机の上に4台の輪ができた — NVIDIAがDGX Sparkの4ノードキットを発売、だが看板のHPC SDKプレイブックは「近日公開」で価格も帯域も非公表
SC26で発表されたDGX Spark HPC Developer Kitは、GB10搭載機4台を隣同士で直結したリング構成。4ノードで512GB・20TB、NVFP4なら700Bパラメータが載る。だが価格・消費電力・合計演算性能・ノード間帯域はどれも非公表で、4ノードのスケーリング効率を示す数値は1つも無い。最大の倍率「15倍」の出どころは計算の速さではなく、11時間の待ち行列が消えたことである。
執筆・編集責任:日本フィジカルAI新聞 編集部
NVIDIAが11月16日、シカゴで開かれているSC26に合わせてDGX Spark HPC Developer Kitを発表した。DGX Sparkを4台まとめ、 各ノードを隣の2台と直結したリング構成にしたもので、 ネットワークスイッチを買わずに済む[1]。 4ノードで合計512GBのメモリと20TBのNVMe、 NVFP4を使えば最大700Bパラメータのモデルを机の上で動かせるとされる[1]。 本紙が10月に扱ったDGX Spark複数台の構成は「手動のみ」だったから、 そこが製品になったという意味で前進である。 ただし発表文を読むかぎり、肝心のNVIDIA HPC SDKのプレイブックは「近日公開」で、 同じ記事の中で3度そう書かれている[1]。価格・ノード間帯域・合計演算性能・消費電力は1つも公表されていない。そして利用者事例で最も大きい数字——「結果が15倍早く出た」——の出どころは計算の速さではなく、11時間の待ち行列が消えたことだと、NVIDIA自身が書いている[1]。
1. 何が製品になったのか#
発表されたのはGPUでもチップでもなく、構成である。 中身はDGX Spark——フィジカルAIやローカルLLM向けに売られている GB10 Grace Blackwell Superchip搭載の机上機——を4台束ねたクラスタで、 各ノードがNVIDIA ConnectX-7で隣の2台と直結される[1]。 1ノードから4ノードまで、スイッチを買わず設定もせずに伸ばせることが売りだ[1]。
ここが本紙にとって意味を持つのは、ちょうど3週間前の状況との差である。 GTC Berlinの発表を扱ったとき、本紙はDGX Sparkは8台で1TBに届くが構成は手動のみだと書いた。 多ノードで使いたければ自分で配線と設定を引き受けるしかなかったものが、 今回、台数とトポロジを決め打ちした既製品として売り場に並んだ[1]。 展示はSC26で、販売はAcer、ASUS、Dell Technologies、GIGABYTE、H3C、HP、Lenovo、MSI、xFusionの OEM9社とNVIDIA Marketplace経由である[1]。
訴求されている利点は性能ではなく可用性だ。発表文が挙げるのは、 ジョブごとに共用GPUクラスタの順番待ちをしなくて済むこと、サーバ時間を本番実行に取っておけること、 未公表の結果や自前のデータセットを施設内に置いたままにできることである[1]。 速いから買うのではなく、いつでも空いているから買う機械という位置づけになっている。
2. 公表された数値と、公表されていない数値#
ハードウェアの発表としては、出ている数字が少ない。発表文に書かれている値と、 書かれていない項目を同じ表に並べる。埋まっていない欄は本紙が確認できなかったのではなく、NVIDIAが公表していないということである。
| 項目 | DGX Spark HPC Developer Kit(4ノード) | 出どころ |
|---|---|---|
| プロセッサ | GB10 Grace Blackwell Superchip | 公表 |
| ノード数・トポロジ | 4ノード/各ノードが隣の2台と直結するリング | 公表 |
| ノード間接続 | NVIDIA ConnectX-7(スイッチ不要) | 公表 |
| ノード間帯域 | — | 非公表 |
| 合計メモリ | 512GB | 公表 |
| ノードあたりメモリ | 128GB(512÷4、本紙算出) | 本紙算出 |
| 合計NVMe | 20TB | 公表 |
| NVFP4での最大モデル規模 | 700Bパラメータ(例: DeepSeek V4.1) | 公表 |
| 合計演算性能 | — | 非公表 |
| 消費電力 | — | 非公表 |
| 価格 | — | 非公表(OEM9社とNVIDIA Marketplaceで販売中) |
| NVIDIA HPC SDKのプレイブック | 近日公開 | 公表 |
ハードウェアの新製品として読むなら、この表の空欄は軽くない。 机上機のクラスタを検討する担当者が最初に出す問いは「1台いくらで、4台で何ワット引くのか」であり、 多ノードで学習を分散させるなら「ノード間は何Gb/s出るのか」である。 今回の発表文は、そのどれにも答えていない[1]。
3. リングという形は、何を節約して何を引き受けるのか#
「スイッチを買わず、設定もしなくていい」[1]のは実務上はっきり得である。 机の横に置く4台のために、スイッチの調達・設置・設定を通す必要がない。
その代わりに引き受けるものが形から決まる。4ノードのリングでは、 各ノードが直結しているのは3台のうち2台で、残る1台——輪の向かい側——へは 中継が1回入る。スイッチで全対全が繋がる構成とは、ここが構造的に違う。 学習や並列シミュレーションで繰り返し走る全体集約(all-reduce)の効率は、 この形とリンク帯域で決まる。
そしてNVIDIAは今回、その測定値を1つも出していない。 4ノードで走ることを示した例として挙がっているのは、材料シミュレーションのLAMMPS(Kokkos併用)と 分子動力学のNAMDの2本だが、どちらも「動いた」という記述で、 所要時間もスケーリング効率も書かれていない[1]。 1ノードから4ノードへ伸ばしたときに何倍になるのかは、公表された材料からは分からない。
4. 「15倍早く」の出どころは待ち行列である#
発表文に並ぶ利用者事例のうち、倍率が付いているのは1件だけで、それが最も目を引く数字になっている。 カリフォルニア大学バークレー校IGIのRubin Labは、DGX SparkとNVIDIA Evo 2で ゲノム配列から細菌の形質を予測する研究を進めており、 ゲノムとタンパク質の言語モデルから得た埋め込みを従来の基準手法と比べている[1]。 そこで「11時間のクラスタ待ち行列が無くなったことで、結果が15倍早く出た」と書かれている[1]。
この15倍は計算が15倍速いという意味ではない。NVIDIAの書き方自体が、 短縮の原因を待ち時間の消滅に置いている[1]。 共用クラスタで11時間待ってから30分走るのと、手元で待たずに30分走るのでは、 着手から結果までの時間は大きく変わる。だが機械の速さの比較ではない。 同じ性質の記述はもう1件ある。バークレー校のHartwig Groupは Nemotron 3 Super 120B-A12BのLoRA微調整を行い、NVFP4量子化によって120B級のモデルを1台に収めたうえで、数日のクラスタ待ちを回避し、8〜24時間の学習を連続して回せるようになったとされる[1]。 ここでも売られているのは速度ではなく占有である。
| 事例 | 規模 | 公表された数値 | 短縮の出どころ |
|---|---|---|---|
| Rubin Lab(UC Berkeley IGI)/Evo 2 | 1台 | 結果が15倍早く出た | 11時間の待ち行列の消滅 |
| Hartwig Group(UC Berkeley)/Nemotron 3 Super 120B-A12B | 1台 | 8〜24時間の学習を連続実行 | 数日のクラスタ待ちの回避+NVFP4で1台に収容 |
| Kvantify/cuQuantum | 1台 | 70量子ビット・975ゲートのテンソルネットワーク計算 | 比較対象の提示なし |
| CYRAN AI(IIT Delhiスピンアウト)/PixelFlux | 非公表 | — | JPEG 2000復号の高速化(倍率なし) |
| OpenFold/OpenFold3の微調整 | 非公表 | — | タンパク質・リガンド構造予測の改善(数値なし) |
| LAMMPS(Kokkos)/NAMD | 4台 | — | 4ノードで動作したという記述のみ |
5件のうち4件が1台での事例で、今回の新製品である4ノード構成を使ったのは LAMMPSとNAMDのデモだけである[1]。 キットの価値を示す材料として並べられた数字の大半は、 単体のDGX Sparkでも成り立つ話だということになる。
5. 700Bという上限に付いている但し書き#
最も訴求力のある数字は「NVFP4で最大700Bパラメータ」[1]である。 700Bを4ビット相当で持てば重みは約350GB——本紙の計算——で、 512GBの中に入る。例として名前が挙がっているのはDeepSeek V4.1である[1]。
ただし、この一文に付くべき但し書きが発表文には無い。NVFP4量子化後の精度低下は示されていない。トークン生成速度も、最初の1トークンまでの時間も、 4ノードに跨がせたときの通信待ちも、数値は1つも出ていない[1]。 さらに実務上は、重み以外にVLAやLLMの推論で必要な KVキャッシュと活性化が同じメモリから取られる。 「700Bが載る」は「700Bが使える速さで動く」とは別の主張であり、 後者を支える数字は今回提示されていない。
本紙は過去のNVIDIA発表でも同じ形を見ている。Vera RubinのMLPerf初登場では 電力あたり処理量が10倍超と見出しに立つ一方、脚注のTTFT P90は前世代の2倍遅かった。Jetson Orin Nano 2では 「2倍」と「電力40%減」が別の動作点で測られていた。 容量の数字が先に出て、締切の数字が後から出る——この順序自体が、 NVIDIAのローカル機の売り方の特徴になっている。
6. プレイブックが「近日公開」であること#
このキットが既存のDGX Spark 4台と違うところは、ハードウェアではなくソフトウェアの束である。 NVIDIA HPC SDK——スーパーコンピュータで使われているのと同じGPU対応のC・C++・Fortranコンパイラ、 ライブラリ、MPIツール群——を4ノードに入れるためのインストール用プレイブックが付く、 というのが発表の骨格だ[1]。
そのプレイブックが、記事の中で3度「近日公開」と書かれている[1]。 冒頭、本文中、そして末尾である。製品は今日から買えるが[1]、 製品を既存の4台束ねと差別化する部分は、まだ出ていない。 FP32と混合精度の算法を試す手順も、LAMMPSをKokkos併用で回す手順も、 「公開されたら」使えるようになると書かれている[1]。
同時にRunning on DGX Sparkとして、Nemotron 3.5 Super VLの 公開データセットと事後学習レシピが出ている[1]。 これは実際に使える成果物だが、対象はライフサイエンスと化学である[1]。
7. フィジカルAIから見ると、この発表には何が無いか#
本紙の読者にとって重要なのは、この発表にロボティクスの語彙が1つも出てこないことである。 GR00T、Isaac Sim、Isaac Lab、sim2real、模倣学習—— DGX Sparkがこれまで机上のロボット学習機として売られてきたときの言葉が、今回は全部欠けている。 代わりに並ぶのは、材料シミュレーション、分子動力学、流体、気象、タンパク質構造、量子化学、 衛星画像の復号である[1]。 本紙が10月に扱ったGR00T 1.7の参照ワークフローの線とは、 明確に別の方向を向いている。
それでもこのキットがフィジカルAIの実務に効く筋は、1本だけはっきりしている。待ち行列を消すこと自体が、ロボット基盤モデルの開発で最も効く変数だという点だ。 VLAの事後学習は、データを少し足して回し、成功率を見て、報酬やデータ構成を直してまた回す作業の繰り返しである。 1回の学習が8〜24時間で、それを連続して回せるという事例[1]は、 まさにこの形の仕事を指している。Hartwig Groupが化学でやっていることは、 構造としてはロボットの方策微調整と同じだ。回数を増やせることは、速さより効く。
逆に、効かない方向もはっきりさせておく。ロボットに載せる推論機としては、この製品は対象外である。机上の4ノードリングは機体に積めず、消費電力も公表されていない[1]。 実時間の制御周期を論じる材料は何も出ていない。 そこは本紙がThorとSparkの違いで 整理したとおり、Jetson側の領分である。
もう一点、同日のSC26発表との関係を記録しておく。 NVIDIAは同じ日に科学・工学向けの新GPU「Rubin HPC」を発表しているが、 提供見込みは2028年である[2]。本紙も報じたとおりで、 今日の設備計画に入る対象ではない。 その2年の空白を、既存チップの机上クラスタで埋めにきたのが今回のキットだと読める。 新しい演算能力を売っているのではなく、既にあるGB10に、順番待ちしない時間を付けて売っている。
8. まとめ — 評価を保留すべき欄が多すぎる#
整理する。前進したことは、DGX Sparkの多ノード構成が手動の工作から 既製品になり、OEM9社の流通に乗ったことである[1]。 4ノードで512GB・20TB、NVFP4で700B級という上限も、机の上の数字としては大きい[1]。 施設内にデータを置いたまま回せるという点[1]は、 公表前の実験データや自前のロボット走行データを扱う現場では実利がある。
保留すべきことは、それより多い。価格・消費電力・合計演算性能・ノード間帯域が非公表で、 4ノードのスケーリング効率を示す数値が1つも無い。 看板のHPC SDKプレイブックは未公開[1]。 量子化後の精度も推論速度も示されていない。 そして最大の倍率である15倍は、機械の速さではなく待ち行列の消滅から出ている[1]。
本紙はこの製品を否定しない。研究者が自分の机で待たずに回せることの価値は実際にある。 ただし「机が研究所になる」かどうかを判断するには、 上の空欄が埋まるのを待つ必要がある。少なくともプレイブックが公開され、 4ノードでの実測が出てから書く話が、もう1本あるということだ。
出典
- 1.NVIDIA DGX Spark Developer Kit Turns a Desk Into a Supercomputing Lab — NVIDIA Blog、2026-11-16一次情報
- 2.NVIDIA Announces Rubin HPC — A New GPU to Accelerate Agents for Science, Engineering and Analytics — NVIDIA Blog、2026-11-16一次情報
週刊ニュースレター
今週のフィジカルAIを日本語で。重要ニュース5本・日本/中国・Research Picks・今週の公募。無料、いつでも解除できます。
同じテーマのコラム
- Vera RubinがMLPerfに初登場し、電力あたり10倍を出した — 同じ脚注に、最初の1トークンまでが2.03倍遅いと書いてある
NVIDIAが11月16日、SC26に合わせてVera RubinのMLPerf初結果を公表した。Training v6.1は全ベンチマーク制覇、GPUあたり最大2倍。新設のMLPerf Endpointsではエージェント推論の電力あたり処理量がGB300 NVL72の10倍超(本紙算出で11.1倍)。だが同じ脚注に、Vera Rubin側のTTFT P90は4,673.9ミリ秒、GB300は2,305.1ミリ秒とある。同時実行数は1,024対48で21.3倍違い、Vera Rubin側はMLCommonsの検証が済んでいない暫定値で、GB300側だけが検証済みである。今回最大規模の10,240GPU実行もVera RubinではなくGB300だった。同日発表のRubin HPCは単一GPUで5万超のCUDAコアを名乗るが、公表された定量スペックはそれ1点で提供は2028年。LambdaのPhotonics事例は遅延4〜10%減でスループットは据え置き、買っているのは電力効率5倍と信頼性15倍である。ロボット基盤モデルの学習に効くものと、推論の締切に効かないものを一次情報だけで仕分ける。
- Jetson AGX ThorとDGX Sparkは何が違う?128GBでもロボット・LLMで選択が変わる理由
ThorとSparkの仕様、国内税込価格、CAN・センサー入力、MIG、リアルタイムカーネル、電力値を一次資料で照合。OpenShellへの導入案とLLM・VLAの測り方を、用途ごとに整理する。
- ロボットの後工程が机の上に降りた — DGX Stationは748GB・20ペタフロップス、だが公開された3本のワークフローに所要時間が1つも書かれていない
NVIDIAがGTC Berlinでローカル機の棚を3段に揃えた。RTX Spark(最大128GB・最大1PFLOPS FP4・2,599ドルから)、DGX Spark 64GB(GB10、10月23日出荷、8台で1TBだが構成は手動のみ)、DGX Station(748GB・最大20PFLOPS)。同時にGR00T 1.7のRL後学習・巧緻操作・Cosmos後学習の参照ワークフローが公開されたが、所要時間もサンプル効率も量子化後の成功率も非公表である。フアンがノートPCで見せたのは399ドルのアヒル型機の歩行学習だった。同じ日のA5X発表は見出しがGAで本文は「来月」である。
- 韓国の「主権AI」は、NVIDIAのラックに自国NPUを差すかたちで設計された — NVLink FusionにRebellions R200が繋がるが、配備は2028年でスペックは1つも公表されていない
NVIDIA・Rebellions・SK Telecomが11月8日、NVLink Fusionで韓国の主権AI基盤を作る協業を発表した。次世代NPU Rebel R200をNVLinkのスケールアップ網に繋ぎ、ラックはMGXを使い、推論はprefillをGPU・decodeをNPUに割る構想まで書かれている。だがR200の定量スペックは容量・帯域幅・演算性能・電力・価格のいずれも無く、配備可能見込みは2028年、主要な動詞はすべて「計画」である。接続規格を開くことが、他社シリコンの載る床をNVIDIAが敷くことになっている構図を一次情報だけで整理する。
本コラムはAIを活用して作成・編集し、編集責任は本紙編集部が負います。原典との照合と、掲載後の訂正を行っています。 誤りの指摘は歓迎します。関連する自動生成のニュースはニュースへ。
