รู้จักกับ DGX Spark

มกราคม 2025 บนเวที CES ที่ลาสเวกัส เจนเซน หวง (Jensen Huang) ซีอีโอของ NVIDIA ยกกล่องอะลูมิเนียมสีทองแชมเปญขนาดเท่าหนังสือหนึ่งเล่มขึ้นมา แล้วพูดประโยคที่ทำให้คนทั้งฮอลล์เงียบ: “นี่คือ AI ซูเปอร์คอมพิวเตอร์ส่วนบุคคลของคุณ” กล่องหนัก 1.2 กิโลกรัมใบนั้นให้พลังประมวลผล AI ระดับ 1 เพตาฟล็อป (petaFLOP) — ตัวเลขที่ซูเปอร์คอมพิวเตอร์ที่เร็วที่สุดในโลกเมื่อปี 2008 (IBM Roadrunner) ต้องใช้ตู้แร็ค 296 ตู้และไฟ 2.35 เมกะวัตต์ถึงจะทำได้ ตอนนี้มันอยู่ในกล่องที่เสียบปลั๊ก USB-C บนโต๊ะทำงานคุณ

เครื่องนั้นชื่อ NVIDIA DGX Spark บทความนี้จะพาคุณรู้จักมันตั้งแต่ต้น — มันคืออะไร ทำอะไรได้ ทำอะไรไม่ได้ และเหมาะกับใคร แบบเข้าใจง่ายสำหรับคนที่เพิ่งเริ่ม พร้อมอธิบายศัพท์เทคนิคทุกคำ

DGX Spark คืออะไร?

DGX Spark คือ “เดสก์ท็อป AI ซูเปอร์คอมพิวเตอร์” — คอมพิวเตอร์ตั้งโต๊ะขนาดจิ๋วที่ออกแบบมาเพื่องาน AI โดยเฉพาะ มันเปิดตัวครั้งแรกในชื่อโครงการ Project DIGITS ที่ CES 2025 ก่อนจะเปลี่ยนชื่อเป็น DGX Spark ตอนวางขายจริงในเดือนตุลาคม 2025 เพื่อโยงเข้ากับไลน์ DGX ระดับองค์กรของ NVIDIA — เป็นการส่งสัญญาณว่านี่ไม่ใช่ของเล่น แต่เป็นเครื่องมือทำงาน AI จริงจัง

หัวใจของมันคือชิปตัวเดียวชื่อ GB10 Grace Blackwell Superchip ซึ่งรวมสามสิ่งไว้ในแพ็คเกจเดียว: ซีพียู Arm 20 คอร์ (ออกแบบร่วมกับ MediaTek), จีพียูสถาปัตยกรรม Blackwell รุ่นเดียวกับการ์ดจอ AI ระดับดาต้าเซ็นเตอร์ และตัวเชื่อมความเร็วสูง NVLink-C2C ทั้งหมดผลิตบนเทคโนโลยี 3 นาโนเมตรของ TSMC

ไพ่ตายคือ “Unified Memory”

สิ่งที่ทำให้ DGX Spark พิเศษไม่ใช่แค่ความแรง แต่คือ หน่วยความจำรวม (unified memory) 128 GB ที่ซีพียูกับจีพียูใช้ร่วมกัน อธิบายง่ายๆ: ปกติเวลาคุณรัน AI บนการ์ดจอแยก ข้อมูลต้องวิ่งไปมาระหว่างแรมของเครื่อง (เช่น 64 GB) กับ VRAM ของการ์ดจอ (เช่น 24 GB) ผ่านสาย PCIe ซึ่งเป็นคอขวด และถ้าโมเดลใหญ่เกิน VRAM ก็ต้องหั่นเป็นชิ้นๆ ความเร็วหายไปครึ่งหนึ่ง

นี่คือเหตุผลที่กล่องเล็กขนาดนี้รันงานที่เมื่อก่อนต้องใช้เซิร์ฟเวอร์การ์ดจอหลายใบได้ และเป็นสิ่งที่พีซีประกอบเองด้วยการ์ดจอแยกให้ไม่ได้ในราคาเท่ากัน

จาก Project DIGITS สู่ DGX Spark: เรื่องราวการเปิดตัว

เส้นทางของ DGX Spark จากต้นแบบบนเวทีสู่สินค้าจริงใช้เวลาเก้าเดือน และเต็มไปด้วยรายละเอียดที่น่าสนใจ เริ่มจากสิ่งที่หลายคนไม่รู้: NVIDIA ไม่ได้ออกแบบซีพียูของ GB10 เองทั้งหมด แต่จับมือกับ MediaTek — บริษัทที่เชี่ยวชาญชิป Arm สำหรับมือถือมากที่สุดในโลก การจับคู่ระหว่าง “เจ้าแห่ง GPU” กับ “เจ้าแห่ง Arm SoC” ให้ผลลัพธ์เป็นชิปที่กินไฟต่ำพอจะอยู่ในกล่องเท่าหนังสือ แต่แรงพอสำหรับงานระดับดาต้าเซ็นเตอร์ และที่วิศวกรทึ่งคือ GB10 ผ่านการผลิตซิลิคอนรอบแรก (A0) ได้เลยโดยไม่ต้องแก้แบบ — เรื่องที่แทบไม่เกิดกับชิปใหม่ที่รวมของสองบริษัทเข้าด้วยกัน

ฉากที่โด่งดังที่สุดเกิดขึ้นวันที่ 13 ตุลาคม 2025 — สองวันก่อนวางขาย เจนเซน หวง เดินทางไปที่ออฟฟิศของ อีลอน มัสก์ ด้วยตัวเอง เพื่อมอบ DGX Spark เครื่องแรกที่ผลิตเสร็จถึงมือ ภาพซีอีโอของบริษัทมูลค่าหลายล้านล้านดอลลาร์เดินไปส่งของเองเหมือนเด็กส่งพิซซ่ากลายเป็นไวรัลทันที — และเป็นการส่งสัญญาณชัดว่า Spark คือเครื่องมือสำหรับคนที่จริงจังกับ AI ไม่ใช่สินค้าเล่นๆ ในร้านทั่วไป

มันทำอะไรได้บ้าง?

DGX Spark ไม่ได้ออกแบบมาเพื่อ “เล่น ChatGPT บนเครื่องตัวเอง” เฉยๆ แต่เกิดมาเพื่องานที่จริงจังกว่านั้น:

• รันโมเดล AI ขนาดใหญ่ในเครื่องตัวเอง (inference) — รองรับโมเดลสูงสุดถึง 200,000 ล้านพารามิเตอร์ (200B) โดยข้อมูลไม่ต้องออกจากเครื่องเลย
• ปรับแต่งโมเดล (fine-tuning) — สอนโมเดลให้เข้าใจข้อมูลเฉพาะของคุณ เช่น เอกสารภายในบริษัท หรือสไตล์การเขียนเฉพาะ NVIDIA ระบุว่า fine-tune โมเดลระดับ 70B ได้ (ด้วยเทคนิค QLoRA) และ full fine-tune โมเดล 8B เสร็จได้ภายในหนึ่งวัน
• รัน AI Agent 24 ชั่วโมง — ผู้ช่วยอัตโนมัติที่ทำงานต่อเนื่อง เช่น คอยสรุปอีเมล เขียนร่างตอบกลับ ค้นข้อมูล โดยข้อมูลอยู่ในเครื่องคุณตลอด
• งานเฉพาะทางที่ห้ามส่งข้อมูลออกนอกองค์กร — เช่น AI การแพทย์ในโรงพยาบาลที่ต่อเน็ตไม่ได้ หรือหุ่นยนต์ที่ใช้ Spark เป็นสมองประมวลผล

จุดร่วมของทุกงานคือ ความเป็นส่วนตัว — ข้อมูลของคุณไม่เคยออกจากกล่องบนโต๊ะ ต่างจากการเช่าคลาวด์ที่ทุกอย่างต้องอัปโหลดขึ้นเซิร์ฟเวอร์ของคนอื่น และนี่ไม่ใช่แค่ทฤษฎี — มีทีมทั่วโลกเอา Spark ไปใช้งานจริงแล้ว:

เทียบกับทางเลือกอื่น

DGX Spark ไม่ได้อยู่คนเดียวในตลาด “AI บนโต๊ะทำงาน” — จุดเด่นของมันคือ ความจุหน่วยความจำมหาศาลในราคาและขนาดเท่านี้ แต่มันก็มีจุดที่แพ้ทางเลือกอื่นเช่นกัน:

กฎง่ายๆ: ถ้าคุณเน้นรันโมเดลเล็กให้เร็วที่สุด RTX 5090 คุ้มกว่า ถ้าเน้น generate ข้อความยาวๆ เร็วๆ Mac Studio ได้เปรียบเรื่องแบนด์วิดท์ แต่ถ้าคุณต้อง ปรับแต่งหรือรันโมเดลใหญ่ 70B ขึ้นไป — DGX Spark คือทางเลือกเดียวในราคาระดับนี้

เกร็ดน่ารู้ที่หลายคนไม่ทันสังเกต

เบื้องหลังกล่องเล็กๆ นี้มีรายละเอียดที่ทำให้คนในวงการดาต้าเซ็นเตอร์ต้องเลิกคิ้ว:

• การ์ดเน็ตเวิร์กระดับเซิร์ฟเวอร์บนโต๊ะทำงาน: Spark ติดตั้งชิป ConnectX-7 ที่มีพอร์ต 200 GbE — ชิปตัวเดียวกับที่ใช้ในเซิร์ฟเวอร์ AI ราคาหลักแสน มันเกินความจำเป็นสำหรับเน็ตบ้านมาก แต่มีไว้เพื่อ…
• ต่อสองเครื่องเป็นคลัสเตอร์ได้: คุณเชื่อม Spark สองเครื่องเข้าด้วยกันโดยตรงแล้วได้ประสิทธิภาพขยาย (NCCL scaling) สูงถึง 93.5% — เกือบ 2 เท่าแบบไม่ต้องซื้อสวิตช์ InfiniBand ราคาหลักแสน
• ในกล่องมีแค่ 3 อย่าง: ตัวเครื่อง อะแดปเตอร์ USB-C 240W และสาย USB-C — ไม่มีคีย์บอร์ด เมาส์ จอ หรือแม้แต่สาย HDMI ให้ Spark ให้คุณแค่ “สมอง” ส่วนแขนขาคุณต้องหาเอง
• ไม่มีพอร์ต USB-A และไม่มีช่องหูฟัง 3.5 มม.: มีแต่ USB-C (USB4) สี่พอร์ต เตรียมอะแดปเตอร์ไว้ตั้งแต่วันแรก

ข้อควรรู้ก่อนใช้งาน (และวิธีจัดการ)

ไม่มีเครื่องไหนสมบูรณ์แบบ แต่ข้อควรรู้ของ Spark ล้วนมีทางจัดการง่ายๆ — และทีมของเราช่วยตั้งค่าให้พร้อมใช้ได้ตั้งแต่วันแรก:

• แบนด์วิดท์หน่วยความจำ 273 GB/s — สำหรับโมเดลใหญ่มากๆ ความเร็ว decode จะถูกจำกัดด้วยแบนด์วิดท์ แต่ข่าวดีคืออัปเดตซอฟต์แวร์ของ NVIDIA (TensorRT-LLM + speculative decoding) ต้นปี 2026 เพิ่มความเร็วได้สูงสุดถึง 2.5 เท่า จากตอนเปิดตัว และโมเดลระดับ 7–20B ที่คนใช้งานจริงส่วนใหญ่ก็รันลื่นมากอยู่แล้ว
• โลกของ ARM64 — Spark ใช้ซีพียู Arm ซอฟต์แวร์ AI ยอดนิยมอย่าง Ollama, llama.cpp, LM Studio, vLLM ใช้ได้ตั้งแต่วันแรก ส่วนงานที่ซับซ้อนกว่านั้นใช้ Docker (NGC container ของ NVIDIA) ก็จบ — เรื่องพวกนี้เราตั้งค่าให้พร้อมใช้ได้เลย
• พื้นที่เก็บข้อมูล — เลือกรุ่นความจุ 4TB ตั้งแต่แรก ก็จบเรื่องพื้นที่ในครั้งเดียว (ASUS Ascent GX10 ที่เราจำหน่ายเป็นรุ่น 4TB)

ซื้อ DGX Spark ในไทยได้ที่ไหน

DGX Spark มีให้เลือกหลายเวอร์ชันจากพันธมิตร OEM ของ NVIDIA — ASUS, Dell, GIGABYTE, HP, Lenovo, MSI และ Acer — ซึ่งข้างในเป็นชิป GB10 และหน่วยความจำรวม 128 GB เหมือนกันทุกเวอร์ชัน ให้พลังประมวลผลเท่ากันทุกประการ สิ่งที่ต่างคือดีไซน์ ระบบระบายความร้อน และบริการหลังการขายในประเทศ ซึ่งเป็นเรื่องที่สำคัญที่สุดสำหรับการใช้งานจริง

สำหรับตลาดไทย เวอร์ชันที่เราแนะนำคือ ASUS Ascent GX10 — DGX Spark เวอร์ชัน ASUS ที่ให้พลังเท่าเดิมทุกอย่าง (ชิป GB10, หน่วยความจำรวม 128 GB, SSD 4TB) แต่ได้ความอุ่นใจแบบซื้อในไทย

คุ้มค่าไหม เมื่อเทียบกับเช่าคลาวด์?

คำถามที่ตามมาเสมอคือ “จ่ายก้อนเดียวแพงขนาดนี้ สู้เช่า GPU คลาวด์เป็นรายชั่วโมงไหวไหม?” คำตอบขึ้นอยู่กับว่าคุณใช้หนักแค่ไหน แต่ตัวเลขจากผู้ผลิตและผู้ใช้จริงชี้ไปทางเดียวกัน — ถ้าคุณใช้ประจำ การมีเครื่องเองคุ้มกว่ามาก:

• คืนทุนใน 4 เดือน: Lenovo ทำ TCO analysis ปี 2026 พบว่าการรัน AI บนเครื่องตัวเอง (on-prem) คืนทุนภายในไม่ถึง 4 เดือนสำหรับงานที่ใช้หนัก และในระยะยาว ถูกกว่าคลาวด์ API ถึง 18 เท่า ต่อล้านโทเค็นเมื่อคิดอายุการใช้งาน 5 ปี
• จุดคุ้มทุนอยู่ไม่ไกล: การประเมินของ Appforge ชี้ว่า Spark คุ้มกว่าการเรียก API คลาวด์เมื่อคุณใช้เกิน ~8.5 ล้านโทเค็นต่อเดือน — ปริมาณที่ทีม AI เล็กๆ ทำถึงได้ไม่ยาก
• ค่าไฟต่ำจนน่าตกใจ: Spark กินไฟจริงราว 100 วัตต์ ค่าไฟต่อเดือนน่าจะไม่ถึง 200 บาท — น้อยกว่าคอมพิวเตอร์ตั้งโต๊ะเล่นเกมทั่วไปด้วยซ้ำ
• ไม่มีค่าขนส่งข้อมูล: ข้อมูลอยู่บนเครื่องคุณ ไม่ต้องจ่ายค่า egress ไม่ต้องรออัปโหลด dataset ทุกครั้งที่จะเทรน

และยิ่งคุณใช้งานหนักเท่าไหร่ ก็ยิ่งคุ้มเร็วเท่านั้น สำหรับทีมที่ fine-tune โมเดลหรือรัน AI agent เป็นประจำ Spark จ่ายค่าตัวเองคืนได้ภายในไม่กี่เดือน แล้วหลังจากนั้นคือกำไรล้วนๆ — เครื่องเป็นของคุณ ข้อมูลอยู่กับคุณ และไม่มีบิลคลาวด์วิ่งทุกนาทีอีกต่อไป

สรุป: DGX Spark เหมาะกับใคร?

ถ้าคุณตอบ “ใช่” แม้แต่ข้อเดียวในสามข้อนี้ DGX Spark คือเครื่องที่ตอบโจทย์คุณ:

DGX Spark คือหนึ่งในการลงทุนที่คุ้มที่สุดสำหรับคนทำ AI จริงจัง — มันย่อพลังของเซิร์ฟเวอร์ AI ทั้งตู้ให้เหลือกล่องเดียวบนโต๊ะ ด้วยค่าไฟเดือนละไม่ถึง 200 บาท ข้อมูลที่ไม่เคยออกจากห้องคุณ และพร้อมทำงานได้ทันทีตั้งแต่วันแรก ไม่ต้องรอรุ่นหน้า เพราะทุกวันที่คุณเริ่มช้า คือทุกวันที่คู่แข่งนำหน้าไปก่อน

อภิธานศัพท์ (Glossary)

Unified Memory (หน่วยความจำรวม)

หน่วยความจำก้อนเดียวที่ซีพียูและจีพียูใช้ร่วมกันได้โดยไม่ต้องคัดลอกข้อมูลไปมา ทำให้รันโมเดลใหญ่ได้ทั้งก้อน

พารามิเตอร์ (Parameter) / 70B, 200B

ตัวเลขที่บอกขนาดของโมเดล AI ยิ่งมากยิ่งฉลาดแต่ยิ่งกินหน่วยความจำ “70B” = 70,000 ล้านพารามิเตอร์

Fine-tuning / QLoRA

การปรับแต่งโมเดลสำเร็จรูปให้เข้าใจข้อมูลเฉพาะของคุณ QLoRA คือเทคนิคที่ใช้หน่วยความจำน้อย ทำให้ปรับโมเดลใหญ่บนเครื่องเล็กได้

Quantization (การลดความละเอียด)

การบีบโมเดลให้เล็กลงโดยลดความละเอียดของตัวเลข เช่นจาก 16-bit เหลือ 4-bit เพื่อให้พอดีกับหน่วยความจำและรันเร็วขึ้น

FLOP / TOPS / โทเค็นต่อวินาที (tok/s)

FLOP และ TOPS วัดความเร็วประมวลผลดิบ ส่วน “โทเค็นต่อวินาที” วัดว่า AI สร้างข้อความได้เร็วแค่ไหน (มนุษย์อ่านราว 5–10 โทเค็น/วินาที)

Prefill vs Decode

Prefill = ช่วงที่ AI อ่านและเข้าใจคำถาม (ต้องการ compute) Decode = ช่วงสร้างคำตอบทีละคำ (ต้องการแบนด์วิดท์)

แหล่งอ้างอิง

• หนังสือ DGX Spark (คู่มือภาษาไทย) — สถาปัตยกรรม GB10, การ fine-tune, การเปรียบเทียบคู่แข่ง และกรอบการตัดสินใจซื้อ
• NVIDIA DGX Spark — หน้าผลิตภัณฑ์อย่างเป็นทางการ
• NVIDIA DGX Spark Review: $4,699 Price & Benchmarks — IntuitionLabs
• How DGX Spark’s Performance Enables Intensive AI Tasks — NVIDIA Technical Blog
• DGX Spark price increase — NVIDIA Developer Forums

หมายเหตุ: ตัวเลขประสิทธิภาพบางส่วนเป็นค่าที่ผู้ผลิตประกาศหรือมาจากการทดสอบของบุคคลที่สาม ซึ่งอาจแตกต่างกันตามการตั้งค่าและเวอร์ชันซอฟต์แวร์ ราคาและความพร้อมจำหน่ายอาจเปลี่ยนแปลงได้ โปรดตรวจสอบข้อมูลล่าสุดอีกครั้งก่อนตัดสินใจซื้อ