DGX 스파크와 RTX 스파크 비교: 메모리와 비용을 읽는 방법

DGX 스파크(DGX Spark)는 엔비디아가 2025년 10월에 내놓은 손바닥 크기 AI 컴퓨터입니다. 로컬 실행은 외부 서버 대신 자신의 컴퓨터에서 모델을 계산하는 방식입니다. 컴퓨터의 일반 처리를 맡는 CPU와 대량 계산을 병렬로 처리하는 GPU가 함께 사용하는 통합 메모리는 128GB입니다. FP4는 수를 4비트 형식으로 표현하는 방식입니다. 최대 1페타플롭은 일부 계산을 생략하는 희소 연산 등 특정 조건에서의 성능이며 채팅 답변이 얼마나 빨리 나오는지를 직접 나타내는 수치는 아닙니다. 3,999달러로 나왔다가 2026년 2월에 4,699달러가 됐고, 국내 가격비교 등재가는 2026년 9월 기록에서 939만 원이었습니다. 현재 결제 가격은 판매처, 세금과 보증 조건을 포함해 다시 확인해야 합니다.

그다음 모델로 거론되는 것이 RTX 스파크(RTX Spark)입니다. 엔비디아가 2026년 10월 출시를 밝힌 윈도우 PC용 제품군이고, 그 제품에 들어가는 칩 이름도 RTX 스파크입니다. DGX 스파크와 이름이 비슷해서 후속으로 오해하기 쉽습니다. 상위 구성은 20코어 Grace CPU와 블랙웰 RTX GPU를 한 칩에 묶었고 통합 메모리는 최대 128GB입니다.

RTX 스파크의 발표 사양이 가까워 보여도 실제 실행 성능까지 같다는 뜻은 아닙니다. 이 글은 9월 16일의 비교 기록을 바탕으로 10월 5일 공식 문서의 메모리와 소프트웨어 지원 설명을 보완했습니다. RTX 스파크의 10월 출시는 발표 일정이며 국내 판매 개시나 가격을 확인한 것은 아닙니다. 장비별 모델 크기 비교는 DGX 스파크와 RTX 5090 비교에 있습니다.

첫 연습: 사양보다 먼저 내 사용 조건 적기

장비 구매나 유료 서비스 없이 메모 앱과 계산기로 시작합니다. 할 일 / 하루 사용 시간 / 기다릴 수 있는 시간 / 월 예산 네 항목을 적습니다. 예를 들어 내 문서 요약 / 하루 2시간 / 문서당 1분 / 아직 미정이라고 씁니다. 이것은 연습용 조건이며 특정 장비의 성능 보장이 아닙니다.

월비용 계산도 가정값으로 해 봅니다. 장비 600만 원을 36개월 쓴다면 기기값을 나눈 금액은 6,000,000 ÷ 36 = 약 166,667원/월입니다. 전력 50W를 하루 2시간, 30일 쓴다는 가정에서는 50 ÷ 1,000 × 2 × 30 = 3kWh입니다. 기기값을 월별로 나눈 계산이 실제 할부 청구액은 아니며 전기요금, 수리비와 설치 시간은 아직 포함되지 않았다고 메모에 함께 적습니다.

계산 결과를 로컬 AI 구매 검토로 저장하고 다시 열어 두 값과 제외 항목이 남아 있는지 확인합니다. 혼자 반복할 때는 하루 2시간만 8시간으로 바꿉니다. 월 전력량은 12kWh가 되고 기기값 월 166,667원은 그대로입니다. 값이 다르면 W를 kW로 바꾸는 1,000 나누기와 하루 시간을 대조합니다. 이는 해당 사용 시간의 전력량이며 나머지 시간에 켜 두는 대기 전력은 별도입니다. 전력량만으로 정확한 요금을 알 수는 없습니다.

이제 아래 사양에서 자기 조건을 확인합니다. 모델 이름이나 사용할 프로그램을 아직 정하지 못했다면 새 장비의 구매 결정은 보류하고, 현재 쓰는 도구로 같은 문서의 요약 품질과 대기 시간을 먼저 기록합니다. 메모에 ‘추가로 확인할 항목’ 한 가지를 남기면 이 글의 첫 연습은 끝입니다.

위 그림은 엔비디아의 발표용 이미지입니다. CPU와 GPU를 묶은 칩을 보여주는 자료이며 모든 판매 제품의 내부 부품을 촬영한 분해 사진은 아닙니다.

같은 계열의 칩과 다른 사용 환경

먼저 두 제품의 칩 사양을 나란히 놓겠습니다. 엔비디아 공식 발표에 적힌 값을 기준으로 정리했고, 괄호 안의 코드명과 메모리 종류는 제조사 사양표와 보도 기준입니다.

두 제품은 CUDA 코어 개수까지 같습니다. 둘 다 Grace CPU와 블랙웰 GPU를 묶은 Grace Blackwell 계열이라, RTX 스파크는 세대가 올라간 제품이 아니라 같은 세대를 다른 시장에 낸 자매 제품입니다. 컴퓨텍스 2026 키노트 슬라이드를 정리한 보도에 따르면 다음 세대는 2027년에서 2028년 사이의 베라 루빈 스파크(Vera Rubin Spark)입니다. 알려진 것은 메모리를 LPDDR6로 바꾼다는 한 줄뿐이고, 엔비디아 보도자료로 확정된 내용은 아직 없습니다.

같은 계열이라도 냉각과 전력 설정, 드라이버에 따라 성능이 달라질 수 있습니다. 사용 환경도 다릅니다. RTX 스파크는 윈도우가 돌아가는 14~16인치 노트북과 소형 데스크톱으로 나오고, DGX 스파크는 DGX OS라는 우분투 기반 리눅스를 쓰는 고정형 박스입니다. 발표에 이름을 올린 제조사는 에이수스와 델, HP, 레노버, 마이크로소프트 서피스, MSI이고 에이서와 기가바이트가 뒤따릅니다.

후속 세대가 아닌데도 메모리 속도는 RTX 스파크가 조금 앞섭니다. 엔비디아 개발자 문서에는 256비트 폭에 300GB/s라고 적혀 있는데, DGX 스파크의 273GB/s보다 10%가량 높습니다. 제품 페이지에는 이 수치가 없어 출시 뒤 실측으로 한 번 더 확인해야 합니다.

RTX 스파크의 가격은 이 글에서 확인한 공식 발표에 없습니다. 제조사별 실제 구성을 비교하기 전에는 DGX 스파크보다 저렴하다고 단정할 수 없습니다.

스펙표에 나오지 않는 DGX 스파크의 QSFP 포트 두 개

메모리 대역폭은 한 가지 비교 항목입니다. 큰 모델을 여러 대에 나누어 올릴 때는 본체의 연결 포트와 실행 소프트웨어도 봐야 합니다.

클러스터는 여러 컴퓨터가 함께 작업하도록 연결한 구성입니다. 위 사진은 엔비디아의 클러스터 구성 문서에 실렸습니다. 오른쪽에 QSFP 포트가 두 개 있고 그중 하나에 케이블이 꽂혀 있습니다. 이 포트는 내장된 ConnectX-7 네트워크 카드에 연결되며 포트마다 최대 200Gb/s를 냅니다.

엔비디아 문서는 이 포트로 한 대에 담기지 않는 작업을 실행할 수 있다고 설명합니다. 호환 케이블로 연결하고 네트워크와 분산 실행 소프트웨어를 설정하면 모델 하나를 여러 대에 나누어 올릴 수 있습니다. 엔비디아는 두 대 기준 4,050억, 네 대 기준 7,000억 파라미터 모델까지 올릴 수 있다고 안내합니다. 파라미터는 학습으로 정한 모델 내부의 수치이며 저장 정밀도에 따라 필요한 메모리가 달라집니다. 이 수치는 정밀도와 실행 조건에 따른 안내이며 모든 모델이 같은 크기까지 실행된다는 보장은 아닙니다. 엔비디아 클러스터 도구가 직결로 지원하는 것은 세 대까지이고, 네 대를 묶으려면 QSFP 스위치를 따로 갖춰야 합니다.

이 글에서 비교한 RTX 스파크 노트북 사양에는 DGX 스파크의 ConnectX-7 QSFP 포트가 없습니다. 레노버 Yoga Pro 9n과 에이수스 ProArt P14의 사양표에 적힌 것은 USB4와 HDMI, 오디오 단자, SD 카드 슬롯이고 QSFP는 어디에도 보이지 않습니다. 무선은 와이파이 7, 유선은 일반 이더넷입니다.

포트가 없는 대신 엔비디아가 내놓은 것이 PAIR(Personal AI Router)라는 무료 오픈소스 도구인데, QSFP 포트가 하는 일과는 성격이 다릅니다. 공식 FAQ의 문장을 그대로 옮기면 이렇습니다.

기기들은 병렬 작업을 처리하는 별개 시스템으로 남습니다. PAIR는 이들을 하나의 가상 GPU로 합치지 않습니다.

PAIR는 같은 네트워크에서 별개의 요청을 여러 컴퓨터로 나눠 보내는 도구입니다. 두 대의 메모리를 자동으로 합쳐 한 GPU로 만들지는 않습니다. 예를 들어 문서 두 개를 각각 다른 장비가 요약하는 작업과, 한 대에 못 들어가는 모델 하나를 두 대가 나눠 실행하는 작업은 다릅니다. 후자에는 별도의 분산 실행 지원이 필요합니다. QSFP가 없다고 모든 네트워크 분산 실행이 원리상 불가능한 것은 아니지만 DGX와 같은 구성이나 성능을 기대할 근거는 없습니다.

같은 128GB인데 달라지는 배정 크기와 쓸 수 있는 도구

표에 적힌 128GB를 모델이 다 쓰지는 못합니다. 쓸 수 있는 양이 운영체제에 따라 달라집니다.

엔비디아는 포팅 가이드에서 RTX 스파크의 메모리를 세 영역으로 나눕니다. GPU 전용 영역, CPU와 GPU가 함께 쓰는 공유 영역, CPU 전용 영역입니다. CPU 전용 영역에 붙은 설명은 이렇습니다.

남은 시스템 메모리는 CPU만 접근할 수 있고 GPU 할당에는 쓸 수 없습니다.

나누는 기준도 같은 문서에 적혀 있습니다. 공유 영역은 전용 영역을 뺀 용량에서 다시 16GB를 덜어낸 크기를 명목값으로 잡은 뒤, 전용 영역을 뺀 나머지 용량의 50%에서 80% 사이로 제한합니다. 남는 만큼이 CPU 전용으로 갑니다. 아래 식의 min은 두 값 중 작은 값을 고른다는 뜻입니다. 전용 영역이 0GB라고 가정하면 공유 영역은 min(128 - 16, 128 × 0.8) = 102.4GB입니다. 전용 영역을 16GB로 가정하면 GPU 전용과 공유 합계는 16 + min(112 - 16, 112 × 0.8) = 105.6GB입니다. 102~106GB는 이 가정으로 계산한 예시이며 제조사별 실측 보장 용량이 아닙니다. 문서는 전용 영역의 고정 크기를 제시하지 않습니다.

DGX 스파크의 리눅스 환경에는 같은 Windows 메모리 배정 규칙을 적용하지 않습니다. 다만 GPU 배정량이 고정된 것도 아니어서, 사용자들이 올린 측정에서는 제조사에 따라 119GB에서 122GB 사이로 차이가 났습니다. 펌웨어 업데이트로 2GB가 늘었다는 보고도 있습니다. 엔비디아가 확인한 값은 아닙니다.

소프트웨어도 확인해야 합니다. ‘Windows Arm에는 PyTorch CUDA 빌드가 없다’고 일반화할 수는 없습니다. 10월 5일 NVIDIA의 Windows PyTorch 저장소는 Windows Arm64용 CUDA 13.4 안정판과 nightly 설치 경로를 안내합니다. nightly는 정식 배포 전 개발판입니다. 해당 안내가 있다고 모든 기존 리눅스 코드와 라이브러리가 수정 없이 실행되는 것은 아닙니다.

NVIDIA의 RTX 스파크 포팅 가이드는 cudaMallocManaged라는 메모리 할당 함수가 지원되더라도 호환 경로 때문에 성능이 떨어질 수 있다고 설명합니다. 처음 장비를 비교하는 분들은 함수 이름을 외울 필요 없이, 사용할 프로그램이 해당 운영체제와 칩을 실제로 지원하는지 확인하면 됩니다.

GPU가 할당받은 메모리도 모델 파일만을 위한 공간은 아닙니다. 대화의 중간 계산을 보관하는 KV 캐시와 프로그램의 작업 공간이 추가됩니다. 따라서 100GB 모델 파일이 102GB 예산 안에 들어간다는 이유만으로 정상 실행을 보장할 수 없습니다.

물탱크와 수도관: 두 제품이 똑같이 안고 있는 메모리 대역폭 한계

QSFP 포트와 메모리 배정을 빼면 양쪽이 받는 한계가 같습니다. 용량과 데이터 이동 속도를 물탱크와 수도관에 빗대어 살펴보겠습니다.

모델이 답을 만드는 과정은 두 단계입니다. 질문을 먼저 처리하는 프리필과 답변을 토큰 단위로 생성하는 디코드인데, 여기서는 디코드를 다룹니다. 디코드가 돌아가려면 두 가지가 있어야 합니다. 하나는 가중치 전체를 담을 메모리이고 다른 하나는 그 가중치를 계산 장치로 실어 나르는 통로입니다. 메모리 용량은 물탱크 크기에, 메모리 대역폭은 수도관 굵기에 해당합니다. 128GB는 탱크가 크다는 뜻이고, 273GB/s는 초당 옮길 수 있는 데이터의 양을 나타냅니다. 앞에서 본 대로 이 탱크를 다 쓰지는 못합니다. 앞의 DGX 사용자 측정과 RTX 가정 계산은 GPU가 쓸 수 있는 양을 다루며 모델 가중치만의 한도와는 다릅니다.

관 굵기가 왜 속도를 정하는지는 계산으로 확인할 수 있습니다. 한 요청에서 매 토큰마다 필요한 가중치를 메모리에서 한 번 읽는 단순한 경우를 가정하면, 대역폭을 읽을 바이트 수로 나누어 속도의 대략적인 상한을 계산할 수 있습니다. 캐시, 여러 요청의 동시 처리, 추측 디코딩과 다른 계산 비용은 제외한 설명용 모형입니다. 4비트로 압축한 모델을 기준으로 계산하면 이렇게 나옵니다.

B는 파라미터 수를 십억 단위로 적은 것이고, tok/s는 초당 생성 토큰 수입니다. 토큰은 모델이 처리하는 글 조각이며 한국어 글자 수와 같지 않습니다. 오른쪽 열의 68%는 설명용 가정으로 실제 달성률이나 모든 모델의 예상 속도가 아닙니다. 4비트 가중치는 파라미터마다 반 바이트로 계산했으며 실제 파일에는 추가 정보가 들어갑니다.

이 계산에서 70B 밀집 모델의 4비트 가중치는 35GB이고 273 ÷ 35 = 7.8 tok/s입니다. 8비트로 저장해 70GB가 되면 같은 계산은 3.9 tok/s가 됩니다. 실제 체감 속도는 품질, 문맥 길이, 실행 도구와 함께 확인해야 합니다. 메모리 대역폭이 고정되어도 필요한 데이터량을 줄이거나 계산을 재사용하는 소프트웨어가 성능을 바꿀 수 있습니다.

큰 모델이 작은 모델보다 빠를 수도 있는 이유

바뀐 것은 돌릴 만한 모델 쪽입니다. 2026년에 공개된 큰 모델 상당수가 MoE(Mixture of Experts), 즉 전문가를 나눠 쓰는 구조로 나왔습니다. 모든 가중치를 매번 쓰는 대신 토큰마다 일부 전문가만 깨워 쓰는 방식이라, 메모리에는 전체가 올라가야 하지만 읽어 오는 것은 활성 파라미터뿐입니다. 탱크에 물을 가득 채워 두더라도 토큰 하나를 만들 때 관으로 보내는 물은 많지 않은 것과 같습니다.

DGX 스파크 한 대에서 모델만 바꿔 측정한 값을 보면 이 차이가 그대로 드러납니다. llama.cpp 저장소의 공식 벤치 기록이고, 2026년 2월 5일 환경 정보와 함께 공개된 llama-bench의 tg32 디코드 기록입니다. 모델 형식이 다르므로 속도 차이 전부를 MoE 하나로 설명하는 통제 실험은 아닙니다.

총 파라미터가 15배 큰 쪽이 오히려 두 배 빠릅니다. 각 실행에서 필요한 가중치와 저장 형식이 다르다는 점이 속도 차이의 한 요인입니다. 총 파라미터 수만으로 디코드 속도를 예측할 수는 없고, 활성 파라미터와 저장 형식이 영향을 준다는 사례입니다. 이 구조가 널리 쓰이면서 메모리가 크고 대역폭이 낮은 장비의 약점이 덜 드러나게 됐습니다. RTX 스파크의 실제 이득은 해당 모델을 실행한 측정으로 확인해야 합니다.

소프트웨어도 같은 방향으로 움직였습니다. NVFP4라는 4비트 형식이 블랙웰 텐서 코어에서 하드웨어로 처리되면서 읽어야 할 바이트 자체가 줄었고, 추측 디코딩과 MTP(Multi-Token Prediction)가 붙으면서 한 번 읽은 가중치를 여러 토큰에 나눠 쓰게 됐습니다. 셋 다 디코드 속도를 겨냥한 기법입니다.

실행 도구의 최적화 효과는 특정 버전과 모델에 관한 측정으로 판단해야 합니다. 이전에 느렸다는 후기와 새 버전이 빨라졌다는 후기가 함께 있어도 각각의 조건을 먼저 맞춰 비교합니다.

DGX 스파크 두 대를 묶었을 때 실제로 달라지는 것

두 대를 연결하는 목적은 모델이 들어갈 공간을 늘리거나 특정 작업의 속도와 처리량을 높이는 것입니다. 이득은 실행 조건마다 다릅니다.

한 실사용자가 엔비디아 개발자 포럼에 올린 기록으로, 같은 조건에서 한 대와 두 대를 견줬습니다.

이 기록의 상단 세 모델은 약 1.2~1.7배의 속도 차이가 있습니다. 하단 두 모델은 이 작성자의 한 대 설정에서 실행되지 않았습니다. 이 결과를 모든 모델과 실행 도구의 최대 이득으로 일반화해서는 안 됩니다.

NVIDIA도 다른 조건의 결과를 공개했습니다. Llama 3.3 70B Instruct NVFP4를 TensorRT-LLM으로 실행한 표에서는 입력 32K, 출력 1K, 배치 1일 때 출력 토큰당 시간(TPOT)이 한 대 269ms에서 두 대 133ms로 줄었습니다. 생성 구간만 약 2.02배 빨라진 사례이며 전체 대기 시간이 정확히 반으로 줄었다는 뜻은 아닙니다. 같은 표의 첫 토큰 대기 시간(TTFT)은 33.415초에서 21.384초로 변했습니다.

반대 방향의 기록도 있습니다. 2026년 2월에 다른 실사용자가 llama.cpp로 측정한 값에서는 Qwen3-235B의 디코드 속도가 한 대 15.51 tok/s에서 두 대 14.57 tok/s로 오히려 느려졌습니다. 측정자는 두 대 구성이 이미 한 대에서 돌아가는 모델을 빠르게 하는 데는 맞지 않는다고 적었습니다. 같은 기록에서 명목 256GB 가운데 실제로 쓸 수 있었던 것은 약 170GB였습니다. 이 170GB는 해당 실행 설정의 결과이며 두 대의 보편적인 고정 한도가 아닙니다. 204GB짜리 모델은 두 대로도 올리지 못했습니다.

두 대를 묶으면 탱크가 커지고 관도 하나 더 생깁니다. 장비마다 자기 탱크에 가중치를 나눠 담고 각자 관으로 흘려보내기 때문입니다. 그런데 탱크 사이를 잇는 배관은 200Gb/s, 단위를 환산하면 초당 25GB의 이론상 전송률입니다. 실제 데이터 전송률은 통신 처리 비용 때문에 더 낮을 수 있고, 장비 내부의 273GB/s보다 제한적입니다. 토큰을 하나 만들 때마다 중간 결과가 그 가는 배관을 건너야 해서 통신이 많으면 이득이 줄어들 수 있습니다. 앞의 NVIDIA 사례처럼 두 배에 가까운 생성 구간 이득이 나온 조건도 있습니다.

그래서 전송 방식이 결과를 크게 바꿉니다. 여기에 쓰이는 RDMA는 CPU를 거치지 않고 장비의 메모리끼리 데이터를 직접 주고받는 방식인데, RDMA를 쓰지 않으면 같은 물리 연결에서도 통신 처리 비용이 달라질 수 있습니다. llama.cpp 저장소 토론에 올라온 측정에서는 같은 모델을 텐서 병렬로 돌렸을 때 한 대가 65 tok/s, 같은 200Gb/s 배관을 RDMA 없이 쓴 두 대가 56 tok/s, RDMA로 쓴 두 대가 76 tok/s였습니다. 해당 사례에서는 RDMA 대신 TCP 소켓을 쓴 두 대 구성이 한 대보다 느렸습니다. 비교한 RTX 노트북에는 같은 ConnectX-7 연결이 없어 이 수치를 그대로 적용할 수 없습니다. 커뮤니티에서는 DGX 스파크를 두고 큰 모델을 올리려면 묶고, 처리량을 늘리려면 같은 구성을 하나 더 둔다는 말로 정리합니다.

구매 전에 확인할 소프트웨어와 운영 조건

용량과 속도 외에 운영할 때 확인할 항목이 있습니다. 아래 소프트웨어 및 수리 사례는 기존 9월 비교 기록의 사용자 보고이며 현재 모든 구성의 상태를 뜻하지 않습니다.

• 소프트웨어 지원이 여전히 고르지 않습니다. 공개된 릴리스 기록을 보면 vLLM 2026년 8월 릴리스에 GB10용 MoE 튜닝 설정이 들어갔고, TensorRT-LLM은 DGX 스파크 출시 다섯 달 뒤에야 정식 릴리스에서 단일 노드를 베타로 지원했습니다.
• CUDA 생태계 안이라고 해서 최적화된 커널이 그대로 따라오지는 않습니다. GB10은 SM121이라는 파생 아키텍처라, flash-attention을 빌드해도 기본 SDPA보다 빠르지 않았다는 사용자 측정이 올라온 적이 있습니다. 파이토치 쪽에서는 리뷰어가 별도 컴파일이 필요 없다고 보자 제출자가 변경 요청을 거뒀는데, 그 뒤에 별도 컴파일 없이 쓰면 처리량이 25~30% 줄어든다고 주장하는 요청이 다시 올라왔습니다. 어느 쪽도 확정된 측정은 아닙니다.
• 값이 이미 많이 올랐습니다. 출시가가 3,999달러에서 4,699달러로 17.5% 올랐고, 메모리 부품값이 오른 탓이라고 보도됐습니다. 앞의 9월 등재가 939만 원을 두 대에 적용하면 본체만 1,878만 원입니다. 현재 견적은 별도입니다.
• API와 비용을 비교해야 합니다. API는 외부 모델을 프로그램에서 호출하고 사용량만큼 내는 방식입니다. 10월 5일 Z.ai 공식 단가는 GLM-4.5-Air 입력 100만 토큰당 0.20달러, 출력 100만 토큰당 1.10달러입니다. 하루 입력 100만, 출력 20만 토큰을 30일 사용하면 (0.20 + 0.2 × 1.10) × 30 = 12.60달러입니다. 캐시 할인, 검색 등 도구 요금, 세금과 환율은 제외한 예시이며 다른 모델의 품질이나 비용까지 대표하지 않습니다.
• 수리 조건을 확인합니다. 국내에서 두 대를 6개월 쓰며 전원부 문제로 두 번 수리를 맡긴 사용자는 대기가 5주 이상이라고 적었습니다. 개별 후기이므로 모든 판매처의 수리 기간으로 적용하지는 않습니다.

한 대만 써 본 사람과 두 대를 운용하는 사람의 평이 서로 다르다는 것도 같이 봐 둘 만합니다. 해외 포럼에는 한 대만 쓰면 그저 그런데 두 대부터 네 대까지는 다르다는 후기가 있고, 같은 게시판에 두 대를 사느니 클라우드를 쓰라는 계산도 올라와 있습니다. 출시 때보다 나아졌다는 평과 여전히 느리다는 평이 나란히 나옵니다.

기기값 외에 전력과 운영 비용 계산하기

같은 128GB 제품도 가격은 메모리 부품, 냉각, 보증과 판매 시점에 따라 달라집니다. 다른 제조사의 인상률을 RTX 스파크의 미래 가격으로 그대로 적용할 수는 없습니다. 견적에는 본체뿐 아니라 케이블, 스위치, 저장장치와 유지보수 비용도 적습니다.

전력 수치를 볼 때는 측정 조건부터 구분합니다.

예를 들어 벽면에서 측정한 평균 소비전력이 50W라면 24시간씩 30일의 전력량은 36kWh입니다. 이는 이 글의 비용 설명용 가정이며 모든 DGX 스파크가 항상 50W를 쓴다는 뜻은 아닙니다. 240W를 같은 시간 사용한다고 가정하면 172.8kWh지만 어댑터 정격이 240W라는 사실로 실제 사용량을 그렇게 계산하면 안 됩니다.

정확한 추가 요금은 기존 월 사용량, 계약 종류, 계절과 적용 요율에 따라 달라집니다. 전력량을 계산한 뒤 해당 전기 공급자의 현재 요금 계산기에 기존 사용량과 더한 사용량을 각각 넣어 차이를 확인합니다. 다른 장비와 비교할 때도 같은 작업을 완료하는 데 든 시간과 전력을 함께 봐야 합니다.

RTX 스파크, 베라 루빈 스파크, 가격 인하 가운데 기다릴 만한 것

무엇을 기다리는지에 따라 확인할 자료가 다릅니다.

먼저 사용할 모델과 프로그램을 정하고 운영체제 지원과 실제 메모리 요구량을 확인합니다. 여러 대 연결이 필요한지는 그다음입니다. 연결 포트를 쓰지 않더라도 DGX의 리눅스 환경이나 지원 도구가 필요할 수 있으므로 포트 하나만으로 가치가 없다고 판단할 수는 없습니다.

목표 모델이 현재 장비에 들어가지 않으면 더 작은 모델로 같은 작업의 품질을 비교하거나 적합한 서버를 검토할 수 있습니다. 현재 작업을 끝내는 데 문제가 없다면 판매 제품의 실측과 견적을 기다리는 선택도 가능합니다.

자주 묻는 질문

RTX 스파크 두 대를 사면 DGX 스파크 두 대와 같아지나요?

같아지지 않습니다. PAIR로 두 장비에 요청을 나누는 것과 하나의 모델을 나눠 올리는 것은 다른 방식입니다. 비교한 RTX 노트북에는 같은 QSFP 연결이 없으며 메모리와 분산 실행 지원을 별도로 확인해야 합니다.

지금 DGX 스파크를 사면 다음 모델이 나왔을 때 손해인가요?

미래 가격과 성능만으로 지금의 손익을 확정할 수는 없습니다. 현재 필요한 작업을 얼마나 자주 수행하는지, 실제로 줄어드는 시간과 유지 비용이 얼마인지 계산합니다. 소프트웨어 개선도 가능한 이득이지 보장된 미래 성능은 아닙니다.

로컬 장비 대신 API를 쓰는 편이 낫지 않나요?

예를 들어 과거 등재가 939만 원을 36개월로 나누면 기기값만 월 약 26만 833원입니다. 여기에 전기료, 운영 시간과 수리비가 더해집니다. 예상 중고 판매가를 확정 수입처럼 빼지 않습니다. 사용량이 적으면 API 비용이 낮을 수 있지만 같은 모델인지, 답변 품질과 자료 전송 조건이 목적에 맞는지도 대조해야 합니다. 월 구독료와 API 사용료 역시 서로 다른 과금 방식입니다.

Sources

• NVIDIA 공식 페이지: DGX Spark
• NVIDIA 공식 문서: DGX Spark ConnectX-7 Networking
• NVIDIA 공식 문서: DGX Spark Hardware
• NVIDIA 공식 문서: RTX Spark 포팅 가이드 개요
• NVIDIA 공식 문서: RTX Spark 통합 메모리 구조
• NVIDIA 공식 문서: RTX Spark CUDA API 사용
• NVIDIA 보도자료: NVIDIA and Microsoft Reinvent Windows PCs with RTX Spark
• NVIDIA GeForce 뉴스: COMPUTEX 2026 RTX 스파크 발표
• NVIDIA 공식 블로그: Local AI at IFA 2026 (RTX 스파크 출시 시점, NVIDIA PAIR)
• NVIDIA 공식 FAQ: Personal AI Router
• NVIDIA 기술 블로그: Run Local AI Agents with Multi-Node Clustering on DGX Spark
• NVIDIA 기술 블로그: How DGX Spark's Performance Enables Intensive AI Tasks
• NVIDIA 기술 블로그: Introducing NVFP4 for Efficient and Accurate Low-Precision Inference
• NVIDIA 개발자 포럼 공지: 2026-02-23 가격 변경
• llama.cpp 공식 저장소: DGX Spark 벤치마크 기록
• vLLM 공식 저장소: 릴리스 기록
• NVIDIA Windows Arm PyTorch 배포 안내
• NVIDIA 다중 노드 성능 측정
• Z.ai 공식 문서: 모델 API 가격
• Framework 공식 스토어: Desktop 구성별 가격
• 한국전력 주택용 전기요금표

3줄 요약

1. DGX 스파크와 RTX 스파크는 같은 Grace Blackwell 계열이지만 운영체제, 연결 포트와 소프트웨어 지원 조건을 따로 확인해야 합니다.

2. 128GB는 전체 메모리이며 모델 가중치 외에 운영체제와 실행 중 계산 공간도 필요하므로 파일 크기만으로 실행 가능 여부를 판단할 수 없습니다.

3. 두 대 연결의 용량과 속도 이득은 모델 및 실행 조건에 따라 다르며, 같은 작업의 품질과 시간, 총비용을 비교한 뒤 장비를 선택합니다.