El nuevo “superchip” RTX Spark de NVIDIA hace algunas afirmaciones audaces, combinando un potente procesamiento de IA en el dispositivo con gráficos de nivel AAA para jugadores, impulsado por la plataforma Windows on Arm PC.
El chip debutará en una ola de portátiles premium con Windows a finales de este año, con los primeros diseños anunciados por Microsoft Surface, ASUS, Dell, HP, Lenovo y MSI. Los sistemas RTX Spark abarcarán desde computadoras portátiles para creadores delgadas y livianas de 14 pulgadas hasta estaciones de trabajo más grandes de 16 pulgadas y mini PC de escritorio, todas construidas alrededor de la misma arquitectura de memoria unificada y tecnología de GPU Blackwell.
Como alguien que ha usado una PC con Windows con tecnología Snapdragon X durante un tiempo, el rendimiento diario y la duración de la batería han sido excepcionales, pero las promesas de una IA revolucionaria en el dispositivo no se han materializado. Ejecutar cualquier modelo avanzado es esencialmente imposible con sólo 16 GB de RAM y sin un acelerador viable.
El RTX Spark pretende ser bastante diferente, con una colosal memoria de sistema unificada de 128 GB junto con una GPU Blackwell y una CPU Grace basada en Arm diseñada específicamente para cargas de trabajo de IA. Sin duda, el precio será exorbitante en el mercado actual con restricciones de RAM, pero si despierta su interés, aquí tiene un vistazo de nivel inferior a lo que NVIDIA ha incluido en el RTX Spark.
CPU de clase móvil, sólo que mejor
Echar un vistazo al interior del departamento de CPU revela mucho sobre el origen del superchip, lo que lo convierte en un buen lugar para empezar. El RTX Spark funciona con el N1X de NVIDIA, también conocido como el superchip GB10 Grace Blackwell. El GB10 ya alimenta el DGX Spark de 4.700 dólares, que ejecuta el sistema operativo DGX Linux de NVIDIA en lugar de Windows.
El GB10 utiliza un diseño de CPU Armv9 moderno, la misma arquitectura que se encuentra en los conjuntos de chips de teléfonos de alta gama, que debería ofrecer un rendimiento sólido en el día a día. El chip está construido con 10 núcleos Arm Cortex-X925 y 10 núcleos A725, para un total de 20 núcleos de CPU. El X925 se lanzó en 2024 y se encontró en el MediaTek Dimensity 9400 para teléfonos inteligentes del año pasado, aunque en una configuración de un solo núcleo grande. Curiosamente, MediaTek ayudó a NVIDIA a diseñar la CPU dentro del RTX Spark, lo que ayuda a explicar algunas de las similitudes.
En esencia, RTX Spark funciona con la misma tecnología de CPU Arm que los teléfonos inteligentes emblemáticos.
El RTX Spark no solo tiene diez núcleos potentes y diez núcleos de rendimiento (mucho más que su teléfono), sino que también ejecuta su X925 a 4,0 GHz y A725 a 2,85 GHz, lo que también proporciona un paso adelante en el rendimiento por núcleo con respecto a las implementaciones de teléfonos inteligentes de última generación. El GB10 tiene una configuración de caché similar a la del Dimensity, hasta 2 MB L2 para el X925 y 512 KB L2 para el A725, combinados con 16 MB L3 y 16 MB de caché del sistema.
Puede que no coincida con las implementaciones de gama alta de Apple Silicon o Qualcomm Oryon en cargas de trabajo con subprocesos ligeros, pero su configuración de 20 núcleos aún debería proporcionar un rendimiento sustancial de la CPU.
RAM unificada para IA local
Quizás la tecnología de clase de servidor más importante que NVIDIA incluye en RTX Spark es la interconexión NVLink-C2C. El enlace de memoria proporciona hasta 600 GB/s de ancho de banda bidireccional entre la CPU y la GPU, lo que permite a ambas compartir un espacio de direcciones unificado prácticamente sin gastos generales.
Nuevamente vemos este enfoque de memoria compartida en los teléfonos inteligentes. Los SoC de teléfonos inteligentes modernos dependen cada vez más de grandes cachés compartidos para alimentar de manera eficiente las cargas de trabajo de CPU, GPU e IA con datos, junto con un único grupo LPDDR5X compartido por aplicaciones, juegos y modelos de IA en el dispositivo como Gemini Nano de Google.
La CPU y la GPU que comparten 128 GB de memoria son clave para una IA rápida en el dispositivo.
NVIDIA señala que su interconexión es aproximadamente 5 veces más rápida que el ancho de banda bidireccional de PCIe Gen5, lo que puede ser un cuello de botella notable si los grandes modelos de IA deben dividirse entre el sistema y la RAM de la GPU. Sin embargo, la elección de NVIDIA de RAM LPDDR5X tiene un ancho de banda de memoria efectivo de 273 GB/s, mucho más lento que los 768 GB/s que encontrará en las tarjetas gráficas con memoria GDDR6/7 dedicada. Por lo tanto, no espero que RTX Spark ofrezca un rendimiento de juego a la par de una GPU de PC de gama alta.
Aun así, NVLink-C2C permite que la CPU y la GPU compartan el gran conjunto de memoria LPDDR5X a nivel de paquete de 128 GB para aplicaciones, gráficos y cargas de trabajo de IA que exigen un rendimiento de memoria extremo. NVIDIA señala que su memoria unificada de 128 GB es suficiente para albergar un modelo de IA de 120 mil millones de parámetros. GPT-OSS 120B tiene alrededor de 80 GB, mientras que NVIDIA Nemotron 3 Super tiene 83 GB. En comparación, los modelos de IA móviles en dispositivos de Google caben en menos de 4 GB de RAM, lo que muestra cuánta memoria más se necesita para pasar de una IA de bolsillo a una de clase de servidor.
Una nueva forma de trabajar en portátiles
Por supuesto, para procesar esas cargas de trabajo de IA, se necesita una unidad de procesamiento construida específicamente para este propósito. Aquí es donde el RTX Spark realmente pretende diferenciarse: tiene una GPU Blackwell integrada, la misma arquitectura que impulsa las GPU para juegos de la serie 5000 de NVIDIA.
La GPU dentro del RTX Spark tiene 6144 núcleos CUDA, lo que coincide con la GeForce RTX 5070 en papel. Sin embargo, un ancho de banda de memoria significativamente menor y una envolvente de energía mucho más ajustada significan que el rendimiento de los juegos probablemente estará muy por debajo del de un RTX 5070 de escritorio. Aun así, es compatible con DLSS 4.5, Reflex y trazado de rayos de hardware, lo que brinda muchas de las mismas capacidades de funciones que se encuentran en las GPU para juegos de escritorio de NVIDIA.
Si bien será posible jugar, esta GPU está diseñada para llevar el ecosistema de IA CUDA y TensorRT a las manos de los usuarios cotidianos. NVIDIA afirma tener hasta 1 petaflop de rendimiento de IA en el FP4, con el objetivo de ejecutar grandes modelos cuantificados directamente desde la memoria unificada de 128 GB en esos núcleos CUDA. Para modelos muy grandes que superan los límites de memoria de la GPU convencional, la memoria unificada de 128 GB del RTX Spark será más práctica que depender de una GPU más rápida con sólo 16 GB o 32 GB de VRAM.
NVIDIA sigue el mismo camino que Apple Silicon: gran memoria unificada, CPU Arm y una GPU estrechamente integrada.
En muchos sentidos, RTX Spark representa la convergencia de dos mundos informáticos. Su eficiente pero potente arquitectura de CPU Arm, su diseño de memoria unificada y su empaque de bajo consumo se basan en gran medida en ideas que ya han transformado los teléfonos inteligentes y los Apple Silicon Macs. Sin embargo, NVIDIA combina esos conceptos con una GPU Blackwell, aceleración CUDA y un grupo de memoria inusualmente grande destinado a la inferencia local de IA y cargas de trabajo a nivel de servidor.
El éxito del cambio hacia estaciones de trabajo con IA dependerá del precio. Si bien no sabemos cuánto costará la primera ola de computadoras portátiles que se lanzarán este otoño, la versión de escritorio DGX Linux existente sugiere que los precios serán muy altos. Aun así, la plataforma parece prometedora para ese pequeño pero creciente sector de usuarios de Windows deseosos de ejecutar sus propias cargas de trabajo de IA potentes.
- Establecernos como fuente favorita en Google Discover para no perderse nunca nuestros últimos informes exclusivos, análisis de expertos y mucho más.
- También puedes configurarnos como fuente preferida en la Búsqueda de Google haciendo clic en el botón de abajo.
Gracias por ser parte de nuestra comunidad. Lea nuestra Política de comentarios antes de publicar.