El 20 de septiembre de 2026, NVIDIA presentó su apuesta por llevar la IA local al hogar a través de equipos como DGX Spark, mientras Perplexity amplió a Windows Portable Computer, un agente que ejecuta sus tareas en local por defecto y puede pedir permiso para enviar pasos concretos a modelos en la nube. La propuesta ya no gira solo alrededor de montar un ordenador y pelearse con la línea de comandos: también incluye sistemas dedicados, software de ejecución y herramientas para repartir cargas entre varios equipos.
La idea tiene una frontera muy clara. Ejecutar modelos en casa puede mejorar el control sobre los datos y permitir trabajar con modelos grandes gracias a una memoria amplia, pero la capacidad disponible no equivale automáticamente a más velocidad ni sustituye a todos los servicios en la nube.
La IA local deja de ser solo un proyecto para desarrolladores
NVIDIA está construyendo un ecosistema que combina hardware propio, CUDA, bibliotecas de IA, entornos de ejecución y herramientas para agentes. En ese mapa, NVIDIA DGX Spark es el equipo de sobremesa de mayor capacidad de memoria, mientras NVIDIA RTX Spark lleva la misma orientación a portátiles y equipos compactos con Windows 11.
Perplexity añadió otra pieza a mediados de septiembre de 2026. Perplexity Portable Computer funciona localmente por defecto en Windows cuando el equipo cumple los requisitos de hardware: una GPU NVIDIA GeForce RTX o RTX PRO con al menos 24 GB de VRAM. La herramienta utiliza el modelo local PPLX 27B y puede solicitar autorización para enviar una tarea individual a modelos en la nube cuando necesita razonamiento avanzado o investigación web.
Ese matiz cambia la experiencia frente a un chatbot puramente remoto. El procesamiento local es el punto de partida; la nube queda como una opción puntual que el usuario debe autorizar y que consume créditos de Computer.
Qué aporta realmente NVIDIA DGX Spark
NVIDIA DGX Spark utiliza el GB10 Grace Blackwell Superchip y ofrece 128 GB de memoria unificada coherente LPDDR5x. Al compartir ese espacio entre CPU y GPU, el sistema puede cargar modelos que superarían la memoria de vídeo habitual de una tarjeta gráfica de consumo.
NVIDIA afirma que DGX Spark puede ejecutar modelos de inferencia de hasta 200.000 millones de parámetros y ajustar modelos de hasta 70.000 millones de parámetros. También anuncia hasta 1 PFLOP de rendimiento FP4 teórico con sparsity, una cifra de capacidad de cálculo que no debe confundirse con la velocidad de generación de texto en una aplicación concreta.
La ficha del equipo incluye un procesador Arm de 20 núcleos, un ancho de banda de memoria de 273 GB/s, almacenamiento NVMe de 4 TB, Wi‑Fi 7, Ethernet de 10 Gb y una interfaz de red ConnectX-7 de 200 Gb/s. El sistema mide 150 × 150 × 50,5 mm y pesa 1,2 kg.
En España, el marketplace de NVIDIA lista NVIDIA DGX Spark Founders Edition por 4.800 euros. La cifra corresponde a esa edición y ese mercado; no convierte automáticamente a otros equipos basados en GB10 en el mismo producto ni fija precios para RTX Spark.
| Sistema | Memoria unificada | Sistema operativo | Papel documentado |
| NVIDIA DGX Spark | 128 GB LPDDR5x | NVIDIA DGX OS | Desarrollo de IA local, inferencia y ajuste de modelos de gran tamaño |
| NVIDIA RTX Spark | Hasta 128 GB LPDDR5X en la configuración superior | Windows 11 | IA local, agentes, creación de contenido, videojuegos y trabajo de PC |
La diferencia importante no está solo en el número de gigabytes. La memoria determina qué modelo cabe; el ancho de banda, la arquitectura, la cuantización y el flujo de trabajo influyen en cuánto tarda en responder. Una demostración práctica de DGX Spark muestra tareas de programación local con Qwen, gestión de modelos mediante LM Studio, Claude Code y acceso remoto a través de Tailscale. Es un escenario útil para entender el equipo como servidor personal de IA, no como una promesa de rendimiento idéntico para cualquier modelo.
De DGX Spark a RTX Spark: la misma idea llega a Windows
NVIDIA describe RTX Spark como una plataforma de portátiles y equipos de sobremesa compactos con Windows 11. Los portátiles combinan una GPU RTX Blackwell con una CPU Grace y ofrecen configuraciones de memoria unificada de hasta 128 GB; otras configuraciones llegan hasta 64 GB. La potencia térmica anunciada para los portátiles se sitúa entre 45 y 80 W, mientras que la configuración de sobremesa figura con 140 W de TDP.
El atractivo de RTX Spark está en acercar los modelos locales a un entorno Windows convencional, con espacio para agentes, juegos, creación de contenido y desarrollo con CUDA. La memoria disponible dependerá de la configuración concreta: los 128 GB corresponden a la opción superior documentada, no a todos los portátiles de la familia.
Así, DGX Spark prioriza la capacidad concentrada en un equipo dedicado y RTX Spark busca integrar esa lógica en formatos de PC más familiares. Ambos pertenecen al mismo movimiento, pero no son intercambiables en sistema operativo, configuración ni formato.
El software es la pieza que vuelve utilizable la IA local
El hardware por sí solo no convierte un modelo en una herramienta cotidiana. NVIDIA agrupa runtimes y bibliotecas como Ollama, llama.cpp, TensorRT, SGLang, vLLM, WindowsML y PyTorch con CUDA para que los desarrolladores puedan elegir cómo cargar y servir sus modelos.
NVIDIA PAIR, siglas de Personal AI Router, añade una capa de coordinación para equipos compatibles con Windows, Linux, macOS y DGX Spark. Su función es enrutar solicitudes entre máquinas de una red local: un equipo puede atender una petición mientras otro procesa otra.
PAIR no combina la VRAM de varios ordenadores en una única GPU virtual. La distinción importa: tener varios equipos disponibles permite distribuir solicitudes, pero no transforma sus memorias separadas en un único espacio donde quepa un modelo más grande.
Perplexity Portable Computer sigue una lógica parecida en otro nivel. El agente comienza trabajando en el equipo Windows compatible y puede pedir autorización para escalar un paso concreto a la nube. Por eso la experiencia no es completamente ajena a los servicios remotos: es un modelo híbrido con ejecución local como comportamiento predeterminado.
Lo que se gana y lo que todavía se sacrifica
La primera ventaja de ejecutar IA en casa es el control: los prompts y los archivos pueden permanecer dentro de la red doméstica cuando la tarea se resuelve localmente. También aumenta el margen para cargar modelos que no caben en la VRAM de una tarjeta convencional, especialmente en sistemas con memoria unificada abundante.
El precio de esa autonomía es la complejidad. Hay que elegir modelo, cuantización, runtime y método de acceso; además, el resultado depende de la memoria y del ancho de banda del sistema. La capacidad para cargar un modelo grande no garantiza una respuesta rápida ni una experiencia uniforme en todas las aplicaciones.
El coste también pesa. La edición Founders Edition de DGX Spark figura en España por 4.800 euros. Para quien solo necesite ejecutar modelos pequeños, un PC con GeForce RTX puede ser una opción más adecuada; para quien quiera experimentar con modelos grandes, agentes locales y desarrollo, la memoria de DGX Spark resuelve una limitación distinta.
La diferencia frente a la nube tampoco es absoluta. Las tareas que requieren información web actualizada o modelos remotos más avanzados pueden seguir necesitando una conexión externa. Portable Computer refleja esa realidad al pedir permiso antes de escalar pasos individuales.
Qué significa esto para quien quiere IA en casa
La IA local ya tiene una ruta concreta para distintos perfiles. Un PC con GeForce RTX puede cubrir modelos pequeños y tareas cotidianas; DGX Spark está orientado a cargas que se benefician de sus 128 GB de memoria unificada; RTX Spark plantea llevar esa capacidad a equipos Windows 11; y Portable Computer añade una interfaz de agente para hardware compatible.
NVIDIA no está ofreciendo una única máquina que resuelva todos los casos, sino una cadena de hardware y software: memoria para que quepan modelos grandes, runtimes para ejecutarlos, agentes para convertirlos en herramientas y PAIR para repartir solicitudes entre varios equipos. La nube sigue formando parte del recorrido cuando una tarea exige investigación web o razonamiento avanzado.
