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（10月21日）で、ローカルAI機の棚を3段に整えた。Windowsノートの RTX Spark、Linux開発機のDGX Spark（64GB版が10月23日から出荷）、そして 748GBのコヒーレントメモリと最大20ペタフロップスを載せるDGX Stationである^[1]。 本紙が見るべきはスペックではなく、同時に公開されたロボット向けのオープンソース参照ワークフロー3本だ。 GR00T 1.7の強化学習による後学習、巧緻マニピュレーションの訓練、Cosmos世界モデルの後学習による合成データ生成 —— つまりロボット学習の後工程が、共有クラスタの順番待ちから机の上の1台へ降りてきたことになっている^[1]。 ただしNVIDIAは、その3本がどれだけの時間で回るのかを1つも公表していない。 降りてきたのは工程表であって、見積もりではない。

1. 3段の棚 —— 何が、いつから買えるのか#

発表は新アーキテクチャの公開ではなく、既に出ている製品の品揃えと出荷日の確定である。 RTX Sparkは10月16日発売で、GTC Berlinの時点でASUS・Dell・HP・Lenovo・Microsoft・MSIから入手可能、Acerは後日とされた^[1,2]。 DGX Sparkは64GB構成が10月23日からパートナー各社で順次出荷、DGX Stationは同日時点で出荷中である^[1]。

RTX Sparkは、BlackwellのRTX GPUとGrace CPUを1つのスーパーチップに載せ、最大128GBのユニファイドメモリと 最大1ペタフロップスのFP4性能を持つ^[2]。DGX Spark 64GBはGB10 Grace Blackwell Superchipを使う^[2]。 本紙は発売時点のRTX Sparkのスペックと価格を半導体・GPUの月次総括で既に扱っている。 今回の表で新しいのは、その上下に64GBと748GBの段が付いたことだ。

メモリ帯域幅、消費電力、DGX Spark 64GB・DGX Stationの価格は、今回の2本の発表のいずれにも書かれていない。 埋められない欄は「—」にしてある。推測で埋めない。

2. ロボット向けに公開された3本のワークフロー#

NVIDIAは、GPT-6 Astra・Isaac Lab・Isaac Lab-Arena・CosmosをDGX Stationに持ち込む オープンソースの参照ワークフローを3本公開した^[1]。GPT-6世代のモデルが ロボット側の工程表に組み込まれた形で出てきたのは、本紙の見るところ今回が初めてである。

3列目まではNVIDIAの発表どおりに書ける。4列目が全部空である。強化学習による後学習は、 何本のサンプルを何時間回したかで結果が変わる工程であって、「DGX Stationで動く」は 「DGX Stationで足りる」を意味しない。NVIDIAは所要時間も、共有クラスタと比べた反復回数も出していない。 発表が言っているのは、専用の計算機を手元に置けば共有インフラの順番待ちがなくなり反復が短くなるという定性的な主張までである^[1]。

フアンが見せたのは、アヒルの歩行だった

GTC Berlinの基調講演で、NVIDIA創業者兼CEOのジェンスン・フアンは、RTX Spark上で動くAIエージェントが Hugging FaceのMicroduckロボットを訓練する様子を見せた^[1,2]。 10月28日の続報が工程を具体的に書いている。Hermes AgentとNemotron 3.5 Boltが RTX Spark上で障害物コースを設計し、Astraが3Dアセットを作り、Isaac Labがナビゲーションのポリシーを訓練し、 同じRTX SparkがIsaac Simで検証する^[2]。

この一連が1台のノートPCで閉じているのは事実として重い。だが対象は399ドルのアヒル型二足機であり、 学習したのは移動のポリシーである。人型機の巧緻操作やGR00Tの後学習は、 ノートではなく748GB側の棚に置かれている^[1]。同じ「ローカルAI」の語でくくられているが、 机の上に降りたのはどの工程までか、発表自身が機種で切り分けている。

3. 公表された高速化は、どれも条件付きである#

推論側では倍率が出ている。ただし全てモデルと機種が指定された測定であり、ロボットのポリシー推論の数字ではない。

発表側が自分で不利な比較を書いている箇所もある。10月28日に公開された音声モデルNemotron 3.5 Transcribeは、 Hugging FaceのOpen ASRで1位だが、Artificial Analysisではオープンウェイトモデル中2位である^[2]。 活性パラメータは約43億で、1位のオープンウェイトモデルより80%少ないという条件付きの主張だ^[2]。 量子化版は「近日」とされ、RTX Spark・DGX Spark・Jetson AGX Thorでのローカル実行はまだ先である^[2]。

4. 同じ日、クラウド側は96万GPUの話をしていた#

机上機の発表と同じ10月21日、NVIDIAはGoogle CloudのA5Xインスタンス（Vera Rubin NVL72、ConnectX-9 SuperNIC、 Google Cloud Virgo Network、第4世代液冷の組み合わせ）を発表した^[3]。 Google Cloudは、複数拠点にまたがってVera Rubin基盤を最大96万基のRubin GPUまで拡張する計画だとされる^[3]。 最初の顧客はAlphaGoを作ったDavid Silverが創業したIneffable Intelligenceで、 大規模な強化学習と、経験から継続的に学ぶ「superlearner」の研究に使うという^[3]。

ここにNVIDIA自身の書きぶりの食い違いがある。見出しは「一般提供（GA）の発表」だが、 本文はインスタンスの一般提供は来月で、欧州への展開は計画段階だと書いている^[3]。 A5XはまだGAではない。本紙はこの種のずれを、発表の熱量と出荷の実態の差として記録しておく。

もう1つ、WPPの事例に数字でない形の主張がある。従来は複数ノードのクラスタを要した処理が 1つのA5Xインスタンスで動いた、というものだ^[3]。ただしこれは初期テストでの結果とされ、 処理内容も比較対象のノード数も書かれていない^[3]。ネオクラウド側の受注と同様、 「1台に収まった」は構成を明示しない限り検証できない主張である。

5. フィジカルAIから見て何が変わったか#

変わったのは計算の値段ではなく、反復の所有権である。Sim2Realの工程は、方針を直して回し直す回数で品質が決まる。 共有クラスタでは、その回数が予約の空きで決まっていた。DGX Stationは、後学習・シミュレーション・評価の専用計算を チームの手元に置くと謳う^[1]。同じ考えの延長として、NVIDIA Cloud FunctionsがLinux版DGX Stationに早期アクセスで入り、 ローカルのモデル端点をOpenAI互換の入口1つで共有できるようになる^[1]。 アプリ側のコードを変えずに背後のモデルを差し替えられる、という構成だ^[1]。

もう1つは、VLAのようにメモリを食うモデルを「実機の横」で動かす選択肢が、 4GBから1TBまで連続的に並んだことである。Nemotron 3.5 Bolt E4Bは最小4GBで動き、GeForce RTXとJetsonを含む 機器で動く^[1,2]。上はDGX Spark 8台の1TBである^[1]。 ロボットの開発では、机上の検証機と機体に載る推論機の間でモデルを行き来させる工程が常に発生する。 同じCUDAで上下に並んだ棚は、そこの移植コストに効く。

反面、今回の発表で robotics 向けに具体化したのは3本のワークフローと1つのデモだけであり、所要時間・サンプル効率・量子化後の成功率という、採否を決める3つの数字はいずれも出ていない。実機RLの実装で詰まるのは常にこの3つである。 導入を検討する側がやることは、ベンダーの倍率表を読むことではなく、自分のタスクで1反復の時間を測ることだ。

6. まとめ#

NVIDIAは10月、ローカルAI機を4GBから1TBまで1本の系列に揃え、その上にロボット学習の後工程を オープンソースのワークフローとして載せた^[1,2]。 フアンが基調講演で見せたのは、ノートPC1台で完結するアヒル型ロボットの歩行学習だった^[1,2]。 だが人型機の巧緻操作とGR00T 1.7の後学習は748GBの機械の側に置かれており、 そこで何時間かかるかは公表されていない^[1]。 同じ日のクラウド側の発表は96万GPUの計画を語り、しかも見出しのGAは本文では来月だった^[3]。 棚は整った。埋まっていないのは、その棚で足りるかどうかを判断するための数字である。