# Две системы Spark добавляют распределённую ёмкость, а не общую локальную шину

Sync Cluster Assistant упрощает настройку нескольких Spark. Соединённые системы сохраняют распределённое размещение и обмен вместо единой локальной шины памяти.

Автор: Редакция Retrivium
Language: ru
Разбор опубликован: 2026-11-03
Дата события: 2026-10-02
Первоисточник новости: https://blogs.nvidia.com/blog/local-ai-dgx-spark-64gb-sync/
Канонический URL: https://retrivium.ai/ru/retrospectives/retro-spark-cluster-memory-locality/

Соединение двух DGX Spark добавляет распределённую ёмкость, а не единую локальную шину памяти. Октябрьский помощник кластера уменьшает трудность настройки, сохраняя физическое различие локального когерентного доступа и обмена между машинами. Удобство подключения не меняет того, где расположены данные и каким путём приложение получает доступ к нужному состоянию.

## Сеть входила в исходный контекст

[Объявление Spark 18 марта 2025 года](https://nvidianews.nvidia.com/news/nvidia-announces-dgx-spark-and-dgx-station-personal-ai-computers/) представило персональную AI-систему и сетевой контекст. [Статья о поставке 13 октября 2025 года](https://blogs.nvidia.com/blog/live-dgx-spark-delivery/) затем документировала начало поставок исходного варианта с 128 ГБ. Это отдельные этапы появления платформы и её фактического вывода на рынок.

Этапы важны потому, что кластеризация не является поздним открытием существования сети. Последующее изменение относится к доступности многомашинного процесса. Аппаратная связность и пригодное распределённое приложение являются связанными, но различными достижениями. Можно иметь соединённые машины без приложения, которое действительно использует их совместно в одном вычислении или полезно разделяет между ними запросы.

## Что добавил октябрь

[Публикация 2 октября 2026 года](https://blogs.nvidia.com/blog/local-ai-dgx-spark-64gb-sync/) представила партнёрскую конфигурацию с 64 ГБ и Sync Cluster Assistant для соединения систем. Контекст GB10 и ConnectX сохранился. Помощник направляет настройку, не меняя базового расположения памяти и физических свойств доступа к ней из локального либо удалённого исполнения приложения.

Процесс с локальной памятью и распределённое вычисление с передачей данных проходят разные пути. Сумма ёмкости нескольких систем описывает общий инвентарь, но не устанавливает единое выделение с локальными свойствами доступа для каждого приложения. Общее количество памяти и способ её использования должны оставаться отдельными записями даже при простой настройке соединения.

## Распределённой модели нужен план размещения

Представим модель, разделённую между машинами. Приложение должно определить расположение работы и состояния, а также содержимое обмена по межсистемному каналу. Другая стратегия запускает независимые реплики, используя дополнительную машину для другого потока запросов. Оба варианта увеличивают возможности, но по-разному меняют путь одного запроса и ресурсный бюджет его исполнителя.

Это условные способы использования нескольких систем. Ни один автоматически не следует из подключения сети. Первый создаёт коммуникационные зависимости внутри запроса; второй меняет общую ёмкость сервиса при отдельных бюджетах каждой реплики. Поэтому оценка должна называть стратегию приложения, а не только наличие работающего соединения и сумму памяти двух машин.

## Артефакт топологии делает различие видимым

| Величина | Значение |
| --- | --- |
| Локальная память | Ёмкость локального исполнения одной системы |
| Общая память | Сумма соединённого инвентаря |
| Путь обмена | Канал передачи распределённого состояния |
| Размещение приложения | Фактическая стратегия разделения или репликации |

Таблица не превращает суммарную память в доказательство локального размещения модели. Она предотвращает и обратную ошибку — отрицание распределённой ёмкости из-за отсутствия локальности. Значим вопрос поддержки полезного размещения нагрузкой на выбранной топологии. Именно он определяет смысл соединения для приложения, независимо от удобства процедуры его первоначальной настройки.

## Причинная интерпретация

Исходная платформа дала системы и сеть, помощник уменьшил барьер процесса. Это облегчает эксперимент без устранения стоимости обмена или интеграции приложения. Универсального коэффициента масштабирования из объявления не следует. Материалы [смешанный парк GPU](/ru/journal/mixed-gpu-fleet/) и [пропускная способность памяти LLM](/ru/journal/memory-bandwidth-llm/) объясняют учёт ресурсов и значение пути доступа, сохраняя пользу кластеризации без называния машин одной локальной памятью.