Nvidia RTX Spark 笔记本来了，但“超级芯片”的承诺仍有限制

Nvidia 已推出来自六家厂商的 RTX Spark 笔记本，但一周测试显示，其全新 Arm 平台的胜出并不均衡。旗舰 N1X 集成 20 个 CPU 核心、6,144 个 CUDA 核心，以及最高 128GB 的统一内存。这一组合让 Nvidia RTX Spark 笔记本在本地 AI 和图形工作方面具备非同寻常的能力，但并不会自动让它们成为最好的 Windows 笔记本。

来自 Asus、HP、Lenovo 和 Microsoft 的首批机型揭示了核心矛盾。Nvidia 在轻薄笔记本中提供了高效的 Blackwell 图形和异常庞大的共享内存池。然而，CPU 性能、续航、软件兼容性和高端定位，仍阻碍该平台成为 Apple、AMD、Intel 或 Qualcomm 的通用替代方案。

这一差别至关重要，因为 RTX Spark 不只是又一次移动处理器发布。Nvidia 正试图将 Windows 的软件覆盖范围、自家的 CUDA 计算平台，以及类似 Apple Silicon 的统一内存整合到一枚系统级芯片中。系统级芯片，即 SoC，会将主要计算组件整合在一个封装内。

由此产生的设备能够处理普通集成显卡难以运行的工作负载。它们也暴露出：当 Windows、Arm 软件、PC 游戏和 Nvidia 图形技术栈在第一代产品中相遇时，所必须面对的妥协。

Nvidia RTX Spark 笔记本将芯片发布变成真正的平台

RTX Spark 已从颇具前景的演示走向正式出货的硬件，六家主要厂商赋予了它即时的现实意义。

Nvidia 宣布，来自 Asus、Dell、HP、Lenovo、Microsoft 和 MSI 的系统已全面上市。其发布公告将 RTX Spark 定位为面向创作者、开发者、游戏玩家以及本地运行 AI 智能体用户的 Windows 平台。

这种覆盖广度改变了局面。一枚仅出现在实验性设备中的处理器，可以在不改变市场的情况下悄然消失。RTX Spark 则覆盖多种笔记本设计和紧凑型台式机，并获得 Microsoft 和成熟软件厂商的支持。

旗舰 N1X 配置包含一颗 20 核 Nvidia Grace CPU，以及一颗拥有 6,144 个 CUDA 核心的 Blackwell RTX GPU。另一种笔记本配置则降至 18 个 CPU 核心和 5,120 个 CUDA 核心。根据 Nvidia 的N1X 规格，两者均可在 45 至 80 瓦的可配置范围内运行。

更高规格版本最高支持 128GB LPDDR5X 统一内存。统一内存是 CPU 和 GPU 均可访问的共享内存池，无需维持独立的系统内存和显存分配。较低规格配置支持的内存更少，这使同样冠以 RTX Spark 名称的设备之间形成了显著差异。

这种内存架构是该平台最清晰的差异化优势。传统高性能笔记本通常会将处理器与独立 Nvidia GPU 配对。每个组件都拥有自己的内存，大型 AI 模型或复杂场景必须容纳在 GPU 的专用内存分配内。

RTX Spark 消除了这一边界。大型本地模型可使用远超典型笔记本 GPU 所提供的内存，而 CPU 和 GPU 则通过 Nvidia 的 NVLink-C2C 连接交换数据。这种设计并未消除所有瓶颈，但它为开发者提供了不同于标准游戏笔记本的容量特征。

Nvidia 表示，旗舰芯片可提供最高一 petaflop 的 FP4 AI 性能。FP4 是一种四位数值格式，通过以更低精度表示模型数值来提升 AI 吞吐量。该数字描述的是专门工作负载，而不是通用应用速度。

这种区别不可忽视。一 petaflop 并不意味着每个 AI 程序、创意应用或游戏都能获得同等加速。软件必须支持相关格式、库和执行路径。

首批设备同样面向范围较窄的高端用户。它们是体积较大、价格昂贵的系统，适合重视内存容量或 CUDA 访问能力的开发者、创作者和专业人士。RTX Spark 尚未成为普通生产力笔记本的主流替代品。

不过，这次发布确立了 Nvidia 过去在 Windows PC 中所缺少的一点：它如今可以在一个品牌化计算平台内掌控 CPU、GPU、互连、内存架构、驱动程序以及 AI 软件技术栈的大部分环节。

这种整合控制造就了前景。早期笔记本则揭示了仅靠整合仍不足以解决的问题。

GPU 是 Nvidia N1X 论点中最强的一环

RTX Spark 的 Blackwell GPU 在受控功耗下展现出可信的性能，但与独立 RTX 硬件相比，其移动端限制依然明显。

旗舰 N1X GPU 使用了与 Nvidia 当前各类图形产品相同的大体 Blackwell 架构。其 6,144 个 CUDA 核心的数量接近桌面版 RTX 5070，但周边设计存在重大差异。

笔记本 SoC 的时钟频率更低、功耗空间更紧，并使用共享 LPDDR5X 内存。桌面显卡采用专用显存，功耗也可高得多。因此，仅比较核心数量会带来不切实际的预期。

独立测试说明了这种差异。在持续运行的 Metro Exodus Enhanced 基准测试中，搭载 RTX Spark 的 Asus ProArt P16 在 1080p 下达到每秒 75 帧。搭载 115 瓦 RTX 5070 的笔记本则达到每秒 84 帧。

更有意思的是功耗结果。RTX Spark GPU 在该测试中平均功耗为 43 瓦，而 115 瓦 RTX 5070 系统平均为 97 瓦。这些来自一项游戏性能测试的测量结果支持 Nvidia 的能效论点，尽管独立 GPU 仍然更快。

不同游戏的结果差异显著。RTX Spark 系统在 Black Myth: Wukong 基准测试的 1080p 高画质设置下达到每秒 66 帧。在 Baldur’s Gate 3 及多项原生分辨率测试中，它则进一步落后于搭载独立 RTX 5070 的笔记本。

这一模式与该架构相符。GPU 受限的工作负载可以让 RTX Spark 显得颇具竞争力，因为其 Blackwell 硬件运行高效。CPU 受限的游戏则暴露出整套方案较弱的一环，而较高的原生分辨率会对其可用内存带宽和功耗预算施加压力。

Nvidia 的超分辨率和帧生成技术有助于缩小差距。DLSS 会以较低的内部渲染分辨率处理选定内容，再借助 AI 辅助处理重建或生成输出帧。它可以提升感知流畅度，但无法消除所有 CPU 瓶颈或兼容性问题。

同一块 GPU 在游戏之外也具备更广泛的价值。Blender 渲染、视频特效、图像生成和基于 CUDA 的开发都能利用 Nvidia 成熟的软件技术栈。这种支持使 RTX Spark 相较于必须等待应用采纳陌生加速框架的新硬件平台更具优势。

Nvidia 表示，该平台能够渲染超过 90GB 的 3D 场景，并在本地运行规模可观的语言模型。128GB 共享内存选项使这些场景成为可能，因为 GPU 可以寻址远超常见笔记本显存分配的内存池。

开发者仍应审视可用内存、带宽、模型格式和应用支持。模型能够装入内存，并不保证低延迟。内存容量解决的是一种限制，而计算吞吐量和软件优化决定实际响应速度。

创意应用也带来类似的细微差别。GPU 加速特效可以运行良好，但导出或剪辑工作流可能依赖 CPU 代码、媒体引擎、插件和 Arm 原生应用支持。快速的加速器无法弥补每一个缓慢或不兼容的环节。

因此，早期证据支持的结论比 Nvidia 宽泛的平台宣传更为收窄。RTX Spark 提供的是一块连接至超大内存池的高效 Blackwell GPU。这与在所有工作负载中提供独立 GPU 级性能并不相同。

对于拥有内存密集型项目的本地 AI 开发者和创作者而言，这一区别仍可能很有价值。对于只关注帧率的买家来说，搭载独立显卡的成熟 x86 笔记本仍是更清晰的参照点。

Grace CPU 让这颗超级芯片无法处处取胜

RTX Spark 的 GPU 和内存构成了它最亮眼的时刻，而 Grace CPU 则定义了它许多最弱的表现。

20 核 N1X 将其 Arm CPU 资源分配为十个高性能 Cortex-X925 核心和十个 Cortex-A725 能效核心。精简型号则各有九个。这种安排提供了可观的并行能力，但核心数量并不会直接转化为领先的应用速度。

多位评测者的测试显示，N1X 在单核和多核基准测试中落后于当前 Apple 处理器。这一差距在依赖高速单个核心、而非 GPU 加速的应用中尤为明显。

在公布的 Geekbench 6 结果中，三款 RTX Spark 笔记本在单核测试中的得分介于 2,864 至 3,170 分之间。被比较的 Apple 系统得分则介于 4,208 至 4,653 分之间。RTX Spark 的多核成绩更具竞争力，但仍落后于该组中得分最高的 Apple M 系列结果。

这些数字来自一组设备和配置，因此不应被用来定义整个产品平台。但它们说明了为何不能只凭 N1X 的 GPU 规格来评判它。CPU 端会影响应用启动、游戏模拟、模拟器、编译、浏览器响应能力以及许多混合工作负载。

对 Asus、HP、Lenovo 和 Microsoft 笔记本进行的一周集体测试得出了类似结论。这篇RTX Spark 使用印象将其描述为一个能够处理许多高要求任务、但也会遭遇 CPU 限制、软件怪癖、发热和不稳定续航表现的平台。

游戏提供了一个尤为直观的例子。一些作品在高图形设置下能提供流畅帧率。另一些作品即使评测者降低分辨率和画质，仍然受到限制。

这种表现表明 GPU 可能正在等待 CPU、游戏引擎或转译层。增加图形性能余量，无法解决已经饱和的模拟线程。

创意基准测试同样难以给出简单结论。RTX Spark 可以快速完成 Blender 渲染工作负载，因为 GPU 承担了大量工作。在 Photoshop、Premiere Pro 和 DaVinci Resolve 中，整体结果取决于哪些功能拥有原生 Arm 代码，以及每个应用使用哪些加速路径。

软件开发也受同一问题影响。运行 CUDA 实验或本地模型的开发者可以受益于统一内存和 Nvidia 工具链。编译、虚拟机、容器和特定架构依赖则可能带来较难预测的体验。

这正是 Apple 仍是最重要对手的原因。Apple 多年来持续协调其处理器、操作系统、开发工具、媒体引擎以及原生应用迁移。其 M 系列芯片也在不牺牲能效的前提下提供了强大的 CPU 性能。

Nvidia 带来了不同的优势。CUDA 已深度融入 AI 开发、3D 渲染、工程和科研领域。RTX Spark 让 Windows 用户无需单独配备台式工作站或远程服务器，便可直接接入这一生态。

这两种优势并不相互排斥。Apple 提供拥有广泛原生软件支持的成熟一体化计算体验。Nvidia 则在 Windows 中提供大容量统一内存、Blackwell 图形性能以及熟悉的 AI 加速能力。

AMD 和 Intel 从另一个方向施加压力。它们的 x86 笔记本处理器规避了许多架构迁移问题，因为现有 Windows 应用本就面向 x86。需要更强图形性能时，厂商也可以为这些 CPU 搭配独立 Nvidia GPU。

Qualcomm 通过 Snapdragon 笔记本帮助推动 Windows on Arm 的普及。这类系统相比大型 CUDA 工作负载，更侧重于续航与日常生产力。RTX Spark 则以不同的性能目标和高得多的功耗预算，进入同一场操作系统转型。

因此，N1X 并非在击败某一个简单的竞争对手。它眼下面临的考验是：强劲 GPU 与大容量内存池能否弥补 CPU 并非始终处于同级领先水平的不足。

Windows on Arm 表现更好，但兼容性仍有边界

大多数常规软件都能在 RTX Spark 上运行，但模拟无法自动转换驱动程序、反作弊系统以及所有专用依赖项。

Windows 11 可以执行原生 Arm 应用，也可模拟为 x86 或 x64 处理器编译的程序。Microsoft 的 Prism 模拟器会将 x86 指令块转换为 Arm64 代码，并缓存已转换的代码块以减少重复工作。

这种方式让用户无需等待每位开发者立即发布 Arm 版本，便可使用熟悉的应用。Microsoft 的 Arm emulation guide 表示，Windows 11 同时支持 x86 和 x64 应用模拟。

关键限制位于普通应用代码之下。Prism 支持用户模式软件，但不会模拟内核模式驱动程序。硬件驱动、底层工具、安全组件及类似软件都需要原生 Arm64 版本。

游戏往往正依赖这些组件。反作弊工具、外设软件、捕获工具和虚拟现实驱动程序，都可能决定一款游戏能否正常运行，即便其主可执行文件能够顺利启动。

评测者已经遇到这类边界的实例。一些现代游戏运行流畅，尤其是当其引擎与配套软件能够良好适配 Arm 时。其他游戏则出现不稳定的帧率，或与 GPU 原始能力无关的配件问题。

一项测试发现，某虚拟现实设备的无线适配器驱动无法安装。游戏本身可以运行，但缺少配套软件使完整体验无法按预期实现。

这个例子说明，兼容性不能简化为能够启动的应用占比。专业工作流可能依赖某一个插件、编解码器、设备驱动、企业安全代理或命令行软件包。任一环节失效，都可能使原本兼容的笔记本变得不适用。

原生软件仍是最佳路径。Arm64 应用可以避免转换开销，并直接利用处理器特性。Adobe 和其他厂商已扩大其 Windows Arm 支持，而 Nvidia 与 Microsoft 也在围绕 RTX Spark 与开发者合作。

该平台还受益于 Nvidia 既有的 Windows 经验。该公司已在 PC 生态中维护驱动程序、开发工具、图形 API 以及合作关系。RTX Spark 并非在缺乏软件支持的情况下推出。

即便如此，这仍是 Nvidia 首个广泛面向 Windows 笔记本的 CPU 平台。厂商必须针对 Arm CPU 行为、集成 Blackwell 图形、统一内存和 Nvidia 专属驱动这一全新组合测试应用。

企业买家还面临额外问题。设备管理、端点防护、VPN 软件、旧版业务应用及专用外设都需要验证。浏览器基准测试表现出色，对这些依赖的说明意义不大。

开发者必须检查自身工具链中的架构支持。Python 软件包可能包含原生二进制文件。容器可能面向 x86 镜像。虚拟化工作流可能假设主机为 x86。编译器、调试器和本地数据库在转换环境下的行为也可能不同。

当本地 AI 工作流处于 Nvidia 支持的路径内时，情况可能更容易。CUDA、TensorRT、优化运行时和打包好的智能体，为用户提供更可控的起点。Nvidia 表示，RTX Spark 支持 GitHub Copilot、Hermes、OpenClaw、Perplexity、Pi 和 WorkBuddy 等应用与智能体。

这份名单表明了其目标使用场景。Nvidia 希望买家将该笔记本视作一台本地 AI 工作站，同时处理日常 Windows 任务。它并未承诺所有历史 Windows 依赖会在一夜之间变为原生支持。

因此，该软件生态显著强于早期几代 Windows on Arm，但尚未完善。拥有专用工作流的买家应在选择平台前验证每一项关键依赖。

超大统一内存对本地 AI 的改变大于日常计算

选择 RTX Spark 的最强理由并非普通笔记本速度，而是让 Nvidia GPU 能够访问最高 128GB 的共享内存。

本地 AI 对内存施加了不同寻常的压力。模型权重、上下文数据、中间计算结果和应用状态都必须在推理过程中保持可用。超过专用显存容量的模型，可能溢出至较慢的系统内存，或无法通过首选运行时加载。

RTX Spark 改变了这一计算方式。其 CPU 和 GPU 共用一个 LPDDR5X 内存池，旗舰配置最高支持 128GB。该容量可容纳超出常见笔记本显卡可用内存范围的模型和创意数据集。

这一优势对测试量化语言模型、运行检索系统、评估智能体或构建 AI 辅助创意工具的开发者最为明显。量化通过降低模型权重的精度，使模型占用更少的内存和计算资源。

开发者可以在同一台设备上保留源代码、模型文件、浏览器、开发工具和推理运行时。GPU 可以访问同一片大容量内存池，而不必依赖单独且更小的分配空间。

这并不意味着 RTX Spark 等同于数据中心加速器。笔记本的散热、功耗限制、内存带宽和持续负载表现仍然不同。训练大型前沿模型并非其目标。

更恰当的理解是，该平台是一套便携式推理与原型开发系统。它让开发者能够运行较大规模的本地模型，测试对隐私敏感的工作流，并降低特定任务对云端推理的依赖。

这对于机密材料可能很重要。当应用经过相应配置后，本地执行会将提示词、文件和模型输入保留在设备上。它还可避免网络延迟，并在无连接时继续可用。

本地处理本身并不能保证隐私。应用仍可能发送遥测数据、同步数据或调用在线服务。用户必须检查软件行为，而不能假定处理器决定了完整的数据路径。

Nvidia 平台还支持混合工作流。开发者可以在本地制作原型，将更重的任务转移至云基础设施，并在两种环境中使用相似的 CUDA 导向工具。这种连续性具有实际价值，因为它缩小了实验与部署之间的差距。

Apple 多年来一直提供大容量统一内存池，使 MacBook Pro 系统在运行本地模型的开发者中广受欢迎。RTX Spark 则以 Windows、CUDA 和 Blackwell 加速回应了这一优势。

这种比较不仅关乎基准分数。开发者往往根据框架支持、部署环境、软件包兼容性、内存容量以及熟悉调试工具的可用性来选择设备。

RTX Spark 为希望获得大容量内存、又不愿离开 Windows 的用户提供了可信的回应。它也促使 AMD、Intel 和 Qualcomm 说明其集成 AI 平台将如何支持内存密集型本地工作负载。

更广泛的 PC 市场未必需要 128GB 来满足日常使用。浏览网页、办公软件、视频通话和常规编码，并不会因为应用能够访问巨大的共享内存池而突然改善。

这也是首批 RTX Spark 系统显得专业化的原因。其最具特色的硬件优势服务于那些工作负载已触及 GPU 内存限制的用户。其他用户则会面对同样的续航、散热和兼容性妥协，却无法从内存设计中获得等值收益。

考虑本地 AI 的组织还应衡量的不只是模型加载能力。他们需要关注每秒 token 数、首个 token 时间、功耗、持续温度、输出质量以及与目标模型格式的兼容性。

评测者已经在多款 RTX Spark 系统上发现出色的 AI 基准性能。不过，结果因模型和设备而异。128GB 配置也无法保证每台笔记本都能在长时间负载下维持相同的时钟频率。

本地 AI 的论点确实成立，但仍取决于具体工作负载。Nvidia 打造了一种笔记本架构，使此前棘手的实验变得可行。买家仍需要证据证明自己的确切模型和应用能够受益。

续航与散热挑战了人们对 Arm 笔记本的既定印象

RTX Spark 表明，Arm 处理器可以高效，却未必能带来买家与 Apple Silicon 联系在一起的安静、全天候体验。

Arm 架构往往与长续航联系在一起。这种关联反映的是成功的产品设计，而非指令集的自动属性。显示屏尺寸、散热、内存、软件行为、工作负载和电源管理都会影响结果。

首批 RTX Spark 笔记本瞄准高要求用户。许多产品配备大尺寸显示屏、高分辨率面板、大容量内存和为持续图形工作设计的散热系统。N1X 本身的功耗最高可达 80 瓦。

这些选择与采用低功耗处理器的轻薄生产力笔记本形成截然不同的条件。一套系统可以高效完成渲染任务，却仍可能在日常混合使用中迅速耗尽电池。

一项 Asus ProArt P16 测试在半亮度下取得了 5 小时 40 分钟的真实工作续航。该测试包括网页写作和一小时视频通话。这台笔记本使用了 99.9 瓦时电池，接近航空旅行通常无需额外限制即可携带的容量上限。

这一结果并不代表所有 RTX Spark 设备。屏幕设置、后台活动、固件、会议软件和早期驱动程序都会改变续航表现。但它表明，大容量电池并不保证全天使用。

高负载行为带来了另一项权衡。评测者指出，游戏期间风扇噪声和发热都较为明显。即使芯片的功耗低于传统处理器加独立显卡的组合，轻薄机身仍必须将 CPU 和 GPU 的热量导出。

因此，效率应以单位能量完成的工作量衡量，而不应仅凭架构标签或峰值功耗推断。

在部分 GPU 测试中，RTX Spark 按这一标准表现出色。GPU 平均功耗为 43 瓦时达到每秒 75 帧，相比功耗超过两倍的独立 RTX 笔记本值得关注。整机仍包含显示屏、内存、存储、风扇和 CPU 活动。

闲置和轻度使用时的能效，对日常笔记本电脑同样重要。Apple 通过对 macOS、其处理器及后台软件的紧密控制，树立了很高的标准。Qualcomm 也将 Windows 笔记本的长时间离电使用作为其核心卖点。

Nvidia 则从相反的方向切入市场。它首先强调高图形吞吐量、CUDA 支持和大容量内存，然后尝试将这些能力纳入便携设备的功耗范围。

这种优先级可以造就出色的移动工作站，却未必能造就最佳的旅行笔记本。买家需要决定自己更看重哪一种结果。

早期的固件和驱动更新可能会改善电池表现。Microsoft 和 Nvidia 一直在为 RTX Spark 开发 Microsoft Power and Thermal Framework，让 Windows 能够协调性能、温度和能耗策略。

更新无法消除物理限制。高分辨率显示屏和持续运行的本地 AI 工作负载都会消耗能量。一台需要散发数十瓦热量的轻薄笔记本将需要主动散热。

下一轮测试应将短时基准测试与持续工作负载区分开来。评测人员需要针对模型推理、视频导出、编译、离电创作、待机耗电及电池供电时的性能进行重复测量。

这些测试将揭示 RTX Spark 只是对于其性能等级而言能效出色，还是确实高效到足以改变人们对日常笔记本的期待。第一周的表现更有力地支持前一种说法，而非后一种。

三个信号将决定 RTX Spark 能否突破小众市场

RTX Spark 已经建立了一个可信的新类别，但软件成熟度、持续能效和更低成本的普及将决定它能否成为长期存在的 Windows 平台。

第一个信号是原生 Arm 软件覆盖范围。Adobe 应用、开发工具、游戏启动器、反作弊系统、驱动程序、插件和企业安全软件，都需要可靠的 Arm64 支持。

模拟运行可以帮助平台应对常见的应用缺口，却无法解决所有驱动程序或内核依赖问题。如果主要厂商迅速发布原生版本，RTX Spark 的兼容性顾虑将会减轻。如果专业工具仍不受支持，该平台将继续局限于经过严格验证的工作流。

第二个信号是经过数月驱动和固件更新后的性能表现。Nvidia、Microsoft 和笔记本制造商有许多机会优化调度、风扇行为、电池策略、图形驱动和应用配置文件。

Prism 下更好的 CPU 表现将增强其作为通用设备的竞争力。更佳的空闲功耗和离电性能将使 RTX Spark 在与 Apple 和 Qualcomm 的竞争中更具优势。若改善有限，则会确认若干弱点源于架构限制，而非发布初期的软件问题。

第三个信号是 Nvidia 及其合作伙伴是否会将 RTX Spark 带入更易负担的系统。首批机型集中于高内存的专业配置。这一策略展示了平台最不寻常的能力，但也限制了普及。

更广泛的成功需要推出适合需要 CUDA、但不需要最高内存配置的开发者的机型。它还需要能够在便携性和续航方面竞争的设备，而不只是比拼原始性能。

这些信号将影响不同的竞争对手。如果 Windows 用户能够在一台笔记本中获得大容量统一内存和 Nvidia 加速，Apple 将面临直接压力。如果集成 GPU 平台无法为本地 AI 开发者提供相当的内存访问能力，AMD 和 Intel 也将面临压力。

Qualcomm 面临的是不同挑战。Snapdragon 帮助证明了 Windows on Arm 可以支持主流笔记本。RTX Spark 现在则在检验：同一操作系统基础能否扩展至创作者和 AI 工作站领域。

Nvidia 还必须保持产品信息的清晰度。将 N1X 称为超级芯片突出了其集成性，但也可能暗示其在所有场景中都领先。早期证据支持其在特定的内存密集型和 GPU 导向型工作负载中占据优势，而非在每一项笔记本任务中皆是如此。

独立测试仍应是决定性证据。Nvidia 对一 petaflop、本地模型和高帧率游戏的说法，描述的是特定配置和条件。真实应用会结合 CPU 代码、驱动程序、内存流量、存储、散热和软件转换等因素。

对于 AI 开发者，实际问题很直接：RTX Spark 是否能比你当前的设备更快或更方便地运行你使用的模型、框架和工具？对于创作者，问题在于 GPU 加速带来的收益是否超过 CPU、续航和插件方面的妥协。

对普通买家而言，等待是合理的。该平台的决定性优势服务于专业工作负载，而第一代产品的不确定性会影响日常使用。

Nvidia RTX Spark 笔记本已经改变了围绕 Windows PC 的讨论。它们证明，一台 Arm 笔记本可以在一个便携系统中提供 Blackwell 图形、CUDA 和 128GB 统一内存选项。但它们尚未证明，这种组合能在各方面胜过成熟的 x86 笔记本或 Apple Silicon。

未来三个月应会带来更广泛的应用测试、固件更新，以及针对已上市设计的更清晰对比。首先关注原生 Arm 支持，其次是持续能效，第三是旗舰机型之外的普及情况。

如果这三个信号同步改善，RTX Spark 将不只是昂贵的本地 AI 工作站。否则，其大容量内存池和高效 GPU 仍将是狭窄类别中的吸引力功能。选择之前，请审查你的关键软件，衡量自己实际运行的模型或创意工作负载，并决定便携性还是峰值能力对你更重要。