翻译：Transwan

改写：Carl Cui

jensen huang holding rtx spark techradar getty

图片来源：TechRadar / Getty Images

2026 年 6 月 1 日，台北 Computex 2026 上，NVIDIA 发布了 RTX Spark。

单纯看参数，RTX Spark 很容易被当作又一颗高性能 PC 芯片：更强的 CPU，更强的 GPU，更大的内存，更适合 AI 的算力。硬件发布会一直就这样，只要参数堆得够高，就能引起关注。

但是对真正构建 AI 应用的人来说，它最重要的地方不是“笔记本终于能跑多大的模型”，而是它把一个被我们默认了三年的架构重新摆在桌面上：AI 推理一定要在云端吗？

过去几年，大多数 AI 应用的默认答案都是“是”。你在对话框里输入一句话，请求离开本机，进入 OpenAI、Anthropic、Google 或其他云端数据中心。模型在远端 GPU 集群上完成推理，再把结果返回。开发者围绕这个流程实现 agent：选择模型、组织 prompt、接入工具、压缩 token 成本、处理延迟、评估隐私风险，等等。

这套架构下诞生了很多好用的产品。它让小团队也能调用最强模型，让很多产品不必自己拥有昂贵硬件。但它也悄悄建立起一种成规：只要你想使用足够强的 AI，就必须把推理交给远端数据中心。

RTX Spark 的意义，在于它开始松动这个前提。

NVIDIA 对它的定位不是普通 PC 芯片，而是面向本地 AI agents 的 Windows PC 平台。换句话说，它要让一部分过去默认上云的 AI 工作负载，回到用户面前这台机器上。对我来说，这不是硬件新闻，而是一个架构信号。

未来的 AI 系统，不应该再默认“所有推理都走云端”。一个更好的问题是：哪些推理必须在云端，哪些推理应该留在本地？

真正重要的不是峰值算力，而是内存形态

RTX Spark 发布时，最容易被引用的是几个参数：20 核 Arm CPU、Blackwell GPU、6,144 个 CUDA 核心、最高 1 petaflop AI 算力，以及 128GB 统一内存。NVIDIA 还把它和本地运行 120B 参数级别模型、长上下文工作负载联系在一起。

这里的 1 petaflop，意思是每秒约一千万亿次浮点运算。你可以把它理解成 AI 芯片的理论吞吐能力：数字越高，理论上越适合处理矩阵计算、模型推理和生成任务。但峰值算力从来不等于真实体验。尤其是本地大模型，真正的问题往往不是“算不算得动”，而是“装不装得下”。

传统 PC 的内存是分裂的。CPU 使用系统 RAM，GPU 使用 VRAM。一个模型即使可以由 GPU 计算，也必须先装进显卡能访问的显存里。8GB、12GB、24GB VRAM 对游戏和常规创作已经够用，但对大模型和长上下文来说，很快就会撞墙。模型权重、KV cache、长上下文和中间状态都要占内存。

RTX Spark 的 128GB 统一内存，真正改变的是这个约束。CPU 和 GPU 不再隔在两个独立内存池里，而是共享一个大内存空间。模型、上下文和工作状态可以放在同一个地址空间里，由 GPU 执行推理，由 CPU 编排流程，减少来回搬运。

这就是为什么我更关心统一内存，而不是 1 petaflop。算力决定你跑得多快，内存决定你能不能把这件事完整地放在本地跑起来。

对本地 AI 来说，内存形态是地基。

本地 AI 最先改变的不是聊天，而是 Agent

很多人谈本地 AI，第一反应是隐私。这个判断没错。法律、医疗、金融、咨询、企业内部代码审查，这些场景都不适合随便把数据发给第三方云模型。一个足够强的本地模型，意味着敏感数据可以不离开设备，这对企业采用 AI 很关键。

但如果只讲隐私，就低估了 RTX Spark 的意义。

我认为本地 AI 更先改变的，是 Agent。

聊天机器人是一问一答。Agent 不是。Agent 会持续观察状态，理解上下文，调用工具，检查结果，再继续下一步。它可能要读文件、看屏幕、跑命令、修改代码、比较 diff、等待反馈，然后再做一次判断。

如果每一步都走云端，系统会被网络往返、排队、上下文传输和 token 成本拖住。一次请求无所谓，几十步、几百步的 Agent loop 就会变成架构问题。

本地推理给 Agent 提供了另一种可能：高频、低风险、贴近当前环境的判断留在本地；真正困难、低频、需要最强模型的推理再交给云端。

这会让 Agent 更像一个常驻系统组件，而不是一个远程 API 的前端包装。它可以在本地观察环境，处理小判断，维持状态，并在必要时调用云端模型升级推理。

如果你正在设计未来 18 个月还要运行的 AI 应用，现在就应该开始考虑这件事。

未来不是本地替代云端，而是推理分工

我不相信本地 AI 会取代云端 AI。至少在可见未来，不会。

最强的前沿模型仍然会在云端。它们需要更大的模型规模、更复杂的多模态能力、更频繁的训练更新，也需要远超单机设备的推理资源。最难的推理任务、最新的模型能力、超大规模并发服务，云端仍然有明显优势。

但本地 AI 有另一组优势：低延迟、隐私、离线可用、持续运行、高频调用，以及更可控的边际成本。

所以更现实的架构不是二选一，而是混合：

  • 本地模型负责常规推理、隐私数据、实时观察和持续 Agent loop；
  • 云端模型负责高难推理、最新能力、复杂多模态和大规模任务；
  • 应用层负责路由：什么时候本地，什么时候云端，什么时候两者协作。

这会改变 AI 应用的设计方式。过去我们主要在云端模型之间做选择：GPT、Claude、Gemini，哪个更强，哪个更便宜，哪个延迟更低。以后还要多一个问题：这次推理有没有必要离开本机？

模型路由会从“选哪家 API”，变成“选推理发生的位置”。

这才是 RTX Spark 对开发者真正有价值的提醒。

Adobe 的信号：AI 会从功能变成工作流

Adobe 和 NVIDIA 的合作，是这次发布里很值得看的部分。

如果只是让 Photoshop、Premiere Pro 在新硬件上跑得更快，那它只是一次常规适配。但如果 Adobe 真的围绕本地 AI Agent 重构部分创作流程，那意义就不一样了。

过去很多 AI 功能像外挂。你打开侧边栏，输入提示词，让云端模型生成一段内容，再把结果拖回你的项目里。它有用，但它仍然像一个外部工具。

本地 Agent 的想象力在于，它可以进入工作流内部。它知道当前项目状态，知道你正在编辑哪段视频、哪一层图像、哪组素材。它可以调用本地工具，调整参数，生成候选方案，再根据你的反馈继续迭代。

这会改变软件的交互模型。

过去是用户点击功能，软件执行命令。未来可能是用户描述目标，Agent 在本地理解项目、调用工具、推进步骤。云端 AI 仍然可以参与，但本地 Agent 会更贴近工作现场。

我不认为这会马上完全实现。专业软件的生产环境很复杂，创作者也不会轻易把控制权交给一个黑盒 Agent。但方向值得关注：AI 不再只是侧边栏，而是逐渐变成软件工作流的一部分。

治理会决定本地 Agent 能不能进企业

本地 AI Agent 听起来很美好，但它也带来一个麻烦：权限。

一个真正有用的本地 Agent，往往需要访问文件、查看屏幕、调用应用、执行命令、连接 API。它越有能力，就越需要边界。否则它不是生产力工具，而是新的攻击面。

所以我很关注 OpenShell 这类安全运行时。它背后的问题很现实：Agent 能访问什么？不能访问什么？谁批准？谁审计？出问题后能不能追溯？

企业不会因为一台机器能跑 120B 模型，就允许任何 Agent 随便读文件、看屏幕、调用内部系统。算力只是前提，治理才决定它能不能进入生产环境。

这也是很多本地 AI 讨论容易漏掉的一点。开发者喜欢谈模型、显存、上下文和速度；企业真正落地时，还会问权限、审计、隔离、合规和责任。

本地 Agent 要成为基础设施，必须同时解决这两边。

PC 重新变得重要，是因为它离工作现场最近

过去十几年，PC 在某种意义上被云削弱了。SaaS 把功能搬到浏览器，移动设备抢走了日常注意力，云计算让本地机器越来越像一个输入输出终端。

AI 可能让这个趋势出现一部分反转。

不是因为我们要回到离线时代，而是因为有些 AI 工作负载天然适合发生在本地：私密、持续、低延迟、强上下文、贴近用户当前环境。

本地设备知道你打开了什么文件，当前屏幕是什么状态，哪些应用正在运行，哪些项目资料就在磁盘上。云端模型可以更强，但它天然离你的工作现场更远。对很多 Agent 工作流来说，离现场更近就是优势。

RTX Spark 的赌注就在这里：如果未来的 PC 不只是运行应用，而是运行持续协作的本地 Agent，那么 PC 就不再只是云服务入口，而会重新成为 AI 系统里的重要计算节点。

这也是我认为 RTX Spark 值得写的原因。它不是告诉我们数据中心不重要了，而是提醒我们：边缘设备可能重新拥有架构价值。

结语

RTX Spark 的意义，不是让笔记本跑赢数据中心。

它真正改变的是开发者的默认假设：AI 不必总在云端。

当本地设备拥有足够大的统一内存、足够强的推理能力和足够清晰的安全边界时，本地 AI 就会从极客实验变成正式架构选项。隐私敏感任务可以留在本地，高频 Agent loop 可以留在本地，创意软件可以把 AI 嵌入工作流，企业系统也可以在本地和云端之间做更细的推理分工。

未来真正重要的问题，不是本地 AI 和云端 AI 谁取代谁，而是谁能设计好它们之间的边界。

如果你今天还在构建一个所有推理都默认上云的 AI 应用，RTX Spark 至少给了你一个提醒：这个默认值可能不会一直成立。

参考资料