NVIDIAの「RTX Spark」が、ついに姿を現しました。先日16日の夜、COEXで開かれた発売イベントで実機を見ることができたのですが、会場でそのまま購入することもできるんですね。私も今すぐ1台持ち帰りたい気持ちでいっぱいでしたが、財布が許してくれませんでした。
結論から言うと、RTX Sparkは思っていたよりもずっと興味深いマシンでした。NVIDIAが自ら設計したARMベースの20コア高性能プロセッサー「Grace CPU」に、「Blackwell GPU」を組み合わせたシステムです。GPUそのものは従来のGeForce RTX 50シリーズとルーツが同じで、できることも同じだと考えればよいでしょう。
この製品の肝は、「すべてが一つに統合されている」ことです。まず、CPUとGPUは一般的なPCのバスではなく、NVIDIAの超高速インターコネクト・ファブリック「NVLink」でつながっています。最大で毎秒600GBのデータをやり取りできる構造です。数字だけでは実感しにくいかもしれませんが、PCでグラフィックスカードを接続する際によく使われる16レーンのPCI Express（PCIe）は、片方向で毎秒64GBほどを転送します。単純計算でも、帯域幅はほぼ10倍というわけです。
さらに、メモリもチップのパッケージにまとめ、CPUとGPUが同じメモリプールを共有する「ユニファイドメモリ」構造を採用しています。メモリ帯域幅は毎秒300GBほど。単体グラフィックスカードのVRAM帯域幅と比べると少し物足りなく感じる数字かもしれませんが、製品の性格を考えれば十分に納得できる落としどころです。アーキテクチャ全体の方向性は、AppleのMシリーズチップによく似ています。
DGX Sparkの双子、ただし目指すものはまったく違う
お気づきの方もいるでしょうが、実はRTX Sparkは、NVIDIAがAI開発者向けに発売した小型ワークステーション「DGX Spark」と、ハードウェアとしてはほぼ同じモデルです。同じチップを使っていますが、決定的な違いがいくつかあります。DGX SparkはOSにUbuntu Linuxを採用し、高速ファブリックで複数台をつないで並列動作させられるのに対し、RTX SparkはWindowsベースで、単体でのみ動作します。
これは、二つの製品が目指しているものが違うためです。DGX Sparkが最初から開発環境を想定した超小型ワークステーションなら、RTX Sparkは徹底して個人向けのマシンです。自分向けに調整したAIエージェントの実行はもちろん、ゲームや日常的なWindowsでの作業など、GPU中心のワークロードに最適化した「GPUベースのPC」に焦点を当てています。
最大のハードルはやはりメモリ、そしてそこから生じる価格です。メモリがとても高いため、RTX Sparkの価格は基本構成でも500万ウォンからで、128GBのユニファイドメモリを搭載したモデルは1,000万ウォンに達します。純粋にゲームだけが目的なら32GBモデルを見ることになるでしょう。この構成が200万ウォン台、せめて300万ウォン未満なら何とか納得もできそうですが、ゲーム機として500万ウォンをつぎ込むのは、正直なところ負担が大きいですよね。
ローカルAIの本当のボトルネックは「性能」ではなく「容量」
ただし、「ローカルAI」に目を向けると話はまったく変わります。RTX SparkのGPUとしての実力は、おおよそRTX 5070クラスです。実際、この程度の演算性能があれば、個人の環境でたいていのAIモデルを動かすには十分です。
「ローカルAIをきちんと動かすなら、絶対にRTX 5090が必要なのでは」と考えがちです。もちろん、5090は申し分ありません。圧倒的なGPU演算性能に、非常に広いメモリ帯域幅も備えていますから。ただ、決定的な限界になるのはVRAMの容量です。5090のメモリは24GBで、最近の実用的な20B、つまり200億パラメーター級以上のモデルをきちんと載せようとすると、カード1枚ではかなり窮屈です。結局、2枚を組み合わせて48GBの環境を作って、ようやく余裕が生まれる状況です。
一方、DGX SparkやRTX Sparkでは、ユニファイドメモリ構造のおかげでシステムメモリ全体にモデルをそのまま載せられます。128GBという容量は、一般的なデスクトップ向けグラフィックスカードでは想像すらしにくい領域です。現実的に、1,000万ウォン未満の予算で128GB規模の巨大なモデルをローカルに載せられる選択肢は、今のところAppleのMac StudioとNVIDIAのRTX Spark、この二つしかありません。
GPUの演算能力が少し物足りないと感じることはあるかもしれません。ただ、そもそもDGX Sparkが、大容量モデルを設計・試作し、大規模データセンターへ引き継ぐ橋渡し役を目的としているのに対し、RTX Sparkは個人向けの万能機に近い存在です。普段はWindows環境でゲームや一般的な作業をしながら、エージェントや大規模言語モデル（LLM）を常時立ち上げて使うわけです。
しかも最近は、AIエコシステムの発展とモデル最適化のスピードがすさまじいものがあります。モデルのサイズは小さくなり続ける一方、小型モデルにできることは日々増えています。個人がローカルPCでAIを使った「バイブコーディング」を行い、自分で動画まで生成する時代になりました。これまで個人がこの領域に気軽に足を踏み入れられなかった最大の理由は、GPUの演算速度よりも「メモリ容量の限界」にありました。しかし、ユニファイドメモリを搭載したコンピューターの登場で、その壁が崩れつつあります。多少時間がかかるだけで、そもそも動かせなかったものが動かせるようになったのです。
Blackwellの武器、DLSS。そして実際に使ったときの速さ
実際に会場で動いているところを見ると、体感速度もなかなか印象的でした。ローカル環境で1080pの4〜5秒の動画を生成する場合、通常は800秒台、つまり15分以内で処理が終わります。ローカルで動画を生成したことのある方なら、これだけでもかなり速い部類だと分かるはずです。
ところが、このチップのルーツは「Blackwell」です。NVIDIAのお家芸であるDLSSをそのまま使えるということです。低解像度で素早く生成してからDLSSでアップスケールし、フレームを補間し、ライティングを加え、HDRで色域を広げ、最後にDLSS 5まで適用すると、話がまったく変わります。こうした後処理を一通り通して、同じ長さの4K HDR動画を作るのに、わずか3分あれば十分です。ハードウェアアクセラレーションのエコシステムが持つ本当のすごさは、ここにあります。
300GB/sという比較的低いメモリ帯域幅のためにLLMの動作が遅くならないかと心配していたのですが、エージェントによるコーディングも思ったより快適でした。もちろん、後日実機を借りて、もっと深く検証する必要はあります。ただ、会場では、メールを読んで重要度を判断し、今日やるべきことを整理してくれるダッシュボードを作るよう、プロンプトを入力してみました。Qwen 3.8 27Bモデルで処理したところ、結果が出るまで4分もかかりませんでした。
個人用のローカルAIコンピューターとして、最上位クラスの製品であることは間違いありません。息をのむほど圧倒的に速いわけではなくても、実用上は十分に速く、何よりRTX 5090よりも動かせるモデルの制約がずっと少ない。ローカルAIでは、「速いか遅いか」よりも「メモリに載るか載らないか、つまり動くか動かないか」のほうが、はるかに本質的な問題だからです。128GBあれば、事実上できないことはありません。
価格が高いのは否定できませんが、ローカルAIを本格的に始めて深く掘り下げたいなら、とても優れた選択肢です。これほどのGPUエコシステムと、これだけのメモリを単一のシステムで確保するのは、決して簡単ではありません。特に、AIモデルの量子化やメモリ最適化に慣れていない初心者ほど、逆説的ですが、メモリがとにかく潤沢であることが大切です。そうすれば、大きな制約を気にせず、好きなモデルを自由に載せて試せます。
トークン費用と維持費で考える、ローカルAIの経済性
それでも、まだ高いと感じるでしょう。以前Mac Studioを取り上げたときにもお話ししましたが、この価格はクラウドAIの「トークン費用」と合わせて考えると、高くもなれば、むしろ安くもなるという微妙なところにあります。
AIと軽く会話をしたり、簡単な質問を投げかけたりする程度なら、月額3万ウォンのChatGPTやClaudeのサブスクリプションで十分です。遊びやアイデア出しのために、たまに画像や数秒の短い動画を作るくらいなら、無料クレジットを使ったり、トークン枠がリセットされるまで待ったりしても、何の問題もありません。
しかし、長めの動画を繰り返し生成し、大量の画像を作り、エージェントに一日中コーディングさせるような、いわゆる「がっつり」使うヘビーユーザーなら話は変わります。月額数万ウォンのプランはあっという間に限界に達し、月額30万ウォンのProプランでも制約が出てきます。実際、仕事の現場ではAPIやエンタープライズ向けプランに月100万ウォン以上を費やすことも珍しくありません。
対してローカルAIでは、最初の機器購入費が埋没費用になるだけで、その後はトークン課金のストレスがまったくありません。ヘビーユーザーなら、ひとまず1年分のクラウドのトークン費用を計算してみてください。機器代の損益分岐点が、何となく見えてくるはずです。
特に、セキュリティーやプライバシーに気を使うコードを扱う場合や、クラウドサービスの検閲や生成制限から離れたい場合、ローカルAIがもたらす安心感はかなり大きいものです。維持費も非常に安く済みます。RTX Sparkは電力制限をかなり厳しく設定しており、システム全体で80W未満、GPUに最大負荷をかけても60W前後で動作します。1か月間、24時間休まず最大負荷で動かしたとしても、月間消費電力量は60kWhに届かない計算です。1か月の電気代にすると、わずか1万6,000ウォンほどです。
トークン費用やセキュリティーを心配せず、やりたい作業を好きなだけ回せること。モデルの大きさの制約から解放されること。そして、ノートPCや小型フォームファクターなら持ち運びやすさまで手に入ること。これらは、ローカルAIならではの代えがたい強みです。純粋なゲーミングPCとして見れば、確かに価格には不満が残ります。しかし、自分の作業環境でAIの占める割合がある一定の水準を超えたなら、現時点ではむしろ支出全体を減らす道具になり得ます。高いけれど代わりがなく、だからこそ市場でもそれなりに納得して受け入れられている価格、と言えるでしょう。
RTX Sparkは、いろいろな意味で期待が膨らむ製品です。発売イベントでは、その場でいきなり2台を購入して最初の購入者になったLablupのシン・ジョンギュ代表と少しお話ししました。「DGXをバッグに入れて持ち歩きながら使えるようなものですから、ためらう理由が一つもありません」とのこと。今このマシンを評価する言葉として、これ以上に的確なものはないかもしれません。
私も会場で少し触っただけでは物足りず、自分で試したいことが山のようにあるので、NVIDIAにレビュー用サンプルの貸し出しをお願いしてあります。近いうちに製品を受け取り、机の上に置いて本格的にテストする機会ができたら、ベンチマークと実践的な活用を合わせて、あらためて詳しくお話ししたいと思います。RTX Sparkについて気になることや、ぜひ試してほしいワークロードがあれば、コメントやメールで教えてください！
