 在兩個真實渲染幀之間生成額外畫面，在保證畫質的同時進一步提升幀率，讓高規格光追與流暢操作能夠兼得。對于一臺輕薄設備而言，這樣的表現已經足夠令人驚喜。

不過，與傳統x86 游戲本不同，因為RTX Spark采用的是Arm 架構，這也意味著它除了要解決性能問題，還要面對游戲生態的挑戰。目前絕大多數PC游戲仍是圍繞x86 架構開發，遷移到Arm平臺并不能直接運行，還需要開發者逐款完成適配。《永劫無間》能夠流暢運行，正是官方針對RTX Spark 平臺進行了專門優化。

目前，RTX Spark 的生態正在逐步完善。按照NVIDIA的規劃，隨著RTX Spark于今年秋季正式上市，將有更多商業游戲陸續完成Arm版本適配，游戲陣容也會不斷擴大。

當然，芯片再強，也需要生態支持。所以RTX Spark這次不是單槍匹馬登場，而是拉著一整個生態一起來的。目前，有多家Windows ISV和游戲廠商在適配 RTX Spark平臺。

硬件這邊，RTX Spark的筆記本和小型桌面主機，官方定檔今年秋季開賣。首發七家合作伙伴：華碩、戴爾、惠普、聯想、微星，宏碁和技嘉隨后跟上。

03 不敲一行代碼，DGX Spark用免費Token接管個人生產

與RTX Spark一同在“GeForce 超級玩家體驗站”展出的，還有更早發布的DGX Spark。相比硬件參數，本次展示的幾個Demo同樣能說明其定位。

現場演示的Demo采用通義千問開源模型Qwen3.6-35B，由于是MoE（Mixture of Experts）架構，雖然模型總規模達到350億參數，但每次推理實際每token只激活約30億參數，再配合DGX Spark的128GB 統一內存和Blackwell支持的NVFP4推理加速，能夠輕松完成本地推理。

展示的四個Demo，也分別對應了四類典型的智能體工作流。

第一個 Demo 展示的是“草圖生成網頁”。

NVIDIA專家拿起紙和筆，隨手畫出了黃仁勛經常提到的“AI 五層蛋糕”框架。畫完后，他把草圖舉到攝像頭前，DGX Spark上運行的本地視覺模型立即識別整張草圖的結構、文字和層級關系，并將這些信息交給后臺智能體。

隨后，智能體自動調用代碼生成工具，將識別結果轉換為網頁布局和前端代碼。幾乎與此同時，右側預覽窗口開始實時刷新，HTML、CSS等代碼開始生成，瀏覽器中的頁面也同步呈現。

整個過程中，沒有敲一行代碼，也沒有任何人工干預。從一張手繪草圖，到一份可以直接運行的網頁，整個流程都在本地自動完成。

第二個Demo展示的是跨語言辦公能力。

NVIDIA 專家對著麥克風用中文講述了一段參展感想，內容包括展會進展順利、現場演示取得成功，以及對團隊成員的感謝。

隨即，部署在DGX Spark上的智能體開始工作：首先完成語音識別，將中文語音實時轉換為文本；隨后理解整段內容的語義和上下文，梳理事件邏輯；最后結合商務郵件的寫作規范，自動生成一封語氣自然、表達得體的英文郵件。

整個過程只用了幾秒鐘。對于用戶而言，不需要切換翻譯軟件，也不用自己組織英文表達，只需用中文說出想法，一封符合商務場景的英文郵件便自動生成。

第三個Demo，則把本地 AI 的應用延伸到了遠程生活場景中。

NVIDIA專家模擬外出就餐，通過自定義接口和界面連接配置好的公網接口并訪問DGX Spark，并發送了一張大眾點評上的菜單截圖。

收到圖片后，部署在DGX Spark上的本地視覺模型首先識別菜單中的菜品及相關信息，再結合預先導入的“個人健康指標知識庫”進行分析，綜合評估不同菜品的營養結構及飲食風險。隨后，智能體給出一份點餐建議，明確哪些菜更適合當前的健康狀況，哪些菜則因為鹽分、糖分或其他指標偏高而建議避免。

整個過程無需將個人健康數據交給云端，而是由DGX Spark完成本地分析，再通過遠程連接將結果返回到手機，實現了人在外、AI 在家的智能輔助。對于私密性要求不高的場景，也可以通過飛書等IM軟件接入，更加方便易用。

最后一個Demo，則更接近真實世界的視覺理解。

NVIDIA專家拿起一個插座，對著攝像頭提問：“這個能不能插我家16A的空調？”

隨即，部署在DGX Spark上的視覺模型會先識別出插座的外觀特征和規格，再結合插頭標準、電流規格等專業知識進行推理，判斷出這是僅支持10A的普通插座，無法承載 16A 空調的負載，并立即給出了安全風險提示。

這并不只是簡單的圖像識別，而是讓AI先“看懂”真實世界中的物體，再結合專業知識完成分析和判斷。

總體看，四個Demo分別覆蓋網頁生成、跨語言辦公、個人健康助手，以及現實世界視覺理解，場景看似各不相同，但背后卻都有一個共同特點，就是數據始終留在本地。

利用DGX Spark，無論是識別圖片、理解語音，還是調用智能體執行任務，數據都可以在本地模型上完成處理，無需默認上傳至云端，或者消耗任何token費用。而支撐這一切的，是DGX Spark的硬件底座：其128GB統一內存能讓CPU與GPU共享同一塊內存池，消除了數據搬運的瓶頸；配合第五代Tensor Core對NVFP4 4-bit精度的加速，最高可提供1 PFLOP的FP4算力，足以在本地跑起最高200B參數的大模型，這意味著許多過去只能依賴云端的推理任務，如今可以完整地留在這臺桌面設備上完成。

與此同時，NVIDIA還內置了Playbook教程以及Web UI搭建指南，即使沒有太多開發經驗，也可以按照流程逐步部署屬于自己的智能體。

過去四十年，PC始終是一臺等待人發號施令的機器。鼠標、鍵盤、窗口，是人與計算機交互的全部入口。而RTX Spark 想改變的，正是這種延續了幾十年的計算范式：用戶只需要提出目標，剩下的工作交給運行在本地的智能體（Agent）自主拆解、規劃并執行。

從另一方面說，RTX Spark的出現，也是對過去兩年“AI PC”的一次顛覆。它不同于傳統PC增加幾個AI功能，而是以128GB統一內存架構，以及遠超以往的能效比，讓輕薄設備第一次具備了本地運行千億參數大模型、實時處理復雜3D場景的能力。

從這一點上看，或許從RTX Spark開始，才是個人本地AI的真正起點。

至于其能否真正開啟PC的下一個四十年，還需要等到今年秋季正式上市之后，由開發者、玩家和市場共同給出答案。