紧凑型人工智能工作站对比：Nvidia DGX Spark 与 AMD Ryzen AI Max+ 395 的对比

Nvidia 首先发布了 DGX Spark 平台。AMD 则以 Strix Halo 架构做出了直接回应，有趣的是，它甚至比竞争对手更早推出了相应的芯片。作为 Nvidia GB10 的直接对手，AMD Ryzen AI Max+ 395 通常也搭配 128 GB 内存，能够执行大型本地模型。在各种人工智能基准测试和纯推理速度方面，这两款芯片几乎不相上下，尤其是在 FP16 和 FP64 任务中。内存带宽和许多其他性能数据也完全相同。因此，像 HP ZGX Nano G1n AI Station以及 Bosgame M5.

这两种系统的底层处理器架构有本质区别。Nvidia 在 GB10 超级芯片中使用了基于 ARM 的 Grace 模块，而 AMD 在 Ryzen AI Max+ 395 中则使用了带有 Zen 5 内核的经典 x86 架构。这一差异对软件兼容性产生了重大影响。AMD 的 x86 平台可广泛支持成熟的传统应用程序，并可无缝融入 Windows 生态系统。相比之下，Nvidia 的 ARM 战略仅针对基于 Linux 的 DGX 操作系统和高度并行化的人工智能工作负载进行了优化，限制了其对传统桌面任务的适用性。

AMD 则采用另一种架构，集成了专用 NPU。它可提供 50 INT8 TOPS，允许以节能方式运行较小的模型或后台任务。FastFlowLM 等项目就受益于这种架构，因为系统不必为每项人工智能任务都使用计算密集型主芯片。不过，Nvidia 通过 Blackwell 架构和原生 FP4 支持保留了巨大的内存优势，而 AMD 在这种形式下则没有这种优势。

在软件生态系统方面，决定性的差异显而易见。Nvidia 依靠成熟的 CUDA 生态系统来保持自己的地位。AMD 则以自己的 RDNA 架构 ROCm 平台与之抗衡。就许多专业应用的兼容性而言，这与 Nvidia 的软件栈还不太匹配。

归根结底，最终还是要权衡预算与生态系统。Nvidia 的 DGX Spark 系统的溢价，并提供行业标准作为回报。为大型数据中心编写代码几乎不可避免地要使用 CUDA。对于主要需要大量本地内存且可以不使用 Nvidia 专有功能的纯推理任务，Ryzen AI Max+ 395 代表了一种功能强大且通常更具成本效益的替代方案。