Możliwe, że nawet nie wiesz, że RTX Spark będzie dla ciebie najlepszym wyborem

W ostatnich dniach miałem okazję dokładnie przetestować najnowszą platformę sprzętową NVIDIA RTX Spark, pod postacią laptopa ASUS ProArt P16 z 64 GB pamięci współdzielonej. To propozycja ze środka stawki, jako że topowe modele mają 128 GB takiej pamięci, co otwiera jeszcze większe możliwości. Co by jednak nie pisać ogólnikowo, przygotowałem dla was dwa przykłady, w których laptop z przetestowaną przeze mnie platformą NVIDIA RTX Spark (tym razem w oparciu o model wyposażony w 128 GB pamięci) będzie niezastąpiony.

Scenariusz pierwszy: deweloper oprogramowania zamyka klasycznego laptopa, a razem z nim panel z wydatkami za tokeny - 487 dolarów w tym miesiącu. W tle czeka kolejka sprintów, a gdzieś na serwerze cudzej chmury logowane są kolejne linijki kodu jego zespołu. Scenariusz drugi: montażysta wideo spogląda na nowiutkiego laptopa i widzi brakujące wycinki b-rollu i subskrypcję, która właśnie poinformowała go, że kredyty na dziś się skończyły i niczego już nie wygeneruje. Obydwoje szukają lepszego laptopa. Obydwoje do tej pory szukali niewłaściwego, bo patrzyli na benchmarki, a nie na swój własny rachunek i szerszy kontekst.

Spójrzmy inaczej - ASUS ProArt P16 z układem NVIDIA RTX Spark (SoC N1X: 20-rdzeniowe CPU Grace, GPU Blackwell z 6144 rdzeniami CUDA i 128 GB pamięci zunifikowanej) nie wygrywa każdego testu - w grach bez DLSS Frame Generation często zmaga się, aby utrzymać 60 FPS i to niezależnie od ustawień detali (taki urok Windows on ARM), a w zadaniach typowo "procesorowych" ustępuje procesorom w architekturze X86, jako że te nie muszą emulować instrukcji w większości aplikacji na Windows. W dwóch konkretnych zastosowaniach nie ma jednak konkurencji, i to zastosowaniach takiego typu, że można je opisać jednym zdaniem: robicie coś, czego na innym laptopie z Windows się nie da.

Wyobraźcie sobie małe studio - trzech do pięciu deweloperów, agent programistyczny (Claude Code albo podobny) jest pełnoprawnym członkiem zespołu, miesięczny rachunek za tokeny krąży gdzieś między 400 a 500 dolarów, a gdy zbliżają się terminy, to bez problemu dobijają do 1000 dolarów. To standardowa cena za to, by agenci pracowali jak ludzie: pisali feature'y, przeprowadzali testy, recenzowali "pull requesty" i aktualizowali zależności - kto programował z AI, ten wie. I to jest dokładnie ta cena, która rośnie wraz z zespołem - bo agenci pracują tylko wtedy, kiedy płacicie, a standardowe abonamenty, nawet te za 200 dolarów miesięcznie, oznaczają nieakceptowalne przestoje w pracy w oczekiwaniu na "odnowienie się limitu tokenów".

RTX Spark zmienia tę matematykę, bo zmienia jedno fundamentalne założenie: model AI nie musi być w chmurze. Tutaj 128 GB pamięci zunifikowanej, którą dzielą CPU i GPU, to przestrzeń na model DeepSeek-R1 70B w kwantyzacji Q4 z oknem kontekstu 128K tokenów (YaRN). Co to daje w praktyce? Całe repozytorium, dokumentacja projektu i pełna historia rozmowy z agentem w jednym promptcie. Zero serwerowni, zero zależności, zero subskrypcji. Jeden laptop, runtime llama.cpp, kilka komend i jeden plik z modelem. Można to też podzielić na dwóch agentów z mniejszym modelem QWEN3.8-27B, ale za to z kontekstem 256K tokenów każdy i wtedy mogą pracować niezależnie (niestety współdzieląc też szybkość obliczeniową RTX Spark, choć te mniejsze modele ogólnie pracują szybciej).

Załóżmy, że agent pracuje 600 godzin w miesiącu - w waszych godzinach pracy, ale też nocą i w weekendy, na zakolejkowanych projektach z backlogu. Przy wydajności rzędu 25 tokenów na sekundę (to górna granica; przy modelu 70B z głębokim kontekstem bezpiecznie przyjmijmy 15-25 tokenów) laptop przetwarza w miesiąc około 54 miliony tokenów wyjściowych. Ile kosztuje taki wolumen w chmurze?

Weźmy ceny, które sama NVIDIA podała w premierowych materiałach dla modelu frontier klasy Claude Sonnet 5.5 (2 dolary za milion tokenów wejściowych, 0,20 za zbuforowane, 10 dolarów za milion wyjściowych) i typowy profil agentowy - 90 proc. inputu, 10 proc. outputu, z czego połowa inputu się buforuje. Wyjdzie około 1 075 dolarów miesięcznie - to daje 4 190 zł po dzisiejszym kursie NBP (3,90 PLN/USD). Sam output (generowanie wyników) to 540 dolarów (2100 zł), licząc optymistycznie dla chmury.

A nawet jeśli doliczymy amortyzację laptopa - konfiguracja 128 GB kosztuje 28 tys. zł, więc powiedzmy 780 zł brutto miesięcznie przy trzydziestu sześciu miesiącach, czyli pięć razy mniej niż rachunek chmurowy (od którego często nawet nie odpiszecie VAT). Wzrost wolumenu pracy agentów w chmurze oznacza wzrost rachunku, a tutaj - wzrost zużycia prądu o kilkanaście groszy.

Mamy tu dwa bonusy, które nie pojawiają się na żadnym rachunku. Pierwszym z nich jest prywatność, ponieważ kod wysyłany do API chmurowego jest logowany na czyichś serwerach, a przy inferencji lokalnej cała historia zostaje w waszym biurze, natomiast w podróży - w bagażu podręcznym. Drugim bonusem jest praca offline - w samolocie, w hotelu, w domu po awarii internetu model działa tak samo, o ile ma zasilanie (bo na baterii NVIDIA RTX Spark podda się po godzinie pracy z AI…). Dla studia, które traktuje agenta jak pracownika, to różnica między "przerwa w pracy" a "pracujemy z dowolnego miejsca". Niedoceniona zwykle jest też możliwość dowolnego doboru modeli do zadania oraz większą kontrola nad modelami, niż ta, którą dają usługi chmurowe. Warto też podkreślić, że model lokalny nadal można wspierać pracą w chmurze i w najbardziej intensywnych momentach pracować "na dwa fronty"!

Do tego jeszcze wisienka na tym torcie, o której większość osób nie wie: ten sam laptop może obsłużyć cały zespół. NVIDIA PAIR (Personal AI Router - opensource’owe narzędzie Apache 2.0, od połowy października dostępne poza betą) samo wykrywa maszyny w sieci i rozdziela między nie zapytania o inferencję AI. Spark na biurku jednego z deweloperów (wystarczy, że leży z otwartą pokrywą) zostaje prywatnym, całodobowym serwerem AI dla całego zespołu - z jednym licznikiem prądu, jednym modelem, dla dowolnej liczby deweloperów, każdego ze swoim spersonalizowanym agentem. W praktyce taką rolę może pełnić też mini komputer NVIDIA DGX Spark (zwłaszcza że można go rozbudować do nawet 512 GB pamięci, dokładając kolejne współpracujące DGX Spark!), ale jego nie zabierzecie ze sobą na konferencję albo do klienta.

Drugi scenariusz jest dla każdego, kto kręci i montuje wideo i wie, ile kosztuje b-roll. Potrzebujecie ujęcia, którego nie ma w stocku, np. przejście, shot produktu pod innym kątem, tekstura tła, atmosfera pod napis albo coś zupełnie abstrakcyjnego. W praktyce macie wtedy dwie drogi: mimo wszystko skorzystać ze stocka (godząc się na wysokie ceny i niedokładnie to, na czym wam zależy) albo posłużyć się generatywną AI w chmurze (Runway, Luma, Kling). W drugim przypadku mamy subskrypcję w cenie od kilkunastu do kilkudziesięciu dolarów miesięcznie, system kredytów, watermark na darmowym planie, kolejkę, gdy wszyscy generują jednocześnie oraz limit, który najpewniej skończy się w połowie projektu, gdy potrzebujecie jeszcze dwudziestu ujęć.

RTX Spark oferuje trzecią drogę, która dotąd istniała tylko w stacjach roboczych za wielokrotnie większe kwoty (setki tysięcy złotych za komputer): generatywna AI w całości lokalna, na laptopie. Konkretnie mowa o ComfyUI na Sparku i chociażby modelu LTX-2.5, które w moich pomiarach potrzebują 68,5 s na wygenerowanie klipu (kwantyzacja NVFP4). Przypominam, że nie mamy tu kredytów, watermarku, kolejki, ani nie potrzebujemy internetu. Pierwsze ujęcie nie pasuje? Generujecie kolejne, a jego koszt to 68,5 s i grosze prądu. W chmurze każda odrzucona twórczość AI to spalone kredyty, których nie cofniecie, a limit w pakiecie nie jest z gumy.

Co jest "dotąd niespotykane", to fakt, że 128 GB pamięci zunifikowanej pozwala uruchomić LTX-2.5 w pełnej precyzji BF16 (90 s na klip na RTX Spark) - opcji, której nie ma żaden laptop z dedykowanym GPU. Model 22B w BF16 nie mieści się w 24 GB vRAM RTX 5090 Laptop. Na klasycznych iGPU też wyposażonych w 128 GB, jak w NVIDIA RTX Spark, taki model się mieści, ale przez brak wsparcia dla kwantyzacji FP4 i ogólnie z uwagi na wydajność takich GPU, prędkość generowania jest często rzędy wielkości niższa.

Po przejściu na NVFP4 w teorii nieco tylko tańsze laptopy z pełnoprawnym (175 W) GeForce RTX 5090 Laptop też pozwolą generować klipy, ale już bez miejsca w pamięci na odpalony program do edycji wideo - trzeba żonglować programami, co jest absurdem i w praktyce wielokrotnie wydłuża pracę, pomimo iż GeForce szybciej wygeneruje sam klip. Na NVIDIA RTX Spark ze 128 GB pamięci działacie jednocześnie z agentem - on generuje ujęcia, a wy dalej pracujecie z edycją (z którą układ Blackwell w RTX Spark radzi sobie wyśmienicie - dwa dekodery NVDEC najnowszej generacji pozwalają pracować nawet na plikach prosto z kamery).

Do tego dołączają dwa elementy, które wyróżniają NVIDIA RTX Spark na tle jego alternatyw, w tym też tych, które nie działają na systemie Windows. Pierwszy to już teraz dostępny w ComfyUI (oczywiście za darmo) cały pakiet NVIDIA VFX, który zawiera RTX Video Frame Generation i Super Resolution, a także nowość - RTX HDR. To nie generowanie od zera, ale ulepszanie i przyspieszenie tego, co już macie. W ten sposób stare archiwum wideo z telefonu, mocno wycięte ujęcie (w efekcie w niskiej rozdzielczości), niskie FPS z kamery - to wszystko zostaje dointerpolowane i wyostrzone na lokalnym GPU. Samo generowanie wideo w ComfyUI też na tym zyskuje - modele zwykle zmagają się z generowaniem powyżej FHD, a do tego RTX Video Frame Generation prawie dwukrotnie przyspiesza tworzenie klipów. Konkurencja musi korzystać z klasycznych metod bez akceleracji na jednostkach Tensor.

Drugi element to statyczne plansze - taki choćby model Flux.2-9B z kwantyzacją NVFP4 na NVIDIA RTX Spark 128 GB może być obsługiwany przez agentyczną AI, podczas gdy my dalej pracujemy nad montażem. Plakaty, tekstury czy klatki koncepcyjne generują się zgodnie z naszą wizją pod czujnym okiem agenta AI. Efekt łączy się w jeden obraz: montażysta, który wcześniej pisał zapytanie do stocka albo liczył kredyty i zadowalał się "blisko-wystarczająco" wygenerowanym ujęciem, teraz pracując na NVIDIA RTX Spark opowiada swojemu agentowi, czego potrzebuje i wraca do edycji, podczas gdy agent dla niego generuje kolejne ujęcia do weryfikacji.

Policzmy to, jak w pierwszym przypadku. Montażysta produkujący miesięcznie 40-60 klipów na potrzeby b-roll (realnie 200+ wygenerowanych wstawek, bo większość z nich odrzuca) w chmurze konsumuje co miesiąc dwie pełne subskrypcje z limitami, a w szczytowym miesiącu jeszcze trzecią, albo zadowala się pierwszym rezultatem, aby oszczędzać kredyty. Na lokalnym GPU koszt takiego generowania wideo to kilkanaście złotych prądu i zero licencji platformowej na wygenerowane materiały. Dla samodzielnego montażysty freelancera różnica między "kredyty na dziś skończyły się po trzech ujęciach", a "właśnie wyrenderowałem pięćdziesiąt propozycji i zaznaczyłem te moim zdaniem najciekawsze" to przepaść między dwoma modelami pracy.

Jeśli płacicie subskrypcję za to, co może działać na waszym sprzęcie, to dokładnie sobie wszystko podliczcie. Przykładowo małe studio deweloperskie, które wydaje 400-500 dolarów miesięcznie na tokeny, z RTX Spark wyda jedynie 40 zł za prąd. Podobnie sytuacja wygląda u twórca wideo z subskrypcją do generatywnego wideo, która działa tylko, dopóki nie skończą się kredyty. Ale jeśli AI to dla was gadżet, którego używacie dwa razy w miesiącu i płacicie za niego kilkanaście złotych subskrypcji, to nie musicie niczego zmieniać. Laptopa klasy NVIDIA RTX Spark kupicie wtedy, kiedy zmieni się wasze zapotrzebowanie.

Jeśli chodzi o kwestię "dlaczego teraz", to do platformy w tej chwili dochodzą kolejne elementy, które rok temu jeszcze nie istniały. PAIR wyszło z bety, ComfyUI dostało RTX Video, Photoshop i Premiere mają natywne wersje pod ARM z przyspieszeniem TensorRT, a DLSS 4.5 z Ray Reconstruction wchodzi do Blendera. Lista ta rośnie szybciej niż ktokolwiek by przypuszczał. Laptopy z NVIDIA RTX Spark to sprzęt, który jeszcze dwa lata temu byłby praktycznie bezużyteczny, ale teraz, w niektórych branżach, staje się niezbędny. Nie ma się też co łudzić, że ceny abonamentów chmurowych będą spadać - wszystko wskazuje na to, że będzie odwrotnie, jako że większość tych usług obecnie balansuje na poziomie rentowności… Tymczasem raz kupiony laptop z NVIDIA RTX Spark stale będzie pracować jedynie w cenie pobieranej energii.