مشخصات فنی کلیدی

چیپ اصلی: NVIDIA GB10 Grace Blackwell Superchip با معماری ترکیبی CPU (ARM-based) + GPU (Blackwell).

حافظه: 128 گیگابایت حافظه unified (مشترک بین CPU و GPU) LPDDR5x (یا مشابه) برای عملکرد بالا در مدل‌های هوش مصنوعی.

عملکرد AI: تا 1 پتاFLOP یا “۱۰۰۰ TOPS” (بسته به دقت محاسبه) برای کاربردهای AI.

معماری ارتباط: استفاده از NVLink‑C2C بین CPU و GPU برای پهنای باند بالا؛ همچنین پشتیبانی از NVIDIA ConnectX‑7 برای اتصال دو واحد GX10 جهت افزایش مقیاس.

قابلیت مقیاس: امکان اتصال دو دستگاه GX10 به کلستر برای پشتیبانی از مدل‌های بزرگ‌تر (مثلاً تا ~۴۰۰ میلیارد پارامتر) با استفاده از ConnectX-7.

فرم فاکتور: بسیار جمع‌وجور برای چنین قدرتی؛ گزارش‌هایی از اندازه ~۱۵۰×۱۵۰×۵۱ میلی‌متر.

سیستم‌عامل / نرم‌افزار: مبتنی بر NVIDIA DGX OS (Linux/Ubuntu-based) و پشتیبانی از اکوسیستم نرم‌افزارهای AI (مثل PyTorch, TensorFlow, Jupyter).

ذخیره‌سازی تقریبی: برخی گزارش‌ها اشاره کرده‌اند به پشتیبانی از SSD M.2 NVMe (تا 4 ترابایت) برای طیف وسیع داده‌ها.

🎯 کاربردهای توصیه‌شده

توسعه، آموزش (fine-tune) و استنتاج (inference) مدل‌های نسل جدید هوش مصنوعی (LLM، مولد، شبکه‌های عمیق) در سطح دسکتاپ یا توسعه محلی.

محیط‌هایی که می‌خواهند وابستگی به ابر را کاهش دهند و توان محاسباتی نسبتا بالا را در محل (on-premise) داشته باشند.

تیم‌های تحقیقاتی، استارتاپ‌ها یا توسعه‌دهندگان AI که نیاز به آزمایش سریع مدل‌ها با حافظه بالا دارند، بدون رفتن به دیتاسنتر بزرگ.

استفاده در مرکز داده‌های کوچک یا استقرار لبه (edge) که فضای فیزیکی یا مصرف انرژی کم‌تر نسبت به رک بزرگ دارند.

پروتوتایپ و آماده‌سازی مدل‌ها روی این سیستم و سپس انتقال به استقرار بزرگ‌تر یا سرویس ابری با حداقل تغییرات نرم‌افزاری، به واسطه همخوانی با اکوسیستم NVIDIA.