这款面向 AI 研究人员的英伟达 DGX Spark 桌面“AI 超级计算机”，是一款基于 ARM64 架构的强大设备。尽管其硬件配置（如 128GB 统一内存和 Blackwell GPU）非常强悍，但在 ARM 架构上使用 CUDA 生态仍面临挑战。用户初期通过 Docker 容器、Claude Code 编程助手和 Tailscale 远程访问工具等方式解决了依赖和配置难题。随着 Ollama、llama.cpp 等关键项目的迅速跟进，该设备的软件生态正在快速完善，预示着其未来潜力巨大。
初步印象与硬件规格
这款设备大小与 Mac mini 相似，但其科幻感十足的纹理表面让人耳目一新。它将一台非常强大的机器塞进了一个小盒子里。
- 架构: aarch64 (ARM64)
- CPU: 20 核 (10 个性能核心 + 10 个效率核心)
- 内存: 128GB 统一内存，可供 CPU 和 GPU 同时访问
- 存储: 4TB NVMe SSD
- GPU: NVIDIA GB10 (Blackwell 架构)，拥有 119.68 GB 显存和 48 个流式多处理器
简而言之，这台机器专为 AI 研究人员设计，旨在同时满足模型训练和运行的需求。
核心挑战：在 ARM64 上运行 CUDA
过去，许多 AI 软件和教程不仅默认用户拥有英伟达 GPU，还隐含了另一个前提：机器的 CPU 是 x86 架构。这给在 ARM 架构的 Spark 上配置环境带来了许多意想不到的困难。
我曾多次因无法使用英伟达 CUDA 生态而深感沮丧。无数的库和教程都期望你能用上 CUDA，如果你没有英伟达 GPU，它们就帮不上忙了。
为了解决这个问题，英伟达官方提供的 Docker 容器起到了关键作用。通过在容器中进行操作，可以有效绕过许多依赖和兼容性问题。
实用的工具与解决方案
文档的完善
在设备刚到手时，几乎没有任何入门文档，学习曲线非常陡峭。但近期，英伟达发布了详尽的指南和手册，极大地降低了上手难度。
Claude Code：解决一切问题的助手
在摸索如何使用这台设备时，Claude Code 编程助手是绝对的救星。无论是生疏的 Ubuntu 操作、CUDA 驱动配置，还是安装特定版本的 PyTorch，它都能提供有效帮助。
由于许多实验都在一次性的 Docker 容器中进行，可以大胆地让 Claude 直接执行命令来解决问题。例如，通过以下提示，Claude 能够自动完成 llama.cpp 的编译和配置，并成功运行指定模型：
我想用 llama.cpp 运行
unsloth/Qwen3-4B-GGUF模型。请搞清楚如何在这台机器上让 llama.cpp 调用 GPU，然后安装它并运行模型。
Tailscale：随时随地访问
拥有一台本地的 AI 机器固然不错，但能从世界任何地方通过手机或笔记本电脑访问它则更为方便。Tailscale 完美地实现了这一点。只需在 Spark 上安装并登录，设备就会立即出现在其他设备的网络列表中，可以轻松通过 SSH 进行远程访问和操作。
快速发展的生态系统
随着设备禁令的解除，许多重要的 AI 项目也宣布了对 Spark 的支持，这极大地改善了其使用体验。
- Ollama: 已能开箱即用，是最早在该设备上成功运行的 LLM 工具之一。
- llama.cpp: 其创建者发布了在 Spark 上的详细基准测试结果，展示了惊人的性能，例如处理 GPT-OSS 20B 模型时，提示读取速度达到 约 3600 tokens/秒。
- LM Studio: 现已提供适用于 Spark 的版本。
- vLLM: 作为流行的 LLM 服务引擎，英伟达官方已为其推出了 vLLM NGC 容器。
是否值得购买？
目前给出明确的购买建议还为时过早。由于对 CUDA、ARM64 和 Ubuntu GPU 环境缺乏经验，上手过程充满挑战。
然而，生态系统在短时间内的巨大进步 非常令人鼓舞。可以预见，在未来几周内，这台机器的支持情况会变得更加明朗。