先講結論:如果你想搵一部放喺枱面、用嚟試本地 LLM 或 AI app workflow 嘅細機,AMD Halo Box/Ryzen AI Halo 的確係衝住同 DGX Spark 相近的需求而嚟。不過,以目前公開資料睇,它更似 AMD/ROCm 陣營的替代選擇,未夠證據話佢係 DGX Spark 殺手。
現有報道把 AMD 這部系統同 Ryzen AI Max+ 395、最多 128GB LPDDR5x 統一記憶體,以及 Windows/Linux ROCm 支援連在一起;CES 2026 報道亦指它定位於製作及測試客戶端 AI 應用的平台 [11][
15]。對照之下,NVIDIA DGX Spark 是基於 GB10 Grace Blackwell、配 128GB coherent unified system memory、標稱 1 PFLOPS FP4 AI 性能,並預載 NVIDIA AI 軟件堆疊的桌面 AI 系統 [
21][
24]。
快速判斷:唔係鬥口號,而係兩套 AI 開發路線
目前公開資料未足以斷言 Halo Box 一定快過 DGX Spark。AMD 相關報道提到 126 TOPS 級 AI 性能;NVIDIA 官方銷售頁則列出 1 PFLOPS FP4 AI 性能 [2][
24]。但 TOPS、PFLOPS、FP4 精度和實際工作負載不是同一把尺,單靠數字大細直接比較,容易睇錯重點。
更合理的睇法係:AMD 想喺桌面 AI 開發系統這個類別,推出一部 ROCm 路線的選擇。Ryzen AI Halo 被描述為本地 AI 開發的參考平台;而 DGX Spark 則被 NVIDIA 文檔定位為讓開發者、研究員、數據科學家在桌面上原型開發、部署及微調大型 AI 模型的系統 [11][
17]。
名稱同上市時間:2026 年 6 月未算坐實
AMD 這部產品的名字,現階段喺不同報道入面仍然有幾個講法:Halo Box、Ryzen AI Halo、Ryzen AI Halo Box 都有出現。Linux kernel patch 入面透過 amd_halo_led driver 見到 Halo Box 名稱;TechRadar 則報道 AMD 會喺 2026 年推出名為 Ryzen AI Halo 的 PC;另一些 CES 2026 報道就稱它為 Ryzen AI Halo Box [3][
11][
15]。
至於上市時間,話「2026 年 6 月推出」仍然太實牙實齒。現有報道較一致的講法係目標在 2026 年第二季,即 Q2 [2][
3][
14]。Q2 包括 4 月至 6 月,所以 6 月係可能性之一,但目前可確認的表述不是某一日、甚至不是明確 6 月,而係 2026 年第二季 [
2][
3][
14]。
規格對比:邊啲已經清楚,邊啲仲係報道層面?
AMD 這邊,目前較多資料來自報道、展示及 Linux patch 線索;DGX Spark 則有 NVIDIA 文檔、官方 marketplace 和銷售頁列出較完整的硬件配置 [17][
21][
24]。
| 項目 | AMD Halo Box / Ryzen AI Halo | Nvidia DGX Spark |
|---|---|---|
| 產品定位 | Linux patch 出現 Halo Box 名稱;Ryzen AI Halo 被報道為本地 AI 開發參考平台 [ | NVIDIA 文檔指它讓開發者、研究員及數據科學家在桌面上原型開發、部署和微調大型 AI 模型 [ |
| 核心晶片 | 被報道採用 Ryzen AI Max+ 395,屬 Strix Halo 路線 [ | 基於 NVIDIA GB10 Grace Blackwell Superchip [ |
| CPU | 被報道最高 16 個 Zen 5 核心、32 threads [ | 配備 20-core Arm processor [ |
| AI / GPU | 整合 Radeon GPU core 及 NPU;報道提到 40 個 GPU compute unit、126 TOPS 級 AI 性能 [ | 官方列出 1 PFLOPS FP4 AI 性能 [ |
| 記憶體 | 最多 128GB LPDDR5x 統一記憶體 [ | 128GB coherent unified system memory [ |
| 軟件 | 被報道支援 Windows 與 Linux 上的 ROCm [ | 銷售頁指系統預載 NVIDIA AI software stack [ |
| 儲存與網絡 | 以現有來源計,最終儲存、網絡配置仍未有足夠公開資料確認。 | NVIDIA 資料列出 4TB NVMe M.2、ConnectX-7 Smart NIC、Wi‑Fi 7、10GbE 等配置 [ |
| 模型支援 | 被描述為本地 AI 開發,以及製作、測試客戶端 AI 應用的平台 [ | NVIDIA 文檔及 PNY data sheet 指可支援最高 200B 參數模型 [ |
點解 128GB 統一記憶體係焦點?
跑本地 LLM 時,模型權重要放入記憶體,記憶體池夠唔夠大,會直接影響你實際可以試到幾大、幾複雜的模型 [2]。所以兩部機都把 128GB 級統一記憶體放喺賣點前排:AMD 一方報道為最多 128GB LPDDR5x 統一記憶體,DGX Spark 則列出 128GB coherent unified system memory [
2][
11][
24]。
但同樣係 128GB,不代表支援範圍就一樣。DGX Spark 在 NVIDIA 文檔及 PNY data sheet 入面明確寫到支援最高 200B 參數模型;而以目前提供的 AMD 相關來源,未見同樣形式的官方參數上限 [17][
18]。
AMD Halo Box 可以打的位
第一,是 AMD/ROCm 開發環境。Ryzen AI Halo 被報道為支援 Windows、Linux 及 ROCm 的本地 AI 開發平台;Wccftech 亦指 Ryzen AI Halo Mini PC 支援完整 AMD ROCm framework [11][
14]。如果你本身想驗證 AMD 硬件上的 AI app,這個方向會有吸引力。
第二,是細機身配 128GB 級統一記憶體這件事,方向上確實同 DGX Spark 重疊。AMD 一邊主打最多 128GB LPDDR5x 統一記憶體;NVIDIA 一邊則提供 128GB coherent unified system memory,兩者都把「本地 AI 開發需要夠大記憶體」放喺核心位置 [2][
24]。
第三,是目標不完全相同。CES 2026 相關報道指 Ryzen AI Halo Box 不是單純高階消費者桌面機,而是用來建立及測試客戶端 AI 應用的開發平台 [15]。換句話講,Halo Box 更似係一部給開發者在 AMD 平台上試本地 AI app 的盒,而未必是要正面取代大型 AI 研究工作站。
DGX Spark 仍然有優勢的地方
DGX Spark 最大優勢,是資料和產品定義夠清楚。NVIDIA 文檔列明它採用 Grace Blackwell 架構、整合 GPU 與 CPU、20-core Arm processor、128GB 統一系統記憶體、Wi‑Fi 7、10GbE、ConnectX-7;NVIDIA marketplace 亦列出 1 PFLOPS FP4、4TB NVMe M.2,以及 150mm × 150mm × 50.5mm 機身尺寸 [17][
24]。
軟件包裝亦是 DGX Spark 較明確的一環。Micro Center 產品頁指 DGX Spark 會預載 NVIDIA AI software stack [21]。對已經用開 NVIDIA 工具鏈、想把原型、微調、推論流程接到現有環境的團隊來講,這點可能比單看硬件數字更實際 [
17][
21]。
模型支援範圍亦寫得比較實。NVIDIA 文檔及 PNY data sheet 指 DGX Spark 憑 128GB 統一系統記憶體,可支援最高 200B 參數模型的實驗、微調和推論 [17][
18]。
仲有咩未清楚?
Halo Box/Ryzen AI Halo 的真正競爭力,仍然要等幾項未公開資料:最終價格、功耗、儲存配置、網絡配置、確實上市日期,以及官方或獨立 LLM benchmark。
尤其要留意,AMD 相關報道的 126 TOPS,和 NVIDIA 官方列出的 1 PFLOPS FP4,並不是同一個 workload 下的同一種量度 [2][
24]。本地 LLM 推論速度、微調可行範圍、記憶體頻寬、driver 穩定性、framework 兼容性,都要等實機和獨立測試先可以比較得準。
結論:Halo Box 係替代路線,唔係已定勝負
以現階段資料計,DGX Spark 是規格、模型支援範圍和軟件包裝都講得較實的桌面 AI 系統 [17][
21][
24]。AMD Halo Box/Ryzen AI Halo 則以 Ryzen AI Max+ 395、最多 128GB 統一記憶體、Windows/Linux ROCm 支援為重點,為想用 AMD 平台做本地 AI 開發的人提供另一條路線 [
2][
11][
14]。
所以答案好簡單:DGX Spark 仍然係定義較清楚的 NVIDIA AI 開發盒;Halo Box/Ryzen AI Halo 則係準備加入這個市場的 AMD/ROCm 替代方案。要判斷它係咪真正 DGX Spark 競爭者,仍要等 AMD 公布最終規格、價格、功耗、儲存、網絡,以及實際 AI workload benchmark。




