DGX Spark vs Cloud vs LLM 订阅 — 扼杀本地硬件梦想的经济基准

发布于 06 May 2026

阅读时间：14 minutes

NVIDIA 将 DGX Spark 作为一台售价 $4 699 的“桌面 AI 超级计算机”来卖。Ollama 以每月 $20 提供其云模型。在 Vast.ai 上，H100 的租用价格是每小时 $1.38。而中国的开源模型——DeepSeek、Qwen、GLM——随处可见，免费，无需购买显卡。那么，这个 Spark 到底有什么用？我算过了。

背景：一个发生转变的市场

2026年5月，与2025年CES上宣布DGX Spark时相比，AI格局已发生根本性变化。三股力量共同作用，使本地硬件越来越难以被证明合理：

  • GPU云价格的暴跌：一块 H100 的租用价格为每小时 1.38 至 3 美元，而 18 个月前为每小时 5-8 美元

  • 中国开源模型的爆发式增长：DeepSeek-V4、Qwen-3、GLM-5 与西方模型具有竞争力，并可免费使用

  • 托管推理平台的兴起: Ollama、Groq、Together AI 以极具竞争力的价格提供 API，并提供慷慨的免费套餐

DGX Spark 最初公布售价为 2,999 美元，随后涨至 4,699 美元，而它来到的这个世界已不再需要它。

选项面板

以下是2026年5月可用于运行LLMs的方案，从最轻量到最重量级：

选项 成本 VRAM / 容量 可访问的模型 主要约束

Ollama 免费版

$0/月

轻云

所有公开模型

使用受限，1 个模型同时运行

Claude Pro

$20/月（约$240/年）

N/A（API 已关闭）

仅限 Claude 4.x

单一模型，非开源

Ollama Pro

$20/月（约$200/年）

云媒介

所有公开模型

最多同时 3 个模型

Ollama Max

$100/月（约$1 200/年）

云密集型

所有公开模型

10个并行模型

云GPU（H100）

$1.38-3/h

80 Go HBM

所有模型，微调

按小时计费，需要设置

DGX Spark

$4 699（购买）

128 Go unifié

Tous modèles <128 Go

慢（约为 H100 的 1/10），固定

Mac Studio M3 Ultra

~$5 000+

192 Go unifié

Tous modèles <192 Go

不是 CUDA，而是 MLX 生态系统

所引用的 GPU 云价格是 Vast.ai 和 RunPod 在 2026 年 5 月的价格——是 spot/按需价格，而非预留价格。超大规模云厂商（AWS、GCP、Azure）的价格仍高出 2-3 倍。

我所排除的内容（以及为什么）

我特意将以下选项排除在此基准测试之外：

  • OpenAI / Anthropic / Google API：这里的关键是运行*开源*模型，我们可以选择、微调，并且不依赖单一供应商

  • 华为昇腾 / Atlas：华为不推出与 DGX Spark 相当的桌面级产品。Ascend（910C、910D）和 Atlas（300I Duo、350）系列面向数据中心——PCIe 卡、机架服务器——而不是即插即用的紧凑型机箱。Ascend 910C 芯片搭载 128 GB HBM，但它是服务器芯片，不是独立系统。Atlas 300I Duo 以约 1400 美元提供 96 GB，但需要一台主机

简单推理：本地硬件的消亡

让我们从最常见的用例开始：与 LLM 聊天、做代码审查、生成文本。无需微调，无需批处理，只需交互式推理。

计算

一台售价 4,699 美元的 DGX Spark。将其除以每个订阅的年费：

@startuml
skinparam backgroundColor #FEFEFE
skinparam defaultTextAlignment center

title 盈亏平衡点 — DGX Spark ($4 699) vs 订阅
rectangle "DGX Spark\n$4 699" as spark #FFCDD2

rectangle "Ollama Pro\n$200/an" as opro #C8E6C9
rectangle "Claude Pro\n$240/an" as cpro #C8E6C9
rectangle "Ollama Max\n$1 200/an" as omax #FFF9C4
rectangle "Cloud H100\n$3/h × 10h/sem" as cloud #BBDEFB

spark --> opro : 23.5 年 ⏳
spark --> cpro : 19.6 年 ⏳
spark --> omax : 3.9 年
spark --> cloud : 3.0 年 (在 10h/semaine，间歇)

note bottom of spark
不算电费（~$150/an）
不算硬件老化
更别说它慢了十倍
end note

@enduml

The verdict is brutal. For inference:

  • Ollama Pro：您将需要23岁用于摊销一台 DGX Spark。届时 Spark 已经过时 20 年了。

  • Ollama Max：4年——前提是全天候使用 Spark，而没人会这么做

  • Claude Pro：同样的问题，20年用于封闭式单模型

_ “桌面 AI 超级计算机”的承诺与一个基本的成本核算现实相冲突：$4 699 / 每月 $20 = 对个人使用永远不划算。 _

即使在高强度使用下

以云的最坏情况为例：你每天运行 H100 8 小时，每周 5 天，每年 52 周。

  • 8 × 5 × 52 = 2 080 小时/年

  • 2 080 × $2/小时（H100平均现货价格）=$4 160/年

Spark（$4 699）的成本回收期为13个月。只不过：

  1. H100 是~10x 更快比 Spark 的 GB10。您用 1 小时完成 Spark 用 10 小时完成的工作。对于相同的工作量，H100 每年花费您 $416，而不是 $4 160。

  2. H100 配备 80 GB HBM，带宽为 3.35 TB/s。Spark 配备 128 GB LPDDR5X，带宽为 273 GB/s。对于大型模型，带宽比容量更重要。

将1小时H100与1小时Spark进行比较没有意义。H100完成工作的速度快10倍。因此，对于给定工作负载，真实云成本约为基于小时数的简单计算的十分之一。

微调：云计算无可匹敌

Spark 拥护者的经典论点：“是的，但就微调而言，情况不同。”

不，它不是。

微调的真实成本

在 Unsloth 上对一个 7B 模型进行 LoRA/QLoRA 微调：

  • 在 H100 上约 2-3 小时 =$5 至 $9

  • Spark 上也是如此 =20-30小时（慢 10 倍），使机器卡死

用 Spark 的 4 699 美元，您可以资助：

  • ~500 至 ~900 次微调在 H100 云中

  • Ou ~23岁Ollama Pro 的

  • Ou ~4年Ollama Max 的

对于更大的模型（70B+）：

  • 配备 128 GB 的 Spark 可以加载 Q4 的 70B 模型——但微调会极其缓慢

  • 一块 80 GB 的 H100 可以在几小时内使用 4-bit QLoRA 微调一个 70B 模型

  • 对于全量微调，无论如何都需要多 GPU——Spark 没戏了

专业参与者

2026年，Unsloth、Modal、Replicate 和 Together AI 等平台提供无服务器微调：

  • 无 GPU 管理

  • 无需环境配置

  • 按分钟计费

  • 内置优化（flash attention、自动量化）

@startuml
skinparam backgroundColor #FEFEFE
skinparam defaultTextAlignment center
title <size:20>微调 LoRA 7B 的成本 — Comparaison</size>
note as N
|= 选项 |= 每次微调成本 |= 使用 $4 699 可进行的微调次数 |
| **Replicate** | $3-5 | ~1 000 |
| **Modal (serverless)** | $2-4 | ~1 500 |
| **Unsloth + Vast.ai H100** | $5-9 | ~500-900 |
| **Together AI** | $4-8 | ~600-1 000 |
| **DGX Spark** | 免费，但 20-30 小时 | ∞（理论上） |
end note
note bottom
Spark是«免费»的，仅当您的时间价值$0/h且在30小时内不需要机器用于其他事情时，通过微调即可免费使用。
end note
@enduml

唯一真正的原因：数据主权

在排除推理、微调和性价比之后——Spark还剩下什么？

绝对保密。

不是那种“我不想让我的提示词被 OpenAI 员工读到”的隐私。这在 2026 年是个伪问题：Ollama、Groq 以及大多数正规提供商都实行零日志和零留存政策。

真正的隐私是：

  • 监管气隙：国防、外交、卫生——数据*在物理上*无法离开该建筑

  • 关键专有数据：未发布产品的源代码、商业秘密、交易算法

  • 网络韧性：即使互联网中断，人工智能也必须继续运行

但说实话：DGX Spark 的买家中，真正处于这种情况的能占多大比例？1%？其余的，不过是把“锦上添花”变成了 4699 美元的开支。

真正的隐私计算

供个人使用：

  • Ollama Pro（每月20美元）+ 中国开源模型 = 务实方案

  • 如果一条提示词在 Ollama 泄露，它会淹没在每日数百万次请求中。这只是沧海一粟。

  • 真正的风险不是提示词泄露——而是未经同意对您的数据进行训练。而这一点，正规的服务提供商会在合同中明确禁止。

_ 对“将自己的提示词蒸馏进 LLM”的恐惧，是一种被稀释得如此严重的个人层面信息传播程度，以至于它更像是焦虑，而不是真实威胁。在工业规模上，情况不同。但在个人规模上，这只是噪声。 _

综合：决策矩阵

@startuml
skinparam backgroundColor #FEFEFE
skinparam defaultTextAlignment center

title 2026 年该选择哪种 AI 解决方案？
start

:您的主要需求是什么？;

switch (Besoin)

case (Inférence interactive occasionnelle)
  :**Ollama Free**\n$0/mois, 所有模型开源;
  stop

case (Inférence quotidienne, code review, dev)
  :**Ollama Pro** ($20/mois)\n访问所有开源模型\nDeepSeek, Qwen, GLM, Llama, Mistral;
  stop

case (Agents IA, multi-modèles, usage intensif)
  :上下文 > 30K 令牌？;

  if (Oui) then
    :**Ollama Max** ($100/mois)\n10 个同步模型\n上下文 long 无降级;
    stop
  else (Non)
    :云 GPU H100 spot ($1.38–3/h)\n+ Unsloth/Modal 用于微调\n 最大原始性能;
    stop
  endif

case (Fine-tuning régulier)
  :**Vast.ai H100 + Unsloth** ($5–9/fine-tune)\n或 **Together AI / Modal** (serverless)\n500+ 次微调，价格相当于一个 Spark;
  stop

case (Air-gap obligatoire)
  :机密数据？;

  if (Oui) then
    :**DGX Spark** 或 **Mac Studio M3 Ultra**\n唯一的本地硬件合理化情况\n(并非经济上——而是政治上);
    stop
  else (Non)
    :返回云端：不需要空气隔离;
    stop
  endif

endswitch

@enduml
标准 Ollama 免费版 Ollama Pro 云 GPU H100 DGX Spark

推理

✅ 有限

✅ 舒适

✅ 过度

⚠️ 慢

微调

❌

❌

✅ 无可匹敌

⚠️ 可能但缓慢

年度成本

$0

$200

可变（~$416-2 080*）

预付 4 699 美元

保密性

⚠️ 美国云

⚠️ Cloud US

⚠️ 美国云（可变）

✅ 总计

维护

无

没有

唯一设置

电力，更新

过时

没有

无

无

3-5岁

软件生态系统

所有开放型号

所有开放模型

所有开放模型

CUDA（但较慢）

Veridict

偶尔的

推荐

Pros/研究

仅限 Air-gap

*视工作量而定；H100 的速度约为 Spark 的 10 倍以上，因此对于给定工作负载，实际成本较低。*

特例：专业订阅面对中国模型

有一点值得强调：这种组合Ollama Pro 每月 20 美元 + 中国开源模型可能是大众人工智能史上性价比最高的。

为什么中国模型改变一切

  • DeepSeek-V4-Pro：1.6T 参数，CSA+HCA，1M 上下文，在代码方面可与 Claude 4 和 GPT-5 竞争

  • Qwen-3：235B，256K 上下文，法语和推理方面表现出色

  • GLM-5.1：744B，MLA+DSA，200K 上下文，专为智能体应用打造

均可在 Ollama 上获取。均为开源（宽松许可证）。均可通过每月 20 美元的订阅无限制使用。

使用 Ollama Pro，您只需支付一个闭源模型（Claude Pro）的价格，就能使用约 5 个开源“前沿”模型。这种价值不对称得几乎到了荒谬的地步。

这对硬件意味着什么

如果最佳性价比是每月20美元的云订阅，那么本地硬件就成为一种*舒适*或*原则*的选择——而非经济上的选择。

一台售价 4 699 美元的 DGX Spark，相当于：

  • 235 个月的 Ollama Pro

  • 发售日 23 款 AAA 游戏

  • 4 台 MacBook Air M4

  • 里昂一套T2公寓一年的租金

用于计算。缓慢。

那华为呢？

既然在我的研究过程中有人问过我这个问题：不，华为并不销售与 DGX Spark 相当的产品。

存在的：

  • Ascend 910C：128 GB HBM，800 TFLOPS FP16——但这是服务器芯片，不是台式机

  • Atlas 300I Duo：96 GB LPDDR4X，PCIe 卡约 1,400 美元——需要主机

  • 阿特拉斯 350：112 GB HBM，1.56 PFLOPS FP4——数据中心加速器，而非紧凑型机箱

华为仍专注于服务器和数据中心市场。对于配备 120+ GB VRAM 的紧凑型“即插即用”机箱，DGX Spark（128 GB 统一内存）和 Mac Studio M3 Ultra（192 GB 统一内存）是 2026 年仅有的选择。而截至目前，尚无中国厂商宣布推出这种形态的同类产品。

结论：亲近的奢华

DGX Spark 并不是一个糟糕的产品。但对 99% 的潜在买家来说，这是一笔糟糕的投资。

@startuml
skinparam backgroundColor #FEFEFE
skinparam defaultTextAlignment center

title 2026年的AI格局——谁主导？
left to right direction

package "个人使用 / PME" #C8E6C9 {
  rectangle "🏆 Ollama 专业版\n$20/mois" as pro
  rectangle "Ollama Free\n$0/mois" as free
  rectangle "云 GPU 点\n$1-3/h" as spot
}

package "高强度使用 / 专业" #FFF9C4 {
  rectangle "🏆 Ollama Max\n$100/mois" as max
  rectangle "🏆 云 GPU 专用\n$2-4/h" as dedicated
  rectangle "模态 / Together AI\n无服务器" as serverless
}

package "强制性 Air-Gap" #FFCDD2 {
  rectangle "DGX Spark\n$4 699" as spark
  rectangle "Mac Studio M3U\n~5,000美元" as mac
}

note bottom of spark
1% 的使用案例 — 国防，
受监管的健康，关键工业机密
end note

@enduml

__ 在2026年购买一台DGX Spark，就像在2010年购买一台邮件服务器：技术上可行，哲学上令人满足，对个人而言在经济上荒谬。 Please provide the French text you’d like me to translate.

计算很简单，而且它不会说谎：

  • $0用于在 Ollama Free 上与 DeepSeek 聊天

  • $200/年为了用 Ollama Pro 认真干活

  • $5-9用于在云 GPU 上进行的一次性微调

  • $4 699为了……在自己的办公桌上拥有一台 NVIDIA 机箱的体验？

市场已经作出裁决。云订阅和中国开源模型赢得了价格战。本地硬件只在监管利基中存活，而不是在开发者的办公室里。

_ DGX Spark 并不是一个划算的工具。它是一种表态。“我想把自己的 AI 放在家里，而不是放在别人的云端。”这值得尊重。但到了 2026 年，当 Ollama 每月花 20 美元就能在云端给你 DeepSeek-V4-Pro 时，这更多是一种代价非常高昂的表态。 _

本文源自与我的 AI 代理的一次对话，讨论 DGX Spark 的经济合理性，并结合了对 GPU 云价格（Vast.ai、RunPod）、Ollama/Claude 定价方案以及中国开源模型生态的市场监测。文中引用的价格是 2026 年 5 月的价格——当你读到这些文字时，它们很可能已经进一步下降。

相关文章

HyperFrames-Gradle: 将 AsciiDoc 转换为 MP4 视频
31 May 2026
我的 LLM 消耗审计：SQLite、OpenCode、Ollama Cloud，以及我的专业订阅为何在全球市场掀起浪潮
18 May 2026
L'Architecture « 插件独立+消费者根 » : 为什么我的Gradle构建会重复？
14 May 2026
知识图谱作为推荐引擎：我是如何杀死按时间顺序的「相关文章」的
12 May 2026