买桌面 AI 机器，最容易被一个数字骗：TOPS、TFLOPS、PFLOPS，听起来都像能把模型原地起飞。现实是，AI 开发者真正卡住的往往不是峰值算力，而是 内存够不够、软件栈顺不顺、模型能不能跑、跑起来以后能不能折腾。
鬼哥最近就被这个问题挠得有点坐不住。
我桌上现在已经有三台风格完全不同的本地 AI 设备：一台 M4 Max Mac Studio/Mac mini 形态的 Apple Silicon 小主机，平时负责写代码、跑轻量本地模型、剪音视频、做各种 AI 开发实验；一台自己组的 GeForce RTX 4090 台式机，专门拿来折腾 Ollama、本地模型推理、Agent 接入和性能测试；还有一块 Raspberry Pi 5 小卡，更多是拿来提醒自己：边缘 AI 不是 PPT，它最后真的要落到这些又小又抠门的设备上。
4090 那台机器我之前专门写过一篇实测：《一张 4090 跑 Gemma4 26B：用 Ollama 搭本地 AI 开发环境实测》。结果挺有意思：Gemma4 26B 在那台机器上持续输出大约 160 tokens/s，模型加载后显存占用约 24.5GB，长输出功耗能到 260W+。这已经不是“本地模型能不能跑”的问题，而是“本地模型怎么接进真实开发工作流”的问题。
Mac 这边则完全是另一种体验：它不一定是大模型推理冠军，但它安静、稳定、顺手。写博客、跑 Claude/Codex、剪视频、处理图片、做前端 demo、顺手跑个 llama.cpp 或 MLX 模型，整个工作流几乎没有摩擦。缺点也很诚实：一碰到大模型、CUDA-only 项目、训练脚本复现，它就会提醒你“这里不是我的主场”。
树莓派更像一个现实锚点。它告诉我：AI 硬件不是只有“越大越好”这一条路。很多时候你真正想要的是低功耗、常开、便宜、可部署，而不是一个会把房间变暖的模型发动机。
所以，当 NVIDIA DGX Spark 和 AMD Ryzen AI Halo 相继把“桌面级个人 AI 工作站”摆上台面时，我第一反应不是“哇，又来了两台神机”，而是：它们到底能不能补上我现有三台设备各自的短板？
更麻烦的是，Apple 这边我还在翘首以盼，眼泪汪汪地等 M5 Mac mini/Mac Studio 更新。于是这篇文章就变成了一次很现实的调研：不是纯参数表，也不是厂商发布会复读，而是从一个极客的桌面出发，看看 DGX Spark、Ryzen AI Halo 和 M4 Max Mac Studio 到底分别适合谁。
NVIDIA DGX Spark、AMD Ryzen AI Halo、M4 Max Mac Studio，表面上都叫桌面级 AI Studio。其实它们不是三台同类机器，而是三种路线：
- NVIDIA：把数据中心 AI 栈压到桌面，核心卖点是 CUDA 生态和 DGX 软件体验。
- AMD：用 x86 APU + ROCm + Windows/Linux 抢本地 AI 开发者，核心卖点是开放 PC 工作流和 128GB 统一内存。
- Apple：把成熟创作工作站顺手变成 AI 开发机，核心卖点是安静、省心、macOS 体验，但不是大模型怪兽。
先看规格，但别被规格牵着走
为了避免玄学，先把官方能确认的硬指标摆出来。这里的重点不是谁的数字最大，而是这些数字分别服务什么场景。
| 机器 | 核心芯片 | 统一内存 | 内存带宽 | AI/图形算力口径 | 系统 | 典型定位 |
|---|---|---|---|---|---|---|
| NVIDIA DGX Spark | GB10 Grace Blackwell | 128GB LPDDR5x | 273GB/s | 最高 1 PFLOP FP4 | DGX OS | 本地 Agent、LLM 推理、CUDA 原型 |
| AMD Ryzen AI Halo | Ryzen AI Max+ 395 | 128GB LPDDR5x | 官方页面未列 | 60 FP16 TFLOPS GPU + 50 TOPS NPU | Windows 或 Linux | ROCm、本地 LLM、ComfyUI、PC AI 开发 |
| M4 Max Mac Studio | M4 Max | 36GB，最高 64GB | 410GB/s，最高 546GB/s | 40 核 GPU + 16 核 Neural Engine | macOS | 开发主机、创作工作流、中小模型实验 |
如果只看表格，你可能会得出一个很粗暴的结论：DGX Spark 和 Ryzen AI Halo 是本地大模型机器，M4 Max Mac Studio 是“顺便跑 AI”的工作站。
这个结论大体没错，但还不够精确。
更准确的说法是：
DGX Spark 买的是 NVIDIA AI 栈，Ryzen AI Halo 买的是大内存 PC 路线，M4 Max Mac Studio 买的是低摩擦开发体验。
这三句话比任何 TOPS 数字都重要。
第一层分水岭：本地大模型先看内存
本地 LLM 的第一堵墙不是算力，是内存。
一个 70B 模型即使用 4-bit 量化，权重也常常要三四十 GB，再加上 KV cache、上下文、运行时开销、并发请求，很快就会把 64GB 机器逼到墙角。到了 120B、200B 这种级别，128GB 统一内存才开始有“能把东西装进去”的讨论资格。
这就是 DGX Spark 和 Ryzen AI Halo 的共同点：它们都把 128GB 统一内存 放到了桌面小机器里。
NVIDIA 官方给 DGX Spark 的定位很明确：128GB coherent unified system memory，可以在桌面运行最高 200B 参数模型的开发和测试工作，也可以微调最高 70B 参数模型。这个说法要谨慎理解：它不是承诺任何 200B 模型都能满血高吞吐跑，而是在告诉你，内存容量已经足够让这类模型进入本地实验范围。
AMD 的路线更像“PC 阵营的反击”。Ryzen AI Halo 开发平台同样是 128GB LPDDR5x 统一内存，并且官方强调 Windows 或 Linux 双系统、完整 ROCm 支持。对很多极客来说，这比 DGX OS 更有吸引力：你可以把它当本地 AI 服务器，也可以把它当一台能跑 Windows 软件的高端小主机。
M4 Max Mac Studio 的问题就在这里。M4 Max 版本最高 64GB 统一内存，带宽最高 546GB/s，带宽很漂亮，但容量不在一个级别。对于 7B、14B、32B 量化模型，它可以玩得很舒服；但如果你的目标是长期折腾 70B 以上模型，64GB 会让你不停做取舍。
一个极客版判断：
| 场景 | 64GB Mac Studio | 128GB DGX Spark / Ryzen AI Halo |
|---|---|---|
| 7B/14B 本地助手 | 很舒服 | 轻松 |
| 32B 量化模型 | 可用，需控制上下文 | 更从容 |
| 70B 量化推理 | 能折腾，但容易受限 | 进入主战场 |
| 70B 微调/LoRA | 不适合作为主力 | DGX Spark 更对口 |
| 120B/200B 实验 | 基本不是甜点区 | 有实验价值 |
所以，如果你关心的是“我能不能在桌面上把更大的模型塞进去”，答案很直接：128GB 机器先赢一半。
这也是我看 DGX Spark 和 Ryzen AI Halo 会心痒的原因。4090 台式机的推理速度很香，但显存墙是真实存在的；Mac 的统一内存体验很顺，但 M4 Max 的上限又不够“放肆”。128GB 统一内存的吸引力，不是参数洁癖，而是它允许你少做很多“这个模型能不能塞进去”的心算。
第二层分水岭：软件栈决定你折腾多久
AI 硬件最残酷的地方在于：跑分截图很好看，环境配置很难看。
同样是本地 AI Studio，三家的软件体验差异非常大。
DGX Spark：CUDA 是护城河，也是笼子
DGX Spark 最大的优势不是 1 PFLOP FP4，而是 NVIDIA AI 软件栈默认站在你这边。
CUDA、TensorRT、NIM、NVIDIA AI Enterprise、DGX OS、开发者论坛、官方 playbook，这些东西加起来，意味着你遇到问题时更容易找到“前人已经踩过的坑”。如果你的工作流最后要上 NVIDIA 数据中心或云 GPU，DGX Spark 的意义就更明显：它是一台桌面上的原型机。
我在 4090 上折腾 Ollama、Codex、Claude Code 和 Hermes 时，最大的感受就是：模型速度只是第一层，工具链稳定性才是第二层。同一个本地模型，Claude Code 能顺利读文件，Codex 在某些 Linux sandbox 环境里会被权限卡住。这个体验会让人更理解 DGX Spark 的价值：它卖的不是“我也有一颗 GPU”，而是尽量把硬件、驱动、框架、playbook 和支持路径绑成一套。
它的限制也同样清楚：DGX Spark 官方规格写的是 DGX OS。你不是在买一台泛用 PC，而是在买一台 NVIDIA 定义好的 AI appliance。对于研究者和企业开发者，这是省心；对于喜欢乱装系统、乱插外设、乱改内核的极客，这可能会有点憋。
Ryzen AI Halo：ROCm 的机会，也是变量
AMD 的牌面是：Windows/Linux + ROCm + 128GB 内存 + x86。
这很诱人。你可以在 Linux 上跑模型，在 Windows 上跑创作和开发工具，还能享受普通 PC 生态的弹性。AMD 页面还直接把自己和 DGX Spark 对比，脚注里写到：测试使用预生产 Ryzen AI Halo、128GB LPDDR5x、Linux OS，对比 DGX Spark，并列出 AMD Ryzen AI Halo $3999、DGX Spark $4699 的零售价。
但 ROCm 仍然是变量。它比前几年成熟太多，很多 PyTorch 和推理框架已经能跑，但 AI 生态的默认答案依然常常是 CUDA。你要有心理准备：同一个模型，同一个项目，NVIDIA 用户可能 pip install 后直接跑，AMD 用户可能要查 issue、换 wheel、等适配。
这不是说 AMD 不值得买，而是它更适合 愿意换性能/价格/开放性，但能接受折腾成本的人。
Mac Studio：最舒服，但不是最开放
Apple 的 AI 开发体验很奇特：它不是最强的，但往往是最顺的。
如果你的日常是写代码、跑中小模型、做 demo、剪视频、处理图片、调 UI、用 MLX 或 llama.cpp 跑本地模型，Mac Studio 会非常舒服。它安静、省电、系统稳定、开发工具成熟，而且 M4 Max 的 CPU/GPU/媒体引擎组合对创作者非常友好。
这也是我现在离不开 Mac 的原因。很多 AI 项目不是一天 24 小时都在跑模型，大量时间其实是在写胶水代码、改提示词、整理素材、剪一段 demo 视频、处理博客图片、部署网页、调试工具链。这个阶段 Mac 的低摩擦体验非常强：你不会因为驱动、风噪、电源、桌面空间这些小事分心。
问题是，一旦你进入主流深度学习训练、CUDA-only 项目、复杂推理优化、企业级 GPU 部署对齐，macOS 就会露出边界。Metal、MLX、Core ML 都很好，但它们不是 AI 研究社区的默认地面。
如果用一句话概括：
| 软件栈 | 最舒服的用户 | 最痛的地方 |
|---|---|---|
| CUDA / DGX OS | 想和 NVIDIA 生产环境对齐的人 | 泛用 PC 自由度低 |
| ROCm / Windows / Linux | 喜欢开放硬件和 PC 工作流的人 | 生态适配仍需耐心 |
| MLX / Metal / macOS | 需要一台安静全能开发主机的人 | 大模型和训练生态不是主场 |
第三层分水岭：你到底要跑什么
“AI 开发者”这个词太宽了。写 RAG 应用、做模型微调、玩 ComfyUI、跑机器人仿真、做科研复现实验，根本不是一类需求。
下面按真实工作流拆。
1. 本地 LLM 推理和 Agent 开发
如果你要做的是本地 Agent、RAG、长上下文代码助手、私有知识库问答，DGX Spark 和 Ryzen AI Halo 明显更像主力机器。
DGX Spark 的优势是 NVIDIA 官方已经把“本地自主 Agent”写进产品定位。它有 128GB 内存、NVIDIA 软件栈和面向 Agentic workload 的 playbook。你想做的是“本地先跑，未来迁到 NVIDIA 云或数据中心”，DGX Spark 的路径更直。
Ryzen AI Halo 的优势是自由度和价格。AMD 官方把它定位成 AI developer platform，而且支持 Windows/Linux。你可以把它放在桌上当小服务器，也可以 SSH 进去跑服务，还可以接普通 PC 工作流。对独立开发者和极客来说，这种弹性很香。
Mac Studio 不是不能做 Agent。相反，很多开发者会更喜欢在 macOS 上写代码、调工具、跑本地小模型。只是当 Agent 需要更大模型、更长上下文、更高并发时，M4 Max 的 64GB 上限会让它更像“开发控制台”，而不是“模型发动机”。
我的实际分工大概是这样：Mac 负责“人机交互”和日常开发，4090 负责“重推理”和性能测试。如果本地模型要长期作为服务跑，我更愿意让它待在一台可以 SSH、可以监控、可以随时重启的盒子里，而不是占着我的主力开发桌面。按这个逻辑，Ryzen AI Halo 这种 128GB 小盒子会非常诱人；DGX Spark 则更像“如果我要认真走 NVIDIA Agent 路线，就别自己东拼西凑了”。
2. 微调、LoRA 和科研复现
这一类需求更偏向 DGX Spark。
NVIDIA 官方直接写了 Fine-Tuning：用 128GB 统一内存微调最高 70B 参数模型。这里最关键的不是一句营销文案，而是它背后的现实：大量训练、微调、量化、推理优化工具默认优先支持 CUDA。
Ryzen AI Halo 也能做一部分微调和实验，尤其是 ROCm 支持越来越完整之后。但如果你是研究者，目标是快速复现论文、跑开源训练脚本、少改代码，CUDA 仍然是阻力最小的路线。
Mac Studio 适合做算法原型、数据处理、小模型实验、MLX 生态尝鲜，但不适合作为“我要复现各种 GitHub 训练项目”的唯一主机。你当然可以折腾，但很多时候不是硬件不行，是生态把你绕远了。
3. ComfyUI、图像生成和多模态玩法
这个场景 AMD 反而很有看点。
AMD 页面把 ComfyUI、Visual Studio Code、Python 等预装/同步工具放进 Ryzen AI Halo 的开发者体验里，并且官方测试脚注覆盖了 Stable Diffusion XL、Flux、Qwen Image、Wan 等图像和视频相关工作负载。这里要注意：厂商自测不能当第三方基准，但至少说明 AMD 非常清楚它要争夺哪类用户。
NVIDIA 当然也强，尤其是各种 CUDA 优化的图像生成工具链仍然更成熟。DGX Spark 的问题不是能力，而是“值不值”：如果你的主要玩法是 ComfyUI 和图片生成，买 DGX Spark 可能有点像为了煎蛋买实验室设备。
Mac Studio 的优势在创作闭环：图片、视频、剪辑、设计、开发都在一台安静机器上完成。它不一定是生成速度冠军，但它可能是最不打断创作流的机器。
我自己的感受是：音视频和内容生产这类任务，峰值性能不是唯一指标，工作流连续性更重要。一段视频从素材整理、脚本、配音、剪辑、封面、发布，中间会不断在浏览器、编辑器、终端、设计工具之间切换。Mac 在这里很舒服。4090 更像一个加速器：当你明确知道要批量生成、批量推理、批量转码时，把任务扔给它；但日常创作的主控台，我还是更愿意放在 Mac 上。
4. 机器人、边缘 AI 和硬件项目
这类场景 DGX Spark 的 NVIDIA 生态优势最明显。
NVIDIA 官方明确提到 Isaac、Metropolis、Holoscan 等边缘应用框架。你如果做机器人、视觉检测、边缘推理、智能摄像头原型，NVIDIA 从桌面到 Jetson 到数据中心的生态连贯性很强。
AMD Ryzen AI Halo 也能做边缘 AI 原型，但它更像“高性能 PC 盒子”。Mac Studio 则适合作为开发主机和可视化工作站，而不是硬件生态中心。
树莓派 5 在这里给我的提醒很直接：边缘设备上最稀缺的不是“能不能跑一个模型 demo”，而是功耗、散热、常开稳定性、部署维护和成本。桌面 AI Studio 如果只是跑分强，未必能帮助你真正理解边缘场景；但如果它能让你快速训练、量化、测试，再把结果下放到小设备，那才是完整链路。
价格可以看，但别只看价格
按 AMD 官方脚注，2026 年 5 月测试口径里，Ryzen AI Halo 零售价为 $3999，DGX Spark 零售价为 $4699。Apple 的 M4 Max Mac Studio 官方规格页能确认配置，但价格会随芯片、内存、存储和地区变化，实际应以 Apple 配置页为准。
但这篇文章不建议把价格当第一决策因子。
原因很简单：对 AI 开发者来说，真正贵的不是多花几百美元，而是 买回来以后三个月都在和驱动、依赖、模型格式、内存限制较劲。
更合理的价格问题应该这样问：
| 你真正购买的是 | 应该问的问题 |
|---|---|
| DGX Spark | 我是否需要 CUDA/DGX/NVIDIA 生产环境一致性？ |
| Ryzen AI Halo | 我是否愿意用折腾成本换 128GB、x86 和 Windows/Linux 弹性？ |
| M4 Max Mac Studio | 我是否更需要一台舒服的主力开发/创作机，而不是最大模型机器？ |
如果答案是“我要少踩坑，跟 NVIDIA 生产栈对齐”，DGX Spark 的溢价有意义。
如果答案是“我要一台能跑大模型、能装 Windows/Linux、还能当 PC 用的极客盒子”，Ryzen AI Halo 更有吸引力。
如果答案是“我每天要写代码、剪视频、做产品 demo，偶尔跑本地模型”，Mac Studio 可能才是最理性的选择。
三类人怎么选
AI 应用开发者
你关心的是 RAG、Agent、私有知识库、本地 API、开发效率。
我的排序：
- Ryzen AI Halo：如果你愿意折腾 ROCm，它的 128GB 内存和 Windows/Linux 弹性很适合做本地 AI 服务盒子。
- DGX Spark：如果你的应用未来要上 NVIDIA GPU，或者你需要 CUDA/NIM/DGX playbook，优先选它。
- M4 Max Mac Studio：适合作为开发主机，不适合作为大模型主力推理服务器。
鬼哥经验：如果你的开发工作流已经像我一样被 Mac 绑住，不一定要把“主力开发机”和“本地模型服务器”合并成一台。更舒服的架构反而是：Mac 负责写代码和调产品，旁边放一台 128GB AI 小盒子长期跑模型服务。
研究者和实验室
你关心的是论文复现、微调、训练脚本兼容、长期维护。
我的排序：
- DGX Spark：CUDA 生态仍然是研究代码的默认路径，少改代码就是生产力。
- Ryzen AI Halo：适合预算敏感、愿意参与 ROCm 生态、需要 Windows/Linux 弹性的团队。
- M4 Max Mac Studio：适合数据处理、写作、可视化、小模型原型，不建议作为唯一 AI 计算节点。
AI 极客
你关心的是可玩性、模型规模、系统自由度、折腾空间。
我的排序反而会变：
- Ryzen AI Halo：x86、128GB、Windows/Linux、ROCm，能折腾的面最大。
- DGX Spark：如果你想玩 NVIDIA 最新桌面 AI appliance，它很酷，但自由度不一定最高。
- M4 Max Mac Studio：体验最好，折腾空间相对最小；适合“我要做东西”，不适合“我要拆机器边界”。
这里我会额外加一句：如果你已经有 4090 台式机，Ryzen AI Halo 和 DGX Spark 不一定是“性能升级”，更可能是“形态升级”。它们吸引人的地方是小、安静、统一内存、可常开，而不是一定能在所有任务里打爆一张高端独显。
我的最终判断
如果你把这三台机器都叫“桌面 AI Studio”，会看花眼；如果你把它们看成三条路线，选择就清楚了。
DGX Spark 是桌面版 NVIDIA AI 路线。 它适合研究者、企业开发者、Agent 原型团队，以及任何未来要迁移到 NVIDIA 云或数据中心的人。它不是最自由的机器，但它最像一条铺好的路。
Ryzen AI Halo 是 PC 阵营的本地 AI 路线。 它适合极客、独立开发者、小团队和愿意赌 ROCm 继续成熟的人。它的吸引力不只是便宜几百美元，而是 128GB 统一内存加 Windows/Linux 弹性。
M4 Max Mac Studio 是创作和开发主机路线。 它适合已经在 Apple 生态里、重视安静稳定、需要代码/视频/图像/产品 demo 一体化的人。它可以跑 AI，但不要把它想象成 DGX Spark 或 Ryzen AI Halo 的同类竞品。
至于我自己，如果现在必须下单，我大概率不会把 Mac 替换掉。Mac 仍然是我的主力创作和开发桌面；4090 台式机会继续承担重推理和测试；树莓派继续做边缘实验。真正让我心痒的是：能不能在这三者之外，再加一台 128GB、低功耗、可常开的本地模型盒子。DGX Spark 和 Ryzen AI Halo 的竞争，正好打在这个空位上。
但我也会继续等 Apple 的 M5 Mac mini/Mac Studio。不是因为我相信 Apple 会突然变成 CUDA 平替，而是因为 Apple 如果把统一内存容量、NPU/Metal/MLX 生态和桌面小主机形态继续往前推，它仍然可能成为最舒服的“AI 开发主控台”。
一句话版：
| 如果你最在意 | 选 |
|---|---|
| CUDA、微调、科研复现、NVIDIA 生产环境对齐 | DGX Spark |
| 128GB、大模型、本地服务、Windows/Linux、极客可玩性 | Ryzen AI Halo |
| macOS、安静稳定、开发创作一体、中小模型实验 | M4 Max Mac Studio |
本地 AI 的下一阶段，拼的不是谁喊出更大的 TOPS，而是谁能让开发者在桌面上更快完成一个闭环：模型能装进去，工具能跑起来，结果能用出去。
如果只买一台，我会先问自己一个很土但很有效的问题：
这台机器买回来以后，我是每天用它做东西，还是每天用它证明它能跑东西？
前者买工作流，后者买玩具。两者都没错，但别买错。
参考资料
- NVIDIA DGX Spark 官方页面
- AMD Ryzen AI Halo 官方页面
- Apple Mac Studio 技术规格
- Apple Mac Studio 购买配置页
- 鬼哥：一张 4090 跑 Gemma4 26B：用 Ollama 搭本地 AI 开发环境实测
- 图片来源：NVIDIA DGX Spark 官方页面、AMD Ryzen AI Halo 官方页面