NVIDIA RTX Spark: Der Laptop, der große KI-Modelle lokal laufen lässt

Ein KI-Modell auf dem eigenen Rechner laufen zu lassen, statt eines in der Cloud zu mieten, hat zwei schlichte Vorteile: keine monatliche Rechnung, und nichts, was du eintippst, verlässt jemals das Gerät. Genau dafür ist NVIDIAs RTX Spark gebaut, eine neue Art von Windows-Laptop und kleinem Desktop, gemeinsam mit Microsoft entwickelt, um KI direkt auf der Maschine selbst auszuführen. Unter dem ganzen Marketing-Trubel steckt eine einzige Entscheidung, an der dein Urteil hängen sollte, und sie hat nichts mit dem Logo zu tun: Der RTX Spark tauscht schnellen Speicher gegen einen viel größeren Speicher ein. Verstehst du diesen Tausch, weißt du nach einem Mal Lesen, ob die Maschine etwas für dich ist oder rausgeworfenes Geld.

Mehr Speicher, nicht schneller

Wenn ein KI-Modell läuft, muss sein „Gehirn” – die Milliarden Zahlen, die es beim Training gelernt hat – in einem Speicher liegen, den der Grafikchip lesen kann. Diesen Speicher kann man auf zwei Arten bauen, und die ziehen in entgegengesetzte Richtungen.

Eine normale Gaming-Grafikkarte trägt ihren eigenen, fest verbauten Speicher: klein, aber sehr schnell. Eine starke Laptop-Karte hat rund 16 Gigabyte davon. Der RTX Spark macht es andersherum. Er nutzt einen einzigen großen Speicher, bis zu 128 Gigabyte, geteilt zwischen Hauptprozessor und Grafik – derselbe Ansatz, den Apple in seinen Macs verwendet. Viel mehr Platz, aber jeder Lesevorgang ist langsamer.

Wie schnell dieser Speicher ist, zählt mehr, als es klingt. Um ein einziges Wort einer Antwort zu schreiben, liest der Chip das gesamte Modell aus dem Speicher, dann liest er es komplett noch einmal für das nächste Wort, und das nächste. Wie schnell der Chip seinen Speicher lesen kann, bestimmt, wie schnell die Antworten erscheinen. Fachleute nennen dieses Lesetempo Bandbreite, und eine Karte mit schnellem, fest verbautem Speicher spuckt den Text einfach zügiger aus.

Die kleine schnelle Karte gewinnt also beim Tempo. Der Haken: Ein Modell läuft überhaupt nur, wenn es vollständig in den Speicher passt. Ein großes Modell – die Sorte mit siebzig Milliarden internen Stellschrauben – braucht weit mehr als die 16 Gigabyte einer Laptop-Karte. Auf dieser Karte lädt es schlicht nicht. Auf dem 128-Gigabyte-Speicher des RTX Spark lädt dasselbe Modell und antwortet, langsam, aber erfolgreich.

Das ist der ganze Kern in einem Satz: Der RTX Spark ist nicht schneller, er ist größer. Damit wird die Kauffrage zu etwas Einfachem und Beständigem: Passe die Maschine an die Größe des Modells an, das du wirklich laufen lassen willst. Ein kleines Modell, das auf eine gewöhnliche Karte passt, hat auf einem großen, langsamen Speicher nichts verloren. Ein Modell, das für jede Karte zu groß ist, hat im Laptop keinen anderen Ort. Die Preise und Bauteilnamen veralten; dieser Kompromiss nicht.

Was NVIDIA tatsächlich angekündigt hat

NVIDIA und Microsoft haben den RTX Spark vorgestellt als die ersten Windows-Geräte, die eigens dafür gebaut sind, KI-„Agenten” direkt auf dem Gerät laufen zu lassen. Ein Agent ist hier Software, die nicht nur Fragen beantwortet, sondern für dich tatsächlich Aufgaben erledigt: Programme öffnen, Dateien verschieben, mehrere Schritte aneinanderhängen – auf deiner eigenen Hardware statt auf den Servern eines Konzerns.

Der Chip im Inneren ist das, was NVIDIA einen Superchip nennt, einfach ein Stück Silizium, das zwei sonst getrennte Teile verschmilzt: den Hauptprozessor (entwickelt mit dem Handychip-Spezialisten MediaTek, um den Stromverbrauch niedrig zu halten) und eine NVIDIA-Grafikeinheit, beide gespeist aus diesem einen Speicher. Die Geräte kommen im Herbst 2026 als dünne Laptops und kleine Desktops von den üblichen Namen – Dell, HP, ASUS, Lenovo, MSI und Microsofts eigenem Surface – und nicht als ein einzelnes Vorzeigegerät.

Worüber NVIDIA leiser war, wiegt genauso schwer. Das Unternehmen hat nicht veröffentlicht, wie schnell dieser geteilte Speicher tatsächlich ist – ausgerechnet die Zahl, die über alles oben entscheidet – und kein unabhängiger Tester hat bisher ein fertiges Gerät vermessen. Die kursierenden Preise siedeln diese Laptops deutlich unter einer Entwickler-Workstation und mitten im Premium-Notebook-Bereich an, aber das sind Schätzungen, keine bestätigten Schilder. Behandle jede Tempo-Angabe auf den Ankündigungsfolien als hoffnungsvolle Untergrenze, bis jemand außerhalb von NVIDIA die Tests durchführt.

Nicht mit dem DGX Spark verwechseln

Das ist die Verwechslung, die Geld kostet. NVIDIA verkauft ein zweites Produkt mit fast demselben Namen, den DGX Spark, und das ist eine andere Sache auf einem anderen Chip. Der DGX Spark ist eine kleine Desktop-Box für Entwickler, verkauft als fertiges Gerät, das du auf dem Schreibtisch stehen lässt und über das Netzwerk ansteuerst, betrieben von einem Chip namens GB10. (ASUS verkauft seine eigene Variante derselben Box, den Ascent GX10.) Er kostet ungefähr das Doppelte dessen, was für die Consumer-Laptops erwartet wird, und richtet sich an Leute, die KI-Modelle bauen, nicht an die, die sie nutzen.

Der RTX Spark ist das andere Ende: ein Windows-Laptop, den du zuklappst und in die Tasche steckst. Dieselbe grobe Chip-Familie, anderer Chip, anderer Käufer. Wenn du dir vor dem Kauf eine Sache merkst, dann diese: Der DGX Spark ist ein Schreibtisch-Gerät für Entwickler, der RTX Spark ein persönlicher Laptop. Anzunehmen, die beiden teilten sich einen Chip – oder das eine zu kaufen, wenn man das andere meinte – ist der häufigste Fehler in der frühen Berichterstattung. Zur Schreibtisch-Box und wie sie sich gegen eine Top-Gaming-Karte schlägt, siehe unsere DGX-Spark-Analyse.

NVIDIA ist spät dran, bringt aber eines mit, das die Konkurrenz nicht hat

Der große geteilte Speicher ist keine Erfindung von NVIDIA. Apple baut seine Macs seit Jahren so, und AMD verkauft dieselbe Idee unter Windows. Sie alle geben dasselbe Versprechen: ein großer Speicher, damit ein großes Modell dort lädt, wo eine kleine schnelle Karte erstickt. Beim reinen Speicher ist das Feld voll und die Obergrenzen überschneiden sich.

Was NVIDIA mitbringt und die anderen nicht können, ist Software-Kompatibilität. Die meisten KI-Werkzeuge wurden über mehr als ein Jahrzehnt eigens für NVIDIA-Hardware geschrieben, über NVIDIAs Software-Schicht namens CUDA. Eine Entwicklerin, die Jahre auf CUDA aufgebaut hat, kann diese Arbeit direkt auf den RTX Spark mitnehmen, während dieselbe Arbeit nicht einfach auf eine Apple- oder AMD-Maschine umzieht. Dieser bestehende Berg an Software, nicht der Chip selbst, ist hier NVIDIAs wahrer Vorteil – vorausgesetzt, das Tempo erweist sich am Ende als konkurrenzfähig, sobald es endlich gemessen ist.

Für wen er ist, und wer warten sollte

Die Entscheidung sortiert sich sauber danach, was du in den Speicher lädst.

Wenn du große KI-Modelle unterwegs laufen lassen musst – Modelle, die für jede normale Laptop-Karte zu groß sind –, ist der 128-Gigabyte-Speicher des RTX Spark vorerst der einzige Laptop, der sie lädt. Das ist ein echter und eng umrissener Grund, einen zu wollen, und es lohnt sich, ihn durch die erste Welle der Tests zu verfolgen.

Wenn du überwiegend spielst oder kleinere Modelle laufen lässt, die ohnehin auf eine gewöhnliche Grafikkarte passen, wird ein normaler High-End-Laptop schneller und wahrscheinlich günstiger sein. Der geteilte Speicher bringt dir nichts, das du tatsächlich nutzen würdest, und du zahlst für Kapazität, die du nie anfasst.

Alle anderen sollten schlicht auf die zwei Zahlen warten, die NVIDIA noch nicht genannt hat: wie schnell der geteilte Speicher wirklich ist, und wie sich die Software auf echter Hardware schlägt. Die Geräte kommen im Herbst 2026, und es kostet nichts, unabhängige Tests klären zu lassen, ob der RTX Spark hält, was er ankündigt. Eine Ankündigungsfolie ist ein Versprechen, keine Messung.

Das Fazit auf einen Blick

Häufig gestellte Fragen

Ist der RTX Spark dasselbe wie der DGX Spark?

Nein, und sie teilen sich nicht einmal einen Chip. Der DGX Spark ist ein Desktop-Gerät für Entwickler, die KI-Modelle bauen, auf einem Chip namens GB10 und verkauft als Box, die du über das Netzwerk ansteuerst (ASUS verkauft seine eigene Variante, den Ascent GX10). Der RTX Spark ist ein Consumer-Windows-Laptop für Leute, die KI auf einer Maschine laufen lassen wollen, die sie mit sich tragen. Anderer Chip, andere Form, anderer Käufer.

Warum KI auf dem eigenen Rechner statt in der Cloud laufen lassen?

Zwei Gründe: Kosten und Datenschutz. Ein Cloud-KI-Dienst berechnet dir die Nutzung, Monat für Monat, eine eigene Maschine zahlst du einmal. Und alles, was du in ein lokal laufendes Modell tippst, bleibt auf dem Gerät, was bei vertraulicher Arbeit zählt. Der Tausch: Deine eigene Maschine wird das rohe Tempo eines Rechenzentrums selten erreichen, und die Einrichtung machst du selbst.

Kann der RTX Spark wirklich große KI-Modelle laufen lassen?

Ja, das ist sein ganzer Daseinsgrund. Sein geteilter 128-Gigabyte-Speicher lädt Modelle, die eine normale Laptop-Karte nicht schafft, weil eine typische Karte bei rund 16 Gigabyte an die Decke stößt. Der Haken ist das Tempo: Große Modelle laufen, aber langsam, und wie langsam genau, hat NVIDIA noch nicht gesagt. Passt ein Modell bequem auf eine gewöhnliche Karte, antwortet diese Karte schneller.

Sollte ich jetzt einen kaufen?

Wahrscheinlich noch nicht, außer du musst gezielt sehr große Modelle abseits eines Schreibtischs laufen lassen. Die entscheidenden Leistungszahlen hat niemand außerhalb von NVIDIA gemessen, und die Geräte kommen erst im Herbst 2026. Auf die ersten unabhängigen Tests zu warten kostet nichts und sagt dir, ob das echte Tempo dem Versprechen entspricht.

Das Fazit

Der RTX Spark ist zugleich eine echt neue Art persönlicher KI-Maschine und eine vertraute Idee mit einem berühmten Logo darauf, und welches von beiden er sich erweist, hängt an einer Zahl, die NVIDIA nicht geteilt hat. Die Regel für den Kauf aber steht schon fest und läuft nicht ab: Sein einziger echter Vorteil ist Platz für Modelle, die eine normale Karte nicht fassen kann. Wenn das, was du laufen lässt, auf eine gewöhnliche Karte passt, ist diese Karte der bessere Kauf. Bemiss die Maschine am Modell, und die Wahl trifft sich von selbst.