昨天，受邀在北京参加英伟达的活动，跟他们一起在店里庆祝，RTX Spark的全球开售。
毫不夸张的说，现场真的人山人海。
在剪彩开售的一瞬间，我去京东看了下，几分钟不到，128G的版本，直接就被抢空了？？？
大家对本地算力的需求，比我想象的还要旺盛。
而我自己呢，其实在一周以前就已经收到了RTX Spark的机器，是华硕的ProArt创16，128G统一内存+1T版本，目前在京东售价37999，也就是上面那个在京东直接被抢空的版本。在所有的同机型里，性价比应该是最高的了，其他的同型号有的甚至要贵上万块。
只能说，感谢英伟达。
说实话，第一次拿到手的时候，我最惊讶的地方，其实是它的体积和重量。
你很难想象，这么一台薄至约12.9mm、轻至1.79kg的16英寸轻薄本，里面居然塞进了一颗原生支持CUDA、最高拥有128GB统一内存的RTX Spark芯片。
目前我也已经深度使用了一周的时间了，非常想跟大家来分享一下我在这段时间，使用RTX Spark的体验。
其实今年6月，老黄第一次在发布会上发布RTX Spark 的时候，我就写过一篇文章：英伟达发布全新RTX Spark - 个人PC的新时代。
在那之后，我其实就一直等着这台电脑发售，虽然我现在有两台Mac Mini在家24小时跑着Agent，但是谁又能拒绝一个有着统一内存，还有CUDA生态，能在本地跑模型，还能打游戏的超轻薄的RTX Spark电脑呢。
因为过去我们想在本地跑大模型，一直有一个非常蛋疼的问题。
你想要大内存，那可能就得买 Mac。苹果的统一内存确实很牛逼，但是很多AI项目的底层都是围绕NVIDIA的CUDA生态开发的，在Mac上跑起来，有时候就需要各种移植和适配。
你想用CUDA呢，那就得买英伟达显卡。但是传统消费级显卡的显存容量又有限，5090也才32G，稍微大一点的模型，就有可能塞不进去。
而RTX Spark这次，把这两件事情直接结合到了一起。
128GB的统一内存，加上CUDA生态，作为一个喜欢折腾AI、并且还是一个游戏佬的我来说，没办法，RTX Spark还是太有吸引力了，而且基本就是唯一解。
所以一周以前拿到手以后，我除了先下了Steam之外，干的第一件事，就是开始疯狂去部署各种各样的模型。
玩AI的这几年，好像都没有这么痛快过。
而且模型自由、Token自由的感觉，真爽。
可以先给大家看一下我这台电脑的配置。
RTX Spark N1X芯片，128GB统一内存，加上1TB SSD。
我知道，大家肯定都还会想跟5090比一下，但这块我想说，RTX Spark主打的还是大容量、便携、以及超高能效。
我简单做了一下表。
为了大容量和轻量便携，所以英伟达做了一些妥协，压低了带宽和算力，但是换来的，是完全不同功耗。
RTX Spark把功耗压到了80W，而5090纯单显卡，就需要恐怖的575w的功耗，你在笔记本和一些小机型里，根本不可能带的动。
所以，相比之下，我个人还是觉得，对于绝大多数的玩家来说，RTX Spark的适用性和泛化性，还是高于5090的，基本就是用更加广泛的场景，来换取慢一点的速度。
因为这一次英伟达为了让大家开箱即用，所以也贴心的跟WorkBuddy合作了，他们搞了一个RTX Spark专区，所以国内用户完全可以直接下载WorkBuddy，这样可以非常方便的开箱即用。
首先，打开WorkBuddy，在左上角找到这个RTX Spark专区，然后点击切换。
你就可以来到RTX Spark的专区首页了。
英伟达给了一些预设，你可以快速的进行一些便捷操作。
当然，最核心的，肯定还是在这台电脑上，使用本地模型，我都用RTX Spark了，那肯定是要用本地模型的嘛对吧。
点击设置，进入到模型，就能看到这边有个本地模型的选项了。
如果你是第一次拿到这台设备，那右边是一个下载的选项，就可以直接一键把模型下载下来放到你的本地了。
这个模型是单独预设的，所以跑的速度还是不错的，能跑到80 Token/秒。
同样的，你也可以自己部署其他的模型，不需知道太底层的原理，可以直接让Agent帮你跑。
对于一台128G统一内存的机器来说，吃下一个100B左右的Q4量化版本，我觉得是没啥问题的，但是相对于日常使用来说，我不建议跑的这么满，需要给别的东西留下一点空间。
所以，我无比推荐大家，换上我觉得本地的一个最牛逼的模型，甚至是能跟曾经的Opus 4.6相匹敌的，且能无时无刻常驻后台的模型。
他就是Qwen 3.8-27B。
这玩意是真的猛，猛到一定的级别了，在AA上，以一个27B的模型，跟一众几千亿的模型打的有来有回。
而且是完全可以本地部署的，而且Token无限，绝大多数的活，它其实都足够了。
想在本地部署它，并且在WorkBuddy里一起用，或者放到别的Agent里面变成可选模型，也特别简单。
一句话的事，记得一定要说开启MTP。。。
然后，就装好了。
这里要注意，即使开了MTP后，Qwen3.8-27B的推理速度，还是会比比如Qwen3.6-35B-A3B慢不少，主要是因为这是一个少见的Dense模型，所以其实推理的时候也是带着27B的参数一起推理的，而后者其实只需要跑3B，所以会慢不少。
但是换来的，却是智力的飞跃。
我在本地实测大概能跑到30 Token/秒，差不多跟Codex里面的GPT-6.1 Sol一个速度，所以你能接受GPT-6.1 Sol的速度，那我觉得在本地跑Qwen-3.8 27B，我觉得你也没啥问题。
部署到本地以后，你就可以让他快乐的干活了，至此，你也拥有了，无限Token，想怎么干活怎么干活。
比如直接挂在后台，监控我产品的BUG反馈和Github上PR，直接异步全自动迭代，实现loop循环，相信我，在很多场景下，Qwen-3.8 27B，绝对够了。
那我们大语言模型有了，但你都买RTX Spark了，肯定不可能只玩个大语言对吧，那多亏啊。
所以我又陆陆续续部署了一系列的各种各样的模型。
比如图片生成模型、视频生成模型、本地OCR模型、ASR模型、TTS模型，甚至还有专门翻译的小模型等等等等。
各有各的用处。
就像3年前，那时候大家买电脑玩本地AI，很多人都是为了玩Stable Diffusion，那时候还缩写叫SD，可惜现在SD的名字都被Seedance抢走了。。。
这张图肯定很多人见过也用过，属实是我的AI启蒙。
而现在，版本变了，AI绘图开源模型里面，Qwen-Image-2.1独领风骚，直接就可以部署以后，你也可以实现，无限画图。
BF16、40 步配置，一张1K左右的图，大概需要在1分多钟。
效果也很不错。
当然，你也可以，直接出视频。
H3在本地就可以直接跑，15秒的720P，本地跑大概20分钟。
还有等等等等。
这些，是我在本地里面，精挑细选之后，装的所有的模型，基本能覆盖到绝大多数场景了。
这么一看，在开源生态上，Qwen是真的强的离谱，几乎占了半壁江山。
而折腾这些模型，其实也挺麻烦的，虽然有Agent了，但是还是没有那么开箱即用。
于是，为了让大家也可以方便的开箱即用，包装整合一下，于是，我想了想，把整套的路径和流程，打包成了一个WorkBuddy上的专家，放在了RTX Spark的专区里面。
当你把机器买来以后。你只需要打开WorkBuddy, 安装这个专家。
它就会先检查你的电脑配置，以及本地已经有哪些模型了。
因为并不是所有人，都是128G的内存版本，那适配和能带的动的模型也不一样，所以这个专家会根据你的实际电脑配置来给你做一个清单的规划，告诉你应该配置什么样模型。
如果你已经配置过了，那么他们就会显示已就绪，如果是刚开始没有下载的话，它就会引导你去下载。并且我也全部都设成了魔搭社区的链接，所以也不需要做一些特殊的网络配置。
然后，所有的能力和推理引擎我都已经封装好了，当你跟着引导下好模型之后，也完全可以使用这个专家来调用你所有的本地模型。
比如直接让他画图，再让他生成一段视频，甚至可以组合起来进行使用。
比如，你想给自己的文章做一张配图。
你可以直接跟它说，帮我画一张16:9的赛博朋克风格城市夜景，它就可以调用本地的Qwen-Image-2.1，直接在你的电脑上生成图片。
如果你觉得图片不错，还想让它动起来，那就接着说，把刚刚那张图做成一段视频。它就可以继续调用本地的H3视频模型，去完成下一步的生成。
甚至你还可以把几个模型串起来，这就是128G超大内存的好处了，可以并行跑。
比如，我丢给它一张英文的产品发布会截图，先调用OCR模型把里面的文字识别出来，再调用翻译模型翻译成中文，最后交给Qwen3.8-27B，帮我整理成一段适合公众号使用的介绍。
或者你有一段会议录音，也可以通过本地ASR模型转成文字，再用大语言模型帮你提炼重点、整理待办。
这些场景涉及的模型能力，我都整合到了这个专家里，不过能用哪些，取决于你的电脑配置，还有已经下载和配置好的模型。
而且整个过程中，你不需要自己去研究每个模型的API怎么调用，也不需要知道背后到底跑的是什么推理框架。
而这所有的行为和操作都是在你本地电脑上完成的，不花一分钱。
毕竟大家花了几万块钱买一台RTX Spark，总不能买回来以后，还得先花半个月学Python、学CUDA、学各种推理框架，才能真正把这台机器的能力用起来吧。。。
我希望普通人拿到机器以后，也能尽可能简单地把本地AI用起来。
而且这些本地模型推理，都不需要再额外支付API费用，想画多少图、翻译多少文字，就看你自己的硬件能跑多少了。
希望这个小小的专家，能对大家有用。
当我做完了这一切以后，我是真的觉得自己，用AI的心情，是跟以前不一样了的，有一种，更加自由的感觉，不需要被Token额度所束缚。
真的，每次看到这种东西我都很难受。
而这种Token自由带来的创造力，我感觉也会更多。
举个例子，我自己的英语不是很好，所以你让我去阅读一些国外的网站。对我来说还是有很大的挑战的，但对于一个AI博主来说，不看国外的网站，那是不可能的。
所以一直以来我都在用模型来去帮我翻译，这就避免不了的，需要用到付费的Chrome浏览器翻译插件，要么订阅，要么为API所付钱。
但我有了这台电脑以后，我的第一个想法就是，为什么我不自己部署一个本地专门翻译的小模型，然后自己搓一个Chrome浏览器翻译插件，来解决我的这个问题呢？
于是，我只花了半小时，就搞定了。
在浏览的实时效果上，是这样的，基本可以做到近乎实时的翻译，而且翻译效果极佳。
而它的翻译的模型，是我精挑细选对比之后，选的B站的一个2B的小模型，在我自己的评估体系里面，我会觉得它的翻译质量是真的很不错，而且非常懂科技，在一些专业名词上都不会乱翻译。
并且推理速度极快，基本1秒钟全都能出来，而且是2B小模型，所以我直接设了在翻译浏览的时候，根据文本块，直接设置了6路并行，我觉得差不多了。
如果想要更快，那开8路或者12路也行。
而现在，直接插件自己写，模型自己本地跑，想怎么调怎么调。
这种感觉，还是很不一样的。
今天的AI，主要在响应人的请求，但未来的AI，一定会越来越多地参与到人的整个生活和工作的所有流程里。
而这个变化，会直接带来一个特别现实的问题，也就是我上面提到的。
成本。
我觉得很多人其实低估了这个问题，我其实前几天分享过我现在自己纯粹的阅读会员订阅费用。
我就不展开给大家算了，但是结论就是我每个月要花6000块钱的AI会员订阅费用，你没看错，6000块。
这其实还没有算上我的一些程序的后端自动化的费用。
比如我的AIHOT。
每天，都会有巨量的工作流，在后台处理着上千条新闻，而每一个新闻后面都可能是三四个模型进行协同，对它进行预筛、实体抽取、精选打分、翻译、摘要、聚簇、去重等等等等。
全都是钱。
最狠的时候，我的API账单是这样的。
即使后面稳定了，每天的消费也是100多块钱的API费用，这还只是其中一个产品，我已经极尽可能去省钱了，用的全是flash级的小模型，基本上一次就几分钱，还是会堆成这样。
如果真的未来的AI开始全天候工作呢？假设你的电脑每隔几秒钟，就需要识别一次当前屏幕上的内容呢？假设你工作的时候，它就在在后台无时无刻的整理文件、检索资料、分析各种信息呢？假设你每打开一个软件，它都可能需要做几次小的判断呢？
这些任务，每一件的计算量可能都不大。
但当它们变成每天成千上万次，甚至更多次的后台调用以后，事情就完全不同了。
如果所有这些任务，都要云端，都要调用API，都要按Token付费。
那么你相信我，这个费用会夸张到我们普通人绝对不可能接受的程度。
最搞笑的是，这里面很多任务，可能根本用不到什么顶级大模型。
比如一个2B的翻译模型就能干得很好的活，或者一个极快的很小的决策模型就能干的判断的活，你为什么非要每次都请求一遍几千公里之外的数据中心？
当智能的边际使用成本足够低的时候，人们才会开始把智能用在那些过去根本不值得使用智能的地方，而这，才会带来真正的创新。
在我很小的时候，还是胶卷时代，那时候，一卷胶卷就几十张，买胶卷要钱，冲洗也要钱，所以那时候我还记得，在老家跟亲戚聚餐的时候，大家拍照都特别郑重，要等人到齐，要摆好姿势，要喊一二三。
后来数码相机出来了，再后来手机拍照普及了，每多按一次快门，成本几乎是零。
于是大家开始随手拍，拍吃的，拍天上的云，拍身边的伙伴，出去旅游一下，一天拍几百张都是稀松平常。
拍照开始变得不要钱了，于是，有了自拍，有了街拍，有了短视频，这一切的一切，都是从拍照约等于免费开始。
人就是这样，只要每用一次都需要付钱，人就会算计，就会省着用，那些最奇怪、最随机、最有创意的事情，可能大家完全都不敢去尝试。
就像A16Z的报告，即使已经是2026年、AI已经大肆奔涌了快4年了，在美国那边，依然是98%的美国家庭还没有为AI付过费。
这就是现实。
而且对于我自己来说，云端模型它好像永远不是属于我的东西，它是我租的。
这可能也是我们华夏文明，自古以来，对土地的一种执念吧。
就像云端的模型，它就像我们租来的地，它确实很强，是那种最肥的地，它的产量最高。但它永远不是我的，可本地的模型就是我的那一亩三分田，它的产量可能低一点，能力可能差那么一些。可那好像就是我自己的东西，没有人会管我，也没有人会随时随地收回我的土地，我想在上面做什么，都可以。
这是一种物质上和精神上的自由。
苏轼《赤壁赋》里有一段话，我特别喜欢。
惟江上之清风，与山间之明月，耳得之而为声，目遇之而成色，取之无禁，用之不竭，是造物者之无尽藏也，而吾与子之所共适。
这一周的RTX Spark的使用，对我来说的感受，就是取之无禁，用之不竭。
当你有了一台这样的机器，有了在本地跑的模型后，相信我，你一定能懂我的感受。
我手上的这一台华硕的机器，它的定价其实已经是大幅的低于我预期了，大家都知道现在的内存还有算力有多金贵，我本来预期我这台128G+1T的设备，至少是卖45000以上，但最后的定价，其实是37999，已经很不错了。
但我知道，如今的RTX Spark对于绝大多数人来说，依然还是过于昂贵。
但，就像几十年前，个人电脑刚刚出现的时候，也同样很贵。
可随着后来芯片越来越便宜，电脑越来越普及，几乎人人都有一台个人电脑之后，大时代来了。
现在你花几千块钱买一台电脑，它的计算能力可能就已经远远超过了当年某些昂贵的大型计算机。
AI很可能也会经历一个类似的过程。
今天我们需要一台三万多块钱的RTX Spark，才能比较舒服地在本地运行一个几十B参数的大模型。
但随着模型量化、蒸馏、推理优化和芯片技术的继续发展，未来类似的能力，可能会逐渐进入普通笔记本，甚至手机。
而RTX Spark这种设备，我觉得，至少让我们提前看到了那种未来可能是什么样子。
每个人，都可以在自己的电脑里，拥有真正属于自己的，取之无禁，用之不竭的智能。
我们已经花了几十年的时间，让计算属于每个人。
接下来，智能，也将真正属于。
每个人。
