戴尔 GB10：把超级计算搬进桌面，开启本地 AI 新纪元

近几年，AI 开发大多靠云端大型集群推进。可随着小中型语言模型实力提升，开发者开始反思：既然小模型越来越能打，为什么研发还要绑定在遥远又昂贵的云资源上？

本地算力的跟进相对缓慢，哪怕高端工作站装载这些前沿模型也会卡在内存上。处理 30 亿、70 亿参数的模型时，团队往往要靠压缩、切分或借助外接 GPU 服务器来凑。对于受监管的行业，这些涉及数据流转的做法并不轻松。更别提初创和研究者，动辄的云费用和拉长的迭代周期都是负担。

为了破局，像戴尔这样的硬件厂商加快布局。戴尔最新发布的 Pro Max 搭配 GB10，定位为开发者提供更强的本地 AI 算力，助力冲破硬件天花板。戴尔也强调，要训练超过 70 亿参数的模型，所需资源已超出大部分高端工作站的能力范围。

把 NVIDIA 的 Grace Blackwell 架构做成桌面形态，戴尔希望硬件与新一代“小而重”的 AI 负载无缝匹配。Pro Max 与 GB10 配备 128GB 统一 LPDDR5X 内存，运行 Ubuntu Linux 与 NVIDIA DGX OS，开箱即含 CUDA、Docker、JupyterLab 以及 NVIDIA AI Enterprise 组件。

官方表示，该系统在 FP4 精度下可提供最高每秒 1000 万亿次的 AI 运算，让开发者在本地就能微调与打样高达 200 亿参数的模型。把这般算力塞进仅 1.2 千克、150mm x 150mm x 50.5mm 的小巧机身，工程实现可见一斑。

借助统一内存，开发者能在一个地址空间里操作大模型，减少 CPU 与 GPU 间内存来回的堵点。高校与研究室无需排队共享集群就能跑 Meta 开源的 Llama，初创团队也可在早期直接做本地试验，不必一上来就砸钱上云。

戴尔补充，如果团队需要更强算力，可把两台 GB10 组合成单节点，支撑最高 400 亿参数的模型。得益于预装的 DGX OS，训练作业可快速起步，并可搭配更多 SDK 与编排工具进行管理。

划重点：  

🌟 Pro Max 搭配 GB10，将强劲本地算力带给开发者，帮助突破硬件瓶颈。  

💻 配备 128GB 统一内存，可在本地微调最多 200 亿参数模型，贴合当下 AI 场景。  

🚀 两台 GB10 组合为单节点，可支持最高 400 亿参数，提供更灵活的算力扩展。