RTX Spark e AI in locale: conviene aspettare ottobre?

NVIDIA RTX Spark è il processore che porta la memoria unificata e CUDA dentro portatili e mini PC Windows, con l'obiettivo dichiarato di far girare in locale modelli AI fino a 120 miliardi di parametri. Annunciato a Computex, a IFA 2026 è diventato concreto: i primi portatili e desktop compatti arrivano a fine ottobre.

Se stai decidendo che computer comprare per l'AI in locale, questa è la domanda giusta da farsi adesso.

Da mesi scrivo di hardware per LLM locali: ho confrontato DGX Spark e i mini PC AMD, ho fatto i conti su quando l'AI in locale conviene davvero e ho messo in tabella quanta RAM serve per ogni modello. RTX Spark sposta alcune di quelle conclusioni.

In questo articolo ti dico quali, con i numeri che si conoscono oggi e senza inventare quelli che NVIDIA non ha ancora comunicato.

Cos'è RTX Spark in due righe

RTX Spark è un system-on-chip NVIDIA per PC Windows on ARM: CPU Grace con core ARM, GPU Blackwell RTX con CUDA nativo e memoria unificata condivisa tra CPU e GPU fino a 128 GB. È la versione consumer e prosumer del GB10 che equipaggia il DGX Spark, con piccole differenze nel silicio, e arriva sul mercato a fine ottobre 2026 su portatili e mini PC di ASUS, Lenovo, Acer e altri produttori.

La sostanza è questa: NVIDIA ha preso l'idea che Apple ha reso popolare con Apple Silicon, tanta memoria condivisa che la GPU può usare direttamente, e l'ha unita all'ecosistema software che gli sviluppatori AI usano da dieci anni.

Su un PC tradizionale con scheda video dedicata, il limite per gli LLM è la VRAM: 16 o 24 GB nella maggior parte dei casi. Con 128 GB unificati, quel limite si sposta di un ordine di grandezza.

Le due versioni: N1X e N1

RTX Spark debutta con due chip. Le differenze contano più di quanto sembri, perché determinano quali modelli riesci a caricare.

• N1X: GPU Blackwell RTX da 6.144 core CUDA, CPU Grace a 20 core, memoria unificata configurabile da 24 a 128 GB. Disponibile sia sui portatili sia sui desktop compatti.
• N1: GPU da 5.120 core, CPU Grace a 18 core, memoria da 24 a 32 GB. Per ora solo sui portatili.

Le prestazioni grafiche dichiarate sono allineate a una RTX 5070 Ti da portatile, ma con un rapporto prestazioni/consumi molto più favorevole. La potenza AI massima è di 1 petaflop in FP4.

Tre dati mancano ancora all'appello: consumi effettivi, autonomia dichiarata e prezzi. Nessun produttore li ha comunicati, e questo è il primo motivo per cui la risposta alla domanda del titolo non può essere un sì secco.

Perché la memoria conta più dei TOPS

Se hai seguito i miei articoli sull'AI in locale, questa parte la conosci: il collo di bottiglia per un LLM non è la potenza di calcolo nominale, è quanta memoria hai e a che velocità la GPU la legge. Un modello da 30 miliardi di parametri quantizzato a 4 bit occupa circa 18-20 GB solo per i pesi.

Le NPU da 40 o 50 TOPS dei PC Copilot+ lavorano bene per i piccoli modelli sempre attivi, non per far girare un modello di quella taglia mentre un agente orchestra cinque sotto-task.

RTX Spark è la prima piattaforma Windows costruita esplicitamente su questa premessa. È anche il motivo per cui la versione N1 da 32 GB è, per l'AI in locale, molto meno interessante della N1X: con 32 GB condivisi tra sistema operativo, applicazioni e modello resti nella fascia dei modelli da 14-27 miliardi di parametri. È la stessa fascia che copri già oggi con una buona GPU dedicata.

I computer RTX Spark annunciati a IFA 2026

La lista dei prodotti presentati a Berlino serve a capire in che fascia si gioca la partita.

• ASUS ProArt P16 e P14: portatili workstation costruiti da zero attorno al chip, chassis in alluminio lavorato CNC. Il P16 pesa 1,77 kg con 12,9 mm di spessore e batteria da 99 Wh; il P14 pesa 1,48 kg con batteria da 90 Wh. Display OLED calibrati, 4K 120 Hz sul P16 e 3K 120 Hz sul P14.
• ASUS ProArt GR1X: mini PC da 150 x 150 x 51 mm con N1X fino a 128 GB, pensato per restare acceso 24 ore su 24 come agente sempre disponibile. Ethernet 10 GbE, Wi-Fi 7, fino a quattro display 4K. È il concorrente diretto del Mac Studio.
• Acer SFF RTX Spark: desktop compatto con le stesse specifiche massime della piattaforma, fino a 128 GB.
• Lenovo Yoga Pro 9n: portatile da 15 pollici con memoria unificata fino a 128 GB e display OLED. Lo Yoga 9n 2-in-1 da 16 pollici si ferma a 64 GB.

Per chi cerca una macchina per l'AI in locale, i prodotti da guardare sono tre: GR1X, Acer SFF e Yoga Pro 9n. Sono gli unici che arrivano a 128 GB.

Prezzi: cosa si sa e cosa no

Nessun prezzo ufficiale. Quello che posso fare è mettere in fila i riferimenti reali di mercato per capire la fascia probabile, che è quello che farei io prima di decidere.

Se un mini PC RTX Spark da 128 GB si posizionasse tra 3.000 e 4.000 euro, sarebbe l'offerta più aggressiva per l'inferenza locale con CUDA.

Il rischio concreto è che il costo delle memorie, che nel 2026 continua a salire come ho raccontato nell'articolo sui prezzi della RAM, lo spinga nella fascia del DGX Spark e del Mac Studio. A quel punto il confronto si sposta su architettura, consumi e software, non sul prezzo.

RTX Spark contro Mac Studio e Ryzen AI Max: la scelta vera

La domanda che mi arriva più spesso su WhatsApp non è "RTX Spark è potente?", è "cosa compro?". Nel 2026 le opzioni per 128 GB di memoria unificata sono tre e ognuna ha un punto forte diverso.

Ryzen AI Max+ 395: il prezzo

I mini PC con Ryzen AI Max+ 395 e 128 GB costano meno della metà delle alternative e fanno girare modelli da 120 miliardi di parametri. Il limite è la banda di memoria e l'ecosistema software: ROCm e Vulkan funzionano, ma molti strumenti nascono su CUDA e ci arrivano dopo, se ci arrivano.

Mac Studio M5 Max: la piattaforma matura

Apple ha memoria unificata, consumi bassi e MLX, un framework ormai supportato da un numero crescente di progetti. Chi lavora già su Mac e usa modelli locali per coding e scrittura ha una piattaforma collaudata. Paga di più e resta fuori dall'ecosistema CUDA.

RTX Spark: CUDA senza compromessi

Il vantaggio non è l'hardware in sé, è che CUDA gira nativamente. TensorRT, i container NVIDIA, le pipeline che uso su workstation e server funzionano sulla macchina personale senza porting. Per chi costruisce agenti, sistemi RAG o servizi locali, è la differenza tra "funziona subito" e "funziona quando qualcuno lo porta su un altro backend".

C'è un dettaglio da chiarire prima di comprare: RTX Spark viene presentato come piattaforma Windows on ARM. Il DGX Spark usa una distribuzione Linux ottimizzata per l'AI; sui sistemi RTX Spark dovrebbe essere possibile installarla in dual boot, ma senza supporto ufficiale. Per chi vuole un server headless da lasciare acceso, questa incognita pesa quanto il prezzo.

PAIR: la casa come piccolo data center

Insieme a RTX Spark, NVIDIA ha rilasciato PAIR (Personal AI Router), software gratuito e open source con licenza Apache 2.0. Funziona come un router virtuale: installato su ogni PC compatibile nella rete locale, individua gli altri nodi e indirizza ogni richiesta di inferenza al computer più libero, tenendo conto della coda di lavoro e dell'uso GPU in tempo reale.

Due precisazioni che evitano fraintendimenti:

• PAIR non unisce le GPU in un acceleratore più grande e non divide un modello su più macchine. Ogni richiesta viene eseguita per intero su un solo nodo.
• Il caso d'uso è multi-agente: un agente principale che delega a più sotto-agenti in parallelo. Nella demo NVIDIA, un task diviso su cinque sotto-agenti e tre macchine passa da 9,8 a circa 5 minuti.

La beta è già disponibile per Windows, macOS e Linux, con interfaccia grafica e da terminale, ed è compatibile con le GeForce RTX dalla serie 20 in su, con le RTX PRO da Turing in poi, con il DGX Spark e con i Mac dal chip M4.

Se hai già due macchine NVIDIA in casa o in studio, PAIR è la cosa più utile di tutto l'annuncio e puoi provarla oggi, senza aspettare ottobre.

Gli agenti locali diventano da installare in un click

La parte meno appariscente dell'annuncio è quella che cambia di più l'esperienza quotidiana. Fino a oggi far girare un modello in locale voleva dire scegliere il modello, la quantizzazione e il motore di inferenza, poi configurare tutto a mano. Tre strumenti stanno rimuovendo questo passaggio, e non solo su RTX Spark:

• Hermes Agent introduce il setup in un click: selezioni "modelli locali" durante l'onboarding e l'app sceglie, scarica e configura il modello adatto alla tua GPU.
• OpenClaw 2.0 porterà lo stesso meccanismo sulle GPU NVIDIA con almeno 24 GB di VRAM su Windows entro fine settembre.
• Perplexity estende a settembre il suo agente locale dal DGX Spark alle GPU RTX su Windows e Linux, con passaggio libero tra locale e cloud nella stessa app.

Questo è il punto su cui aggiorno la mia posizione. Quando ho scritto che il miglior LLM in locale non è quello in cima alla classifica, il problema era la scelta: modello, quantizzazione, backend.

Se il setup automatico funziona come promesso, quella barriera cade per chi non vuole passare un pomeriggio su Ollama e llama.cpp. Lo verificherò appena le versioni saranno disponibili.

Allora, conviene aspettare ottobre?

Dipende da cosa vuoi fare e da cosa hai già. La mia risposta per i tre profili che incontro più spesso.

Se compri un portatile per l'AI in locale: sì, aspetta

Un portatile Windows con 128 GB di memoria unificata e CUDA nativo oggi non esiste. Comprare adesso un portatile con RTX dedicata da 16 GB per far girare LLM significa acquistare un prodotto che tra otto settimane avrà un'alternativa molto più capace.

Il consiglio vale anche se il prezzo sarà alto: puoi decidere di non comprare RTX Spark, ma decidilo con il prezzo in mano.

Se vuoi un mini PC da 128 GB adesso: dipende dal software che usi

Se lavori con strumenti che girano bene su ROCm o Vulkan, il Ryzen AI Max+ 395 costa meno della metà ed è disponibile oggi. Se la tua pipeline dipende da CUDA, aspetta il prezzo del GR1X o dell'Acer SFF: se cadono sotto i 4.000 euro, cambiano il calcolo. Sopra, il DGX Spark con Linux ufficiale resta la scelta più sensata per chi fa sviluppo.

Se hai già una RTX da 24 GB o più: non ti serve

Gli agenti con setup in un click e PAIR arrivano anche sulle GPU RTX attuali. Nella guida al miglior computer per AI 2026 ho detto che una RTX 4090 o 5090 usata copre i modelli fino a 30-35 miliardi di parametri con ottima velocità. Resta vero.

RTX Spark serve a chi vuole i modelli grandi in un form factor piccolo e a batteria, non a chi ha già una workstation.

Un'ultima cosa che dico sempre e che vale anche qui: prima di comprare hardware da migliaia di euro, fai i conti. Con i prezzi attuali delle API, per molti usi professionali l'abbonamento cloud resta più economico dell'hardware locale per anni. RTX Spark abbassa la soglia, non la elimina.

Domande frequenti su RTX Spark

Cos'è NVIDIA RTX Spark?

È un system-on-chip per PC Windows on ARM con CPU Grace, GPU Blackwell RTX con CUDA nativo e memoria unificata fino a 128 GB, progettato per far girare in locale modelli AI fino a 120 miliardi di parametri, oltre a gaming e applicazioni creative.

Quando esce RTX Spark?

I primi portatili e mini PC con RTX Spark arrivano sul mercato a fine ottobre 2026. Prezzi, consumi e autonomia non sono ancora stati comunicati dai produttori.

Che differenza c'è tra RTX Spark e DGX Spark?

Usano lo stesso processore GB10 con piccole differenze nel silicio. Il DGX Spark è un sistema completo NVIDIA con Linux ottimizzato per sviluppatori AI; RTX Spark è la piattaforma per PC Windows dei vari produttori, con supporto Linux non ufficiale.

RTX Spark è meglio del Mac Studio per l'AI in locale?

Sulla carta ha il vantaggio di CUDA e dell'ecosistema NVIDIA. Il Mac Studio ha una piattaforma più matura, consumi bassi e MLX. La risposta definitiva dipende dal prezzo dei sistemi RTX Spark da 128 GB, ancora sconosciuto.

Cos'è NVIDIA PAIR?

Un router software gratuito e open source che distribuisce le richieste di inferenza tra i PC compatibili della rete locale. Non unisce le GPU: ogni richiesta gira per intero su un solo nodo. È già in beta per Windows, macOS e Linux.

Leggi anche

• Nvidia compra Hugging Face: cosa cambia se usi Ollama
• Mini PC AI NVIDIA vs AMD: quale scegliere per gli LLM?
• PC per AI in Locale 2026: Workstation, Mini PC e Benchmark
• Claude offline: funziona in locale? Alternative 2026
• GPT-6 Astra: cosa cambia davvero, prezzi e quando arriva

Vuoi integrare l'AI in locale nella tua azienda?

Scegliere l'hardware è la parte facile. La parte che conta è capire se un modello locale risolve il tuo problema meglio di un'API, come si integra nei tuoi flussi e quanto ti costa davvero nel tempo.

È il lavoro che faccio ogni giorno con le aziende che seguo: scrivimi e parliamo del tuo caso concreto, senza vendere hardware che non ti serve.