传统AI PC“原地破防”!Bilibili World现场,NVIDIA祭出史上最夯“轻薄本” RTX Spark

今年 5 月的COMPUTEX（GTC Taipei 2026）上，NVIDIA正式发布了面向 Windows 平台的RTX Spark平台。

作者 | 毛烁

来源 | 至顶科技

今年Bilibili World（BW）最难排的队，不是谷子（动漫周边），也不是Coser的合影，而是NVIDIA的“GeForce 超级玩家体验站”。

让展台人气爆棚的，除了限量发售的RTX 5080公版卡，更有代表NVIDIA未来个人AIPC方向的重磅产品——RTX Spark 。

就在今年 5 月的COMPUTEX（GTC Taipei 2026）上，NVIDIA正式发布了面向 Windows 平台的RTX Spark平台。这是NVIDIA首次将自家的AI超级芯片、RTX 图形能力以及统一内存架构整合进Windows PC中，开拓出一条全新的技术路线。而此前已经发布的 DGX Spark，则继续承担面向开发者和AI原生应用的桌面超算角色。

最高128GB 的统一内存，14 毫米的厚度，在完全断网的情况下，本地运行120B（1200亿参数）MOE模型……NVIDIA这哪里是在发轻薄本？这分明是给每个玩家和创作者按头发了一台7x24小时待命的“私人超级算力节点”。

这一次，NVIDIA将这些产品首次以实机形态展现在国内玩家和开发者面前。从轻薄的RTX Spark，到桌面级个人AI超算DGX Spark，NVIDIA将它们全部搬到了“GeForce 超级玩家体验站”的展台上，让所有人亲手体验。

填平PCIe鸿沟，RTX Spark的“零拷贝”底牌

RTX Spark最关键的技术优势是NVIDIA的片内互连技术。CPU与GPU之间，可以通过NVIDIA自研的NVLink-C2C片间互连总线进行通信，提供远高于PCIe的带宽和远低于PCIe的延迟。

围绕计算核心，RTX Spark平台系统封装了最高128GB的LPDDR5X统一内存，带宽达300 GB/s。这套设计可实现CPU和GPU对同一物理内存空间的统一寻址（Unified Memory Addressing），即两者共享同一个地址空间，无需数据拷贝即可直接访问内存中的任意数据对象。

截取自：NVIDIA官网

从系统软件视角来看，这意味着三件事：

1.载入内存的大模型权重或3D场景数据，CPU和GPU均可直接按虚拟地址访问，无需在RAM和VRAM之间做显式拷贝（Zero-copy）。

2. 数据在CPU和GPU间传递时，仅通过NVLink-C2C传递访问权限、缓存一致性消息，无需迁移大量数据。

3. 内存容量统一为128GB，远大于任何独立显卡的本地显存，彻底消除了页交换机制的必要性。

换句话说，这种统一内存架构从根本上消除了传统分离式架构的数据冗余和传输延迟，使得GPU可以持续满载执行计算任务，不受PCIe带宽制约。

在这套统一内存架构之上，RTX Spark的算力配置同样为大模型负载而设计。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市场，这几乎是断层式的数字。目前主流自称AI PC的NPU普遍仍停留在几十TOPS，即便是依靠GPU参与计算，整机AI算力能够达到数百TOPS就已经属于旗舰级产品了，而 RTX Spark将这一数字直接推高到1000 TFLOPS级别。

可以说，RTX Spark为个人高性能AI电脑重新划下了定义。

具体来看，RTX Spark在两个维度上同时区别于依赖NPU的传统 AI PC：

1.内存体系上，统一寻址与数据零拷贝让数百亿参数的模型得以完整驻留、直接访问。

2.算力供给上，专为推理设计的FP4 Tensor Core为这些模型提供持续的计算吞吐。

前者决定了模型“能否装得下并跑起来”，后者决定了“跑起来之后的效率”。两者共同构成了本地运行大模型的完整条件，也是“GeForce 超级玩家体验站”中实操演示的底层基础。

“掀翻”x86牌桌：拔电运行UE5，光追高画质跑《永劫无间》

底层原理清晰了，接下来也该看看RTX Spark在现场演示的场景里究竟能跑什么。

在“GeForce 超级玩家体验站”展台的demo演示中，NVIDIA 专家在RTX Spark上跑起了Unreal Engine 5 构建的“Unreal City”超大型3D虚拟场景。

熟悉这一场景的人都清楚，Unreal City内部包含多达10亿个多边形实体，数字资产的丰富度与复杂度极高。放在过去，这种量级的场景只能跑在塔式工作站上，插上顶级专业卡才能勉强流畅预览。

而demo演示过程中，NVIDIA 专家在错综复杂的城市建筑集群中自由切换视角，从微观街道瞬间拉升至高空俯瞰，整个过程几乎没有掉帧。与此同时，NVIDIA专家还开启了光线追踪全局光照、软阴影、环境光遮蔽、复杂物理反射与透明反射等多项高负载光影效果。这样的实时渲染流畅度，在传统x86 游戏本上，几乎是难以实现的。

事实上，同时开启多项光线追踪效果，并在庞大的城市场景中高速切换视角，对GPU而言最大的挑战并不是计算，而是数据访问。这要求GPU必须持续获取海量场景资源，如果数据不能始终驻留在可快速访问的位置，就会因为频繁加载和传输而影响渲染流畅度。

这恰恰进一步体现了RTX Spark平台128GB 统一内存架构的优势：整个3D场景得以完整驻留在统一内存池中，GPU 按需直接访问，无需反复在系统内存与显存间搬运材质与几何数据，因此即便高速切换视角，也不会因材质重载、资源串流而出现明显卡顿。

演示过程中，还有一个细节令人印象深刻。NVIDIA 专家直接拔掉了电源，整套演示随即切换至电池供电，但画面的帧率和流畅度几乎没有发生变化，整个渲染过程依旧稳定。

这意味着，RTX Spark的性能释放并不依赖持续的大功率外接供电。凭借更高的能效，其在电池模式下依然能够支撑复杂的实时渲染负载，而不是像传统高性能工作站那样，一旦脱离电源便迅速降频。

这也进一步说明，实时光追和超大场景渲染，并不是建立在高功耗、高散热的前提之上，而是在能效与性能之间取得了更好的平衡。

硬件之外，基于Blackwell平台的RTX Spark，还搭载了神经网络渲染技术：NVIDIA DLSS 4.5。NVIDIA DLSS 4.5以插件形式直接接入Unreal Engine 5编辑器，其中最核心的升级是全新的Ray Reconstruction（光线重建）。借助第二代Transformer模型和第五代Tensor Core，它能够在复杂光追场景下实时完成高质量去噪，在提升画质的同时减少性能损耗；再配合 Super Resolution超分辨率技术，兼顾高帧率与高画质。

截取自：NVIDIA官网

截取自：YouTube

如果说 Unreal Engine 5 展示的是创作能力，那么现场另一项 Demo则把目光放到了游戏体验上。这也是RTX Spark首次在国内面向玩家进行游戏实机演示。

现场运行的《永劫无间》为DGX Spark和Windows on Arm做了原生适配。开启全景光线追踪后，刀光、水面反射、人物阴影以及环境光照全部按照物理规律实时计算，整个战斗过程依旧保持流畅，并没有因为特效全开而出现明显掉帧。

这背后离不开NVIDIA DLSS多帧生成技术。其通过 AI 在两个真实渲染帧之间生成额外画面，在保证画质的同时进一步提升帧率，让高规格光追与流畅操作能够兼得。对于一台轻薄设备而言，这样的表现已经足够令人惊喜。

不过，与传统x86 游戏本不同，因为RTX Spark采用的是Arm 架构，这也意味着它除了要解决性能问题，还要面对游戏生态的挑战。目前绝大多数PC游戏仍是围绕x86 架构开发，迁移到Arm平台并不能直接运行，还需要开发者逐款完成适配。《永劫无间》能够流畅运行，正是官方针对RTX Spark 平台进行了专门优化。

目前，RTX Spark 的生态正在逐步完善。按照NVIDIA的规划，随着RTX Spark于今年秋季正式上市，将有更多商业游戏陆续完成Arm版本适配，游戏阵容也会不断扩大。

当然，芯片再强，也需要生态支持。所以RTX Spark这次不是单枪匹马登场，而是拉着一整个生态一起来的。目前，有多家Windows ISV和游戏厂商在适配 RTX Spark平台。

硬件这边，RTX Spark的笔记本和小型桌面主机，官方定档今年秋季开卖。首发七家合作伙伴：华硕、戴尔、惠普、联想、微星，宏碁和技嘉随后跟上。

不敲一行代码，DGX Spark用免费Token接管个人生产

与RTX Spark一同在“GeForce 超级玩家体验站”展出的，还有更早发布的DGX Spark。相比硬件参数，本次展示的几个Demo同样能说明其定位。

现场演示的Demo采用通义千问开源模型Qwen3.6-35B，由于是MoE（Mixture of Experts）架构，虽然模型总规模达到350亿参数，但每次推理实际每token只激活约30亿参数，再配合DGX Spark的128GB 统一内存和Blackwell支持的NVFP4推理加速，能够轻松完成本地推理。

展示的四个Demo，也分别对应了四类典型的智能体工作流。

第一个 Demo 展示的是“草图生成网页”。

NVIDIA专家拿起纸和笔，随手画出了黄仁勋经常提到的“AI 五层蛋糕”框架。画完后，他把草图举到摄像头前，DGX Spark上运行的本地视觉模型立即识别整张草图的结构、文字和层级关系，并将这些信息交给后台智能体。

随后，智能体自动调用代码生成工具，将识别结果转换为网页布局和前端代码。几乎与此同时，右侧预览窗口开始实时刷新，HTML、CSS等代码开始生成，浏览器中的页面也同步呈现。

整个过程中，没有敲一行代码，也没有任何人工干预。从一张手绘草图，到一份可以直接运行的网页，整个流程都在本地自动完成。

第二个Demo展示的是跨语言办公能力。

NVIDIA 专家对着麦克风用中文讲述了一段参展感想，内容包括展会进展顺利、现场演示取得成功，以及对团队成员的感谢。

随即，部署在DGX Spark上的智能体开始工作：首先完成语音识别，将中文语音实时转换为文本；随后理解整段内容的语义和上下文，梳理事件逻辑；最后结合商务邮件的写作规范，自动生成一封语气自然、表达得体的英文邮件。

整个过程只用了几秒钟。对于用户而言，不需要切换翻译软件，也不用自己组织英文表达，只需用中文说出想法，一封符合商务场景的英文邮件便自动生成。

第三个Demo，则把本地 AI 的应用延伸到了远程生活场景中。

NVIDIA专家模拟外出就餐，通过自定义接口和界面连接配置好的公网接口并访问DGX Spark，并发送了一张大众点评上的菜单截图。

收到图片后，部署在DGX Spark上的本地视觉模型首先识别菜单中的菜品及相关信息，再结合预先导入的“个人健康指标知识库”进行分析，综合评估不同菜品的营养结构及饮食风险。随后，智能体给出一份点餐建议，明确哪些菜更适合当前的健康状况，哪些菜则因为盐分、糖分或其他指标偏高而建议避免。

整个过程无需将个人健康数据交给云端，而是由DGX Spark完成本地分析，再通过远程连接将结果返回到手机，实现了人在外、AI 在家的智能辅助。对于私密性要求不高的场景，也可以通过飞书等IM软件接入，更加方便易用。

最后一个Demo，则更接近真实世界的视觉理解。

NVIDIA专家拿起一个插座，对着摄像头提问：“这个能不能插我家16A的空调？”

随即，部署在DGX Spark上的视觉模型会先识别出插座的外观特征和规格，再结合插头标准、电流规格等专业知识进行推理，判断出这是仅支持10A的普通插座，无法承载 16A 空调的负载，并立即给出了安全风险提示。

这并不只是简单的图像识别，而是让AI先“看懂”真实世界中的物体，再结合专业知识完成分析和判断。

总体看，四个Demo分别覆盖网页生成、跨语言办公、个人健康助手，以及现实世界视觉理解，场景看似各不相同，但背后却都有一个共同特点，就是数据始终留在本地。

利用DGX Spark，无论是识别图片、理解语音，还是调用智能体执行任务，数据都可以在本地模型上完成处理，无需默认上传至云端，或者消耗任何token费用。而支撑这一切的，是DGX Spark的硬件底座：其128GB统一内存能让CPU与GPU共享同一块内存池，消除了数据搬运的瓶颈；配合第五代Tensor Core对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参数的大模型，这意味着许多过去只能依赖云端的推理任务，如今可以完整地留在这台桌面设备上完成。