🛒 0

NVIDIA DGX Station AI radna stanica

Čip NVIDIA GB300 Grace Blackwell Ultra Superchip
Koherentna memorija 748 GB ujednačeno: 496 GB LPDDR5X + 252 GB HBM3e
AI performanse 20 PetaFLOPS (FP4)
Skalira se do Klaster sa 2 stanice
205.144 KM
Konfiguracija klastera

Naš tim će vam dostaviti prilagođenu ponudu cijene.

Koristite ovo da razlikujete različite konfiguracije u vašoj korpi – korisno ako naručujete isti proizvod s različitim opcijama.

Ukupna cijena 205.144 KM

Potpune specifikacije

Računska snaga i memorija

Superchip

NVIDIA GB300 Grace Blackwell Ultra Desktop Superchip

CPU

NVIDIA Grace CPU Superchip, 72 Arm Neoverse V2 jezgre

GPU

1× NVIDIA Blackwell Ultra GPU

Koherentna memorija

748 GB ujednačeno: 496 GB LPDDR5X + 252 GB HBM3e

Interkonekcija memorije

NVLink-C2C, propusnost od 900 GB/s između CPU i GPU

AI performanse

20 PetaFLOPS (FP4)

GPU sa više instanci

Do 7 izoliranih GPU particija (MIG)

Pohrana i fizičke karakteristike

Pohrana (Utori)

4× M.2 2280 PCIe 5.0 x4 NVMe

GPU proširenje

PCIe 5.0, 1× duple širine + 2× jednostruke širine x16 utora(ica) za opcionu NVIDIA RTX PRO GPU za prikaz/visualizaciju

Forma uređaja

Toranj za stol, NVIDIA referentni dizajn kućišta

Dimenzije

24,5 x 52,8 x 59,5 cm

Umrežavanje i klasteriranje

Umrežavanje velike brzine

2× 400G QSFP112 portova preko NVIDIA ConnectX-8 SuperNIC

Klasteriranje sa više stanica

Direktno povezivanje preko 400GbE do 2 DGX stanice u kombinirani koherentni memorijski pool od 1.496 GB

Bežično (Opciono)

PCIe M.2 2230 utor za Wi-Fi/Bluetooth modul; može ostati nepopunjen za implementacije bez mrežne veze (air-gapped)

Napajanje i hlađenje

Napajanje

Napajanje od 1600 W, kompatibilno sa standardnim kancelarijskim utičnicama

Hlađenje

Hlađenje tekućinom u zatvorenom krugu, stabilni performansi pod teškim AI opterećenjima

Upravljanje i softver

BMC

ASPEED AST2600

Upravljanje na daljinu

IPMI 2.0 i Redfish API, nadzor i kontrola u stilu datacentra

Sigurnost

Hardverski korijen povjerenja, enterprise sigurno pokretanje (secure boot)

Softverski stek

NVIDIA DGX OS, spremno za implementaciju agenta NVIDIA NemoClaw

Želite brzi sažetak uz pomoć AI? Preskočite čitanje – ispitajte potpune specifikacije ovog proizvoda i njegovu pogodnost za vaš slučaj upotrebe s AI asistentom po vašem izboru.

NVIDIA je predstavila DGX Station 17. marta 2026. kao referentni sistem za radne stanice za platformu NVIDIA GB300 Grace Blackwell Superchip — dizajniran i validiran direktno od strane NVIDIA-e za lokalno pokretanje modela sa bilionom parametara, a proizveden pod licencom od strane NVIDIA-inih hardverskih partnera.

Hardverske specifikacije

DGX Station je izgrađen oko jednog NVIDIA Grace CPU Superchip — 72 Arm Neoverse V2 jezgre i 496 GB LPDDR5X memorije — spojenog sa NVIDIA Blackwell Ultra GPU sa 252 GB HBM3e GPU memorije, objedinjenih putem NVLink-C2C u koherentni memorijski skup od 748 GB. Do 7 izoliranih MIG particija omogućava da jedna stanica istovremeno opslužuje više timova ili radnih opterećenja bez sukoba. Sistem nudi 4× M.2 2280 PCIe 5.0 x4 NVMe pohranu, dual-port NVIDIA ConnectX-8 400G SuperNIC, i PCIe 5.0 proširne slotove za opcijski NVIDIA RTX PRO GPU namijenjen prikazu i vizuelizaciji.

Lokalni AI server za poslovnu upotrebu

DGX Station je dizajniran da funkcioniše kao zajednički lokalni AI resurs. Više zaposlenika može tokom radnog dana slati zadatke obrade dokumenata — pregled ugovora, ekstrakcija faktura, izrada izvještaja, trijaža e-pošte — pri čemu se poslovi obrađuju centralno na licu mjesta umjesto da se rutiraju preko eksternih cloud usluga.

Putem NVIDIA NemoClaw, autonomni agenti mogu kontinuirano raditi na sistemu, rješavajući ponavljajuće zadatke kao što su nadzor pristigle pošte ili zakazano generisanje izvještaja bez potrebe da osoba pokrene svaki zahtjev. Ovo omogućava DGX Stationu da radi kao trajna AI infrastruktura za poslovanje, podržavajući stabilna radna opterećenja dokumenata.

Proširenje kapaciteta: klasteriranje dvije stanice

Za radna opterećenja koja prerastaju jednu jedinicu, dvije DGX stanice mogu se povezati preko svojih ugrađenih 400G ConnectX-8 SuperNIC portova, kombinirajući se u jedan koherentni memorijski skup od 1.496 GB adresabilan preko oba uređaja. Ovo pruža jednostavan put nadogradnje za rastuće timove bez potrebe za novom arhitekturom ili promjenama workflow-a, dostupno kao opcija konfiguracije pri kupovini.

Referentna platforma izgrađena na devet godina razvoja DGX Stationa

Naziv DGX Station potiče iz 2017. godine, kada je NVIDIA predstavila originalni DGX Station kao alternativu radne stanice za rečno montiranu AI infrastrukturu, izgrađenu oko četiri NVIDIA Tesla V100 GPU-a. U novembru 2020., DGX Station A100 ga je naslijedio, prelazeći na četiri NVIDIA A100 Tensor Core GPU-a i nudeći do 320 GB GPU memorije raspoređene na četiri odvojene kartice, pri čemu je radno opterećenje moralo biti eksplicitno distribuirano i upravljano preko multi-GPU konfiguracije.

Trenutni DGX Station, predstavljen 2026., zamjenjuje taj multi-GPU pristup jednim NVIDIA GB300 Grace Blackwell Ultra Superchip: jednim koherentnim, objedinjenim memorijskim skupom od 748 GB koji se direktno dijeli između CPU-a i GPU-a preko NVLink-C2C, umjesto četiri odvojena GPU memorijska skupa spojena softverski.

Koherentna memorijska kapacitet, po generacijama

2017 DGX Station 4× Tesla V100, 64 GB GPU memorije
2020 DGX Station A100 4× A100, do 320 GB GPU memorije
2026 DGX Station (GB300) 1 superčip, 748 GB objedinjenog koherentnog memorijskog skupa

Jedan koherentni memorijski skup, dijeljen direktno između CPU-a i GPU-a — bez potrebe za ručnim particioniranjem na više GPU-a.

Usporedba troškova: On-premises vs. Cloud AI API-ji

Za mala i srednja preduzeća koja svakodnevno obrađuju velike količine dokumenata, razlika između fiksnog on-premises sistema i korištenjem zasnovanog cloud AI naplate značajno se povećava tokom vremena.

Cloud AI API-ji
~500K KM - ~1,3M KM
tokom 3 godine, kontinuirano radno opterećenje
Naplata zasnovana na korištenju skalira se s obimom. Troškovi rastu linearno (ili brže) kako radno opterećenje dokumenata/agenta raste, bez gornje granice.
NVIDIA DGX Station AI radna stanica
~230K KM
tokom 3 godine, fiksni hardver + operativni troškovi
Jednokratni trošak hardvera plus predvidiva struja i održavanje. Trošak ostaje konstantan bez obzira na to koliko se sistem koristi.
Procijenjena raščlamba troškova za 3 godine: DGX Station vs. Cloud AI API-ji
Kategorija troškovaCloud AI API-jiDGX Station (On-Premises)
Početna investicija u hardverNema205K KM (jednokratno)
Operativni troškovi 1. godine~175K KM - ~425K KM~8K KM (struja & održavanje)
Operativni troškovi 2. godine~175K KM - ~425K KM~8K KM (struja & održavanje)
Operativni troškovi 3. godine~175K KM - ~425K KM~8K KM (struja & održavanje)
Kumulativni troškovi za 3 godine~500K KM - ~1,3M KM~230K KM

Budući da se obrada u potpunosti odvija na licu mjesta, dokumenti i poslovni podaci se ne prenose na servere trećih strana. Ovo je relevantno razmatranje za organizacije u pravnim, finansijskim ili drugim sektorima osjetljivim na podatke.

Sažetak

DGX Station pruža jedinstven sistem s fiksnim troškovima sposoban za podršku kontinuirane AI obrade dokumenata, kombiniran s referentnom NVIDIA arhitekturom za lokalno pokretanje velikih AI modela. Za mala i srednja preduzeća sa kontinuiranim AI radnim opterećenjima, nudi jeftiniju alternativu ponavljajućim cloud AI izdacima, s dokumentovanim putem nadogradnje na klaster od dvije stanice.

bosanskiBosanskiba🇧🇦EnglishEngleskien🇪🇺БеларускаяBjeloruskiby🇧🇾българскиBugarskibg🇧🇬češtinaČeškicz🇨🇿danskDanskidk🇩🇰EestiEstonskiee🇪🇪suomiFinskifi🇫🇮FrançaisFrancuskifr🇫🇷ΕλληνικάGrčkigr🇬🇷hrvatskiHrvatskihr🇭🇷ItalianoTalijanskiit🇮🇹latviešuLetonskilv🇱🇻LietuviųLitvanskilt🇱🇹magyarMađarskihu🇭🇺NederlandsNizozemskinl🇳🇱DeutschNjemačkide🇩🇪BokmålNorveškino🇳🇴PolerowaćPoljskipl🇵🇱PortuguêsPortugalskipt🇵🇹românăRumunskiro🇷🇴slovenčinaSlovačkisk🇸🇰SlovenecSlovenskisi🇸🇮EspañolŠpanskies🇪🇸СрпскиSrpskirs🇷🇸svenskaŠvedskise🇸🇪українськаUkrajinskiua🇺🇦العربيةArapskiar🇸🇦বাংলাBengalskibd🇧🇩မြန်မာBurmanskimm🇲🇲ქართულიGruzijskige🇬🇪עבריתHebrejskiil🇮🇱हिंदीHindihi🇮🇳BahasaIndonezijskiid🇮🇩日本語Japanskijp🇯🇵ҚазақKazahstanskikz🇰🇿简体Kineskicn🇨🇳繁體Trad. Kineskihk🇭🇰한국어Korejskikr🇰🇷MelayuMalajskimy🇲🇾मराठीMaratimr🇮🇳नेपालीNepalskinp🇳🇵فارسیPerzijskiir🇮🇷ਪੰਜਾਬੀPendžabskipa🇮🇳РусскийRuskiru🇷🇺සිංහලSingaleskilk🇱🇰TagalogTagalogph🇵🇭ไทยTajlandskith🇹🇭தமிழ்Tamilskita🇱🇰తెలుగుTelugute🇮🇳TürkçeTurskitr🇹🇷اردوUrdupk🇵🇰O'zbekUzbečkiuz🇺🇿Tiếng ViệtVijetnamskivn🇻🇳