DGX is de familie van geïntegreerde AI-computers en infrastructuuroplossingen van Nvidia. Nvidia combineert daarbij processors, netwerk, opslag, systeemsoftware en ondersteuning in een gevalideerd geheel. DGX Spark is de compacte Linux-uitvoering voor een bureau; DGX Station is een zware deskside computer; DGX B200 en B300 zijn servers; BasePOD en SuperPOD beschrijven infrastructuur op grotere schaal.
Het voordeel van DGX is niet dat Nvidia een magische andere soort AI uitvoert. De waarde zit in integratie: onderdelen zijn ontworpen en getest om samen te werken. Daar staat een hogere aanschafprijs en sterkere afhankelijkheid van het Nvidia-ecosysteem tegenover.
Voor het totaalbeeld van de onderneming en alle productlagen lees je eerst of daarna wat is Nvidia?.
DGX in één overzicht
| Niveau | Voorbeeld | Bedoeld voor |
| Persoonlijk systeem | DGX Spark | Lokale ontwikkeling, prototyping en modellen met veel geheugenbehoefte |
| Deskside workstation | DGX Station voor Ubuntu; Windows-uitvoering aangekondigd | Zware lokale ontwikkeling en agents naast het bureau |
| Datacenterserver | DGX B200, DGX B300 | Training en inference met acht datacenter-GPU’s |
| Referentie-infrastructuur | DGX BasePOD | Schaalbare enterprise-AI met gevalideerd ontwerp |
| Supercomputer | DGX SuperPOD | Zeer grote trainings- en inferenceclusters |
| Beheerde capaciteit | DGX Cloud en partners | GPU-capaciteit gebruiken zonder eigen datacenterhardware |
Productnamen en beschikbaarheid veranderen. Zie DGX daarom als een schaalmodel, niet als één computer.
Wat maakt een systeem “DGX”?
Een DGX-systeem bevat meer dan GPU’s. Nvidia levert doorgaans:
- een gevalideerde hardwareconfiguratie;
- GPU’s en snelle verbindingen;
- CPU’s, systeemgeheugen en lokale opslag;
- netwerkinterfaces voor scale-out;
- DGX OS of ondersteunde Linux-configuraties;
- Nvidia AI Enterprise-software;
- beheertools;
- een support- en updatepad.
Bij een zelfgebouwde GPU-server komen die onderdelen van verschillende leveranciers. Dat kan goedkoper en flexibeler zijn, maar de klant of integrator draagt meer verantwoordelijkheid voor compatibiliteit.
Wat is DGX Spark?
DGX Spark is een compacte AI-computer met de GB10 Grace Blackwell-superchip. Het product heette bij de eerste aankondiging Project DIGITS, kreeg in maart 2025 de naam DGX Spark en wordt sinds oktober 2025 geleverd. Op de peildatum stond het officiële product als bestelbaar vermeld. Het systeem is ongeveer 15 bij 15 centimeter, 5 centimeter hoog en weegt circa 1,2 kilogram. Daarmee past het letterlijk op een bureau.
Belangrijke specificaties:
| Onderdeel | DGX Spark |
| Processor | Nvidia GB10 Grace Blackwell-superchip |
| CPU | 20-core Arm |
| Geheugen | 128 GB coherent unified LPDDR5x |
| Geheugenbandbreedte | 273 GB/s |
| Opslag | 4 TB NVMe |
| Opgegeven AI-prestatie | 1 PFLOP FP4 met sparsity |
| GB10-vermogensklasse | 140 W TDP |
| Formaat | 150 × 150 × 50,5 mm |
| Gewicht | 1,2 kg |
“1 PFLOP” geldt voor FP4-tensorbewerkingen met sparsity. Het is geen algemene prestatie voor ieder model en mag niet worden vergeleken met FP16- of FP32-cijfers zonder context.
Wat betekent 128 GB unified memory?
Bij een traditionele desktop heeft de CPU systeem-RAM en de losse GPU eigen VRAM. Gegevens moeten tussen die geheugengebieden worden gekopieerd. DGX Spark gebruikt een gedeelde geheugenpool waar CPU en GPU coherent bij kunnen.
Het grote voordeel is capaciteit. Een model dat niet in 32 GB GeForce-VRAM past, kan mogelijk wel in de 128GB-pool passen. De keerzijde is bandbreedte: 273 GB per seconde is veel lager dan de lokale geheugenbandbreedte van high-end desktop- en datacenter-GPU’s.
Daarom zijn er twee verschillende vragen:
- Past het model? Spark kan door de grote pool voordeel hebben.
- Hoe snel draait het model? Een RTX-kaart kan winnen wanneer het model volledig in diens snellere VRAM past.
De vergelijking met actuele videokaarten staat in welke Nvidia-GPU heb je nodig voor lokale AI?.
Hoe groot kunnen modellen op DGX Spark zijn?
Nvidia noemt inference met modellen tot 200 miljard parameters en finetuning tot 70 miljard parameters. Twee gekoppelde systemen worden gepositioneerd voor inference tot 405 miljard parameters.
Dit zijn capaciteitsclaims onder specifieke omstandigheden, geen belofte dat ieder model van die grootte snel en met maximale context draait. Het resultaat hangt af van:
- quantisatie;
- architectuur;
- aantal actieve parameters;
- contextlengte;
- modelserver;
- batchgrootte;
- verdeling over twee systemen.
Een dicht 200B-model in hoge precisie past niet in 128 GB. De opgegeven klasse veronderstelt dus geschikte compressie en software.
Voor wie is DGX Spark bedoeld?
Spark past vooral bij:
- ontwikkelaars die modellen lokaal willen voorbereiden voordat ze naar een datacenter gaan;
- onderzoekers die meer geheugen nodig hebben dan een gewone laptop biedt;
- teams die gevoelige data lokaal houden;
- demonstraties en prototypes;
- inference met grote, gequantiseerde modellen;
- experimenten met Nvidia’s AI-softwarestack.
Het systeem is minder logisch als:
- een 7B- of 14B-model al snel op een bestaande GPU draait;
- maximale tokens per seconde belangrijker zijn dan modelcapaciteit;
- x86-only software of uitbreidingskaarten nodig zijn;
- zware training het hoofddoel is;
- incidentele cloudhuur goedkoper is.
Arm-architectuur is een praktisch aandachtspunt
De CPU in DGX Spark gebruikt Arm, niet de x86-architectuur van veel desktops en servers. Veel open-sourcepakketten ondersteunen Arm, maar niet ieder binair pakket of iedere eigen extensie is direct beschikbaar.
Controleer vóór aankoop:
- of containers een linux/arm64-image hebben;
- of Python-wheels voor Arm bestaan;
- of eigen C++-afhankelijkheden compileren;
- of randapparatuur en drivers worden ondersteund;
- of commerciële software een Arm-versie levert.
Een model kan technisch passen terwijl een ontbrekende afhankelijkheid de workflow blokkeert.
Wat is DGX Station?
DGX Station is het deskside-niveau tussen Spark en een rackserver. De actuele Ubuntu-uitvoering kan worden besteld en gebruikt een GB300 Grace Blackwell Ultra Desktop Superchip. Nvidia vermeldt:
- 748 GB coherent memory, opgebouwd uit 252 GB HBM3e en 496 GB LPDDR5X;
- maximaal 20 PFLOPS FP4;
- volgens Nvidia ondersteuning voor modellen tot één biljoen parameters;
- een optionele RTX PRO Blackwell-GPU;
- maximaal zeven MIG-partities voor gescheiden workloads.
Het modelcijfer van één biljoen parameters is een leveranciersclaim over capaciteit onder geschikte omstandigheden. Het zegt niet dat ieder model van die grootte snel draait, volledig in hoge precisie past of zonder aanvullende opslag en software kan worden gebruikt.
Station is geen gewone tower-pc. Vermogen, koeling, geluid, stroomvoorziening en service moeten vooraf worden gecontroleerd. Het product is relevant voor organisaties die zeer zware rekenkracht dicht bij een team willen plaatsen, maar nog geen volledig cluster nodig hebben.
DGX Station for Windows is een aparte toekomstige uitvoering
Nvidia kondigde op 31 mei 2026 een Windows-uitvoering aan met dezelfde GB300-basis en maximaal 748 GB coherent memory. Deze variant is gericht op lokale, altijd actieve bedrijfsagents en combineert Windows-beheer met Linux-tools via WSL. Integratie met OpenShell is aangekondigd.
De Windows-uitvoering werd voor het vierde kwartaal van 2026 aangekondigd bij fabrikanten zoals ASUS, Dell, Gigabyte, HP, MSI en Supermicro. Op 25 augustus was hij dus nog niet algemeen leverbaar. Verwar deze toekomstige uitvoering ook niet met RTX Spark voor Windows-laptops en compacte desktop-pc’s; dat is een veel lichtere productcategorie met maximaal 128 GB unified memory.
DGX B200 en DGX B300
DGX B200 en B300 zijn datacentersystemen met ieder acht GPU’s.
DGX B200
DGX B200 bevat acht Blackwell-GPU’s en in totaal 1.440 GB GPU-geheugen. Het systeem is ontworpen voor grootschalige training en inference en gebruikt NVLink/NVSwitch voor snelle communicatie binnen de server.
DGX B300
DGX B300 gebruikt acht Blackwell Ultra SXM-GPU’s. Nvidia vermeldt:
- 2,1 TB totaal GPU-geheugen;
- 14,4 TB/s geaggregeerde NVLink-bandbreedte;
- ongeveer 14 kW vermogen;
- 10U rackruimte;
- meerdere 800Gb/s- en 400Gb/s-netwerkinterfaces;
- Nvidia AI Enterprise en Mission Control.
Die specificaties maken duidelijk dat aankoop van de server slechts één onderdeel is. Een datacenter moet stroom, koeling, rackruimte, netwerk en opslag kunnen leveren.
Lees voor de onderliggende generaties de uitleg over H100, H200, Blackwell en Rubin.
BasePOD en SuperPOD
DGX BasePOD
BasePOD is een referentiearchitectuur voor organisaties die meerdere DGX-systemen schaalbaar willen inzetten. Het beschrijft onder meer netwerk, beheer en opslagintegratie. De klant bouwt een omgeving op basis van gevalideerde patronen.
DGX SuperPOD
SuperPOD is bedoeld voor zeer grote AI-infrastructuur. Het combineert veel DGX-systemen, snelle fabric, storage en beheersoftware. De belofte is een meer turnkey route naar een AI-supercomputer.
“Turnkey” betekent niet dat er geen project nodig is. Locatie, energie, koeling, dataverbinding, beveiliging, personeel en applicatie-integratie blijven omvangrijke onderdelen.
Wat zijn DGX OS en Mission Control?
DGX OS is Nvidia’s Linux-gebaseerde systeemsoftware voor DGX. Het bundelt een gevalideerde combinatie van drivers en componenten.
Mission Control richt zich op het beheren en orkestreren van grootschalige AI-infrastructuur. Denk aan provisioning, workloadbeheer, gezondheidscontrole en operationele automatisering.
De applicatielaag wordt aangevuld door Nvidia AI Enterprise, NIM en andere enterprisecomponenten. DGX is dus de systeemfamilie; AI Enterprise is de software- en supportlaag.
DGX Cloud
DGX Cloud maakt Nvidia-gebaseerde capaciteit beschikbaar via cloud- en infrastructuurpartners. Dat kan aantrekkelijk zijn wanneer:
- hardware niet snel leverbaar is;
- een project tijdelijk piekcapaciteit vraagt;
- een organisatie geen geschikte datacenterfaciliteit heeft;
- meerdere generaties getest moeten worden;
- operationeel beheer gedeeltelijk moet worden uitbesteed.
Cloudgebruik vermijdt een grote aanschaf, maar kan bij langdurige hoge bezetting duurder worden. Dataoverdracht, beschikbaarheid per regio, reserveringen en vendor lock-in moeten worden meegenomen.
De algemene cloudafweging wordt uitgelegd in onze Microsoft Azure-gids.
DGX tegenover een zelfgebouwde server
| Onderdeel | DGX | Zelfbouw of systeemintegrator |
| Integratie | Vooraf gevalideerd | Zelf ontwerpen en testen |
| Flexibiliteit | Beperkter tot ondersteunde configuraties | Meer keuze in onderdelen |
| Support | Eén duidelijke Nvidia-route | Meerdere leveranciers |
| Implementatietijd | Potentieel korter | Meer engineering nodig |
| Lock-in | Sterk Nvidia-georiënteerd | Kan meer draagbaarheid bieden |
| Optimalisatie | Hardware en software op elkaar afgestemd | Afhankelijk van eigen expertise |
Een ervaren infrastructuurteam kan veel waarde uit maatwerk halen. Een klein team kan juist meer besparen op engineering en risico door geïntegreerde systemen te kopen.
DGX tegenover cloud-GPU’s
Eigen DGX-infrastructuur past bij stabiele, hoge bezetting en strikte eisen rond data of latency. Cloud past bij variabele vraag en snelle toegang.
Bereken minimaal:
- verwachte GPU-bezetting;
- kosten per nuttige GPU-uur;
- stroom, koeling en personeel;
- afschrijving;
- data-ingress en egress;
- benodigde redundantie;
- cloudreserveringen;
- restwaarde en vervangingscyclus.
Een server die slechts twintig procent van de tijd nuttig rekent, kan ondanks “gratis eigen uren” duurder zijn dan cloudgebruik.
Tien vragen vóór een DGX-aankoop
- Welke modellen en precisies moeten draaien?
- Is het doel training, inference of beide?
- Welke bezettingsgraad verwachten we?
- Kan de locatie het vermogen en de koeling leveren?
- Welke opslag- en netwerksnelheid is nodig?
- Welke AI Enterprise-licenties zijn inbegrepen?
- Wie beheert drivers, firmware en containers?
- Welke supportreactietijd is contractueel vastgelegd?
- Wat is het exitpad als een andere accelerator aantrekkelijker wordt?
- Is een pilot in de cloud goedkoper dan direct kopen?
Conclusie
DGX is Nvidia’s geïntegreerde route van persoonlijke AI-computer tot supercomputer. DGX Spark onderscheidt zich door 128 GB gedeeld geheugen in een compact Linux-systeem. DGX Station brengt 748 GB coherent memory naar een zware deskside computer, terwijl de Windows-uitvoering nog voor het vierde kwartaal van 2026 gepland staat. DGX B200 en B300 combineren acht datacenter-GPU’s met netwerk, software en support. BasePOD en SuperPOD brengen die bouwblokken naar clusterschaal.
De meerprijs is gerechtvaardigd wanneer validatie, implementatiesnelheid en één supportketen concrete risico’s verminderen. Wanneer maximale flexibiliteit of lage aanschafkosten belangrijker zijn, kunnen een eigen werkstation, systeemintegrator of cloud-GPU beter passen.
Veelgestelde vragen over Nvidia DGX
Wat betekent DGX?
Nvidia gebruikt DGX als productnaam voor geïntegreerde AI-systemen en infrastructuur. De letters worden in actuele productcommunicatie niet als noodzakelijke afkorting uitgelegd.
Is DGX Spark een gewone pc?
Het is een compacte Linux-gebaseerde AI-computer met een Arm-CPU, Blackwell-GPU en 128 GB gedeeld geheugen. De architectuur en het doel verschillen van een standaard x86-game-pc.
Kan DGX Spark een 200B-model draaien?
Nvidia positioneert Spark voor inference tot 200 miljard parameters, maar dat vereist een geschikte modelarchitectuur, quantisatie en context. Het zegt niet dat ieder 200B-model snel of in hoge precisie draait.
Is DGX Spark beter dan een RTX 5090?
Spark heeft meer geheugen; de RTX 5090 heeft snellere lokale GPU-geheugenbandbreedte. Voor grote modellen die vooral moeten passen kan Spark voordeel hebben. Voor kleinere modellen die in 32 GB passen kan de RTX-kaart sneller zijn.
Is RTX Spark hetzelfde als DGX Spark?
Nee. DGX Spark is een leverbare compacte Linux-ontwikkelmachine met DGX OS. RTX Spark is een aangekondigd platform voor Windows on Arm-laptops en kleine desktops, met RTX-graphics, creatieve toepassingen en gaming naast lokale agents.
Hoeveel stroom gebruikt DGX B300?
Nvidia geeft ongeveer 14 kW voor één DGX B300-systeem op. Netwerk, opslag en koeling komen daar in de totale faciliteitsbelasting nog bij.
Is Nvidia AI Enterprise inbegrepen bij DGX?
De licentie en looptijd verschillen per product en aanbieding. Controleer de concrete entitlement in de offerte; neem niet aan dat iedere DGX-configuratie dezelfde softwarelicentie bevat.
Robin HeesterOprichter
Robin Heester is mede-oprichter van AI Wereld en heeft door de jaren heen meerdere websites, nieuwsbrieven en magazines opgericht. Hij schrijft over technologie, innovatie en de maatschappelijke impact van nieuwe digitale ontwikkelingen.
Populair nieuws
Laatste reacties
- Is volgens X zelf aan de hand https://x.com/GlobalAffairs/status/2093130747796148634RobinHeester29-08-2026
- Wapeniseert?? Dit is een erg onbetrouwbaar bericht. Niet alleen slecht vertaald, maar ook niet controleerbaar.Cas.v28-08-2026
- Niet mijn observatie dat de toeleveringsaanvoer stabiliseert.Cas.v26-08-2026
- Ja, de transcriptie van het gesprek is gedaan met AI. Dank voor de feedback over de herhalingen, daar kan ik zeker nog wat scherper op zijn.RobinHeester21-08-2026
- Goed artikel, alleen jammer dat er zoveel Ai bij gebruikt is om het te schrijven, veel herhalingen, het had een stuk compacter gekund.🙃Cas.v21-08-2026
- Voor zover ik weet moet je bij academische publicaties vooral eerlijk en transparant zijn over hoe en waar je AI hebt gebruikt. En de oorspronkelijke informatiebronnen kunnen dan gewoon volgens APA worden vermeld. Maar daar weet ik het fijne ook (nog) niet van.RobinHeester13-08-2026
- Ik ben benieuwd wat dit gaat betekenen voor de APA verwijzingen in academische publicaties.Cas.v13-08-2026
- Wie wordt er beter van.....zal Meta wel zijnhenk.h10-07-2026
- Wat voor weer wordt het vandaaghenk.h03-07-2026
- Dit artikel is van 1 april, dus deze belasting is niet echt. Gelukkig maar. :)RobinHeester12-05-2026
Loading