华硕 GX10 上手体验：三万元买来的 AI 超算到底值不值

一、前言：AI 桌面算力的新时代

早在 2025 年 3 月，我就在一个论坛帖子中第一次看到 华硕 Ascent GX10 超小型服务器 的曝光消息。那时，它还只是“即将发售”的概念产品，但我对这台主机充满了期待——希望它能成为真正意义上重新定义桌面AI算力的设备。

然而此后数月，关于 GX10 的消息几乎销声匿迹，直到同年 7 月华硕正式举办发布会，这款传闻中的“AI超算小主机”终于亮相。

这台体积仅相当于一台迷你工作站的机器，内部却搭载了 NVIDIA GB10 Superchip 平台——也就是Grace CPU 与 Blackwell GPU 的融合架构，具备统一内存与高速互联特性。官方数据显示，它的性能可逼近千万亿次级别的超算，甚至支持 2000 亿参数模型 的本地运行。

这样的规格，足以引起任何技术爱好者的兴趣。然而经过了漫长的等待，终于在 10 月底（也就是 11 月初）这款产品正式在国内发售，而我也第一时间入手了实机。

作为第一个“吃螃蟹”的人，或许大家最关心的问题无非是：

• 这台售价接近三万元的设备，究竟值不值？

• 它是否真能承担起 AI 推理，甚至是轻量级训练任务？

• 在性能、散热、稳定性以及整体体验上，它又能否像华硕宣称的那样“突破桌面算力的极限”？

带着这些疑问，我对这台 Ascent GX10 进行了为期数周的深入体验。从外观设计到内部架构，从运行性能到长时间负载测试，甚至包括散热系统与能耗表现，我都进行了系统性的验证。毕竟，华硕把它定义为“AI 桌面超算”的先锋之作——而我，更想知道它是否真的能承担起这个称号。

接下来，我们将通过详实的实测数据与拆解分析，一步步揭开这台机器的真实面貌，看看它是否真能让“个人级 AI 超算”从概念走向现实。

二、外观与结构设计

初次上手这台华硕 Ascent GX10 时，我的第一印象是——它的外观与传统华硕 NUC 并无太大差别。依旧是熟悉的“小方盒”造型，侧面印有简洁的 ASUS Logo，整体延续了华硕一贯的工业风设计。唯一显眼的区别，是方盒上多了一枚醒目的 NVIDIA 标识。

整体机身设计延续了华硕一贯的极简风格。外壳采用阳极氧化金属工艺，质感坚实厚重，整体形态宛如一个经过精密打磨的“小铁盒”。机身顶部配有一块镜面玻璃面板，在冷峻的金属之间增添了一丝未来感，也让整机在视觉上更具层次。

在接口布局上，GX10 同样体现出“实用优先”的思路。前面板仅保留一个电源按键，极度简洁；主要接口集中在背部，包括 4 个 Type-C / DP 复合接口（其中一个为供电），中部设有 1 个 HDMI2.1输出与 10G 以太网接口，而在右侧，则配置了一枚 ConnectX-7 200Gbps 光口（2×QSFP）——这一规格更常见于高性能服务器，支持双机并行，足见其面向专业 AI 计算场景的定位。

在机身底部，可以看到印有 ASUS Logo 及相关铭牌信息。底板区域预留了大面积的散热开孔，布局规整，覆盖范围几乎占据整个底面。结合背部的出风格栅来看，整机采用了底部进风、背侧出风的风道设计——这也是高性能紧凑型设备中较为常见、且效率较高的散热方案，兼顾了机身体积与空气流通效率。

而这款华硕超级计算机的配件部分也相当简洁：包装内仅附带 整机电源适配器与一根电源线。不过，由于未随箱提供 Type-C 转 USB 拓展坞，在初次亮机时确实带来了一些小麻烦——尤其是在需要外接键鼠或安装系统的场景下稍显不便。希望后续版本中，华硕能考虑标配一根基础拓展坞，以提升整体的开箱体验。

三、硬件配置与架构解析

随后，我迫不及待地启动了这台期待已久的“桌面级超级计算机”。

在首次开机时，华硕 Ascent GX10 会自动进入一轮完整的系统初始化与更新流程。整个过程持续约15分钟，设备会自行联网下载最新的驱动与系统补丁，并自动完成安装。

当屏幕上的主界面终于亮起的那一刻，我才真正意识到——这台沉寂已久、备受关注的 Ascent GX10，终于要开 始它的实战之旅了。

从系统信息面板可以看到，GX10 预装的是 NVIDIA DGX OS 7.2.3：

在硬件层面，使用SystemInfo检测到 GX10 配备了 128 GB 统一内存，处理器部分采用 20 核 Arm 架构（10 个 Cortex-X925 + 10 个 Cortex-A725），GPU 则为 NVIDIA GB10 Superchip。本机为 1 TB NVMe SSD 版本，操作系统基于 Ubuntu 24.04.3 LTS 内核进行定制。

从整体配置来看，GX10 的核心设计理念很明确——高能效计算+统一内存架构。

Blackwell GPU 架构与 Arm CPU 的组合不仅带来了极高的运算密度，也在功耗控制上实现了平衡。而统一内存（Unified Memory）让 CPU 与 GPU 能够共享数据空间，GPU可以完整访问整个显存空间，减少数据拷贝延迟，这在传统 x86 主机上是难以实现的。

接下来，我们就来重点看看这台设备在系统兼容性、开发环境支持以及框架生态方面的表现，看看它能否真正做到“开箱即用”的 AI 超算体验。

四、系统兼容性与AI框架支持

初次上手这台小型服务器时，我其实对它的实际应用场景并不确定。它并不像主流的游戏主机那样预装Windows，而是搭载了一套经过深度定制的 Ubuntu 系统——这点就已经说明，它的定位并非面向普通消费者。

我也看过一些其他博主的测评，有人拿它去和 双路 RTX 4090 做性能对比，结果自然是惨败。但这些评测的结论却颇有意思——他们称赞这台机器拥有 128GB 统一内存，并将其形容为：“双路 4090 跑得更快，而它能做的更多。”

这种评价在我看来并不完全贴切。因为 Ascent GX10 显然并不是为跑分或娱乐而生的产品，它更像是一款针对特定场景——尤其是为 AI 推理、模型微调或工程级计算而定制的专业工具。

只是如今，它的流通范围已经从实验室扩展到了普通数码爱好者手中。出于好奇，我特地前往 NVIDIADGX Spark 官方网站查阅资料，希望能找到更权威的说明文档。果然，结果印证了我的推测——这台机器的确有着更明确、也更专业的使命。Open WebUI with Ollama | DGX Spark

按照官方教程，我在笔记本上下载并安装了NVIDIA Sync，通过远程 SSH 成功连接并操控这台 GX10 超级计算机：

随后，我利用它提供的 IP 地址，在 VSCode 中完成了远程连接。这样一来，我不仅可以直接访问 GX10 的完整文件目录，还能在本地编写代码并即时部署到服务器上。

这种方式的体验非常顺畅——相比传统服务器那种“先远程上传、再迁移部署”的繁琐流程，现在我几乎能像操作本地环境一样，在 GX10 上完成所有开发与调试工作。

接下来，我在 GX10 上安装并配置了 ComfyUI，并下载了一个基础模型，用于测试最常见的图像生成流程。在初次测试中，我设置了生成 20 张图像 的任务。

实际运行结果显示，设备的处理速度大约为每秒一次迭代——这个表现显然低于预期。按照这一速度推算，其实际算力大致相当于一张 RTX 5070 级别的 GPU，而距离官方宣称的 1 petaFLOP（约 1000TOPS）仍有明显差距。

这让我开始怀疑：是模型或任务设置的问题，还是 GX10 的性能在默认配置下尚未完全释放？随后，我又在 Open WebUI 界面中部署了 SGLine，并成功让其在本地环境下运行。

现在，我可以直接与本地 AI 进行对话，整体体验十分流畅——响应速度快、交互自然，几乎与云端模型无异。

根据官方的介绍，Ascent GX10 的真正优势并不在于纯算力，而在于其超大显存带来的训练潜力。要知道，即便是 RTX 5090 这样的旗舰显卡，显存也只有 24GB，而 GX10 的统一内存架构 在这方面明显更具优势——这对于模型训练而言尤为关键。

毕竟，训练的核心不只是计算速度，更在于是否能让大模型按照自己的思路去学习，利用自建的数据集，针对特定任务进行定制化训练。

带着这个想法，我尝试在云端下载并运行 Ollama 3: 70B——一个体积高达 13GB 的大模型。结果也印证了我的推测：

在 RTX 5090 上显存根本无法满足加载需求，而 GX10 却能顺利启动模型加载流程，真正展现出了它在AI 训练领域的底层实力。其实在 NVIDIA DGX Spark 官网中，还提供了许多配套的示例与训练案例。

但由于每个模型体积庞大，下载时间较长，再加上外部网络速度受限，目前我只体验了部分内容，后续还会继续深入研究。

整体来说，系统的兼容性表现尚可——对于我这样非专业的数码爱好者而言，已经足够顺畅。让我印象更深的，是 NVIDIA 完整的 CUDA 生态。例如官方提供的 DGX Dashboard 系统工具，不仅能实时监测GPU 与内存使用情况，还能直接运行 JupyterLab 进行模型测试与实验，这大大提升了设备的可用性与操作体验。

五、体验与场景分析

在经历了一系列安装、部署与实测之后，我对华硕 Ascent GX10 的使用体验有了更全面的认识。

首先，GX10 的设计理念非常明确——它并不是一台“游戏机器”，也不是一台传统意义上的“高性能 PC”，而是一款面向 AI 推理、模型微调与本地训练 的紧凑型计算平台。

在日常使用中，它的系统架构、CUDA 生态兼容性以及开发环境的完整度都让我印象深刻。借助 NVIDIASync、VSCode 远程连接以及 DGX Dashboard，我能够像操作本地电脑一样，直接管理文件、监测显存与功耗、甚至运行 JupyterLab 进行代码测试，这种顺滑的开发体验是传统服务器难以提供的。

而在模型部署方面，GX10 也展现了自己独特的价值：

• 在运行 ComfyUI 进行图像生成时，虽然单次推理速度并不突出，但系统运行稳定、响应流畅，完全可以承担中小型生成任务。

• 在加载 Ollama 3·70B 等大模型时，它能顺利完成加载，而传统 GPU（如 RTX 5090 24G）甚至无法启动，这充分体现了其 128GB 统一内存架构 的优势。

• 借助 Open WebUI + SGLang，我可以在本地实现与 AI 模型的实时交互，这种“离线 AI 体验”在以往几乎不可能实现。

然而，性能上的表现依然存在明显短板。官方宣称的 1000TPOS 级推理性能在实际测试中难以复现，带宽瓶颈成为 GX10 的最大限制。

正如一些技术社区用户指出的那样：“DGX Spark 就像是一张显存更大的 5070，把 GDDR7 换成了 GDDR5。”

这种架构换来的大显存确实让模型运行更加从容，但同时也牺牲了带宽速度，使得它在高频运算任务上远不如专业卡如 RTX Pro 6000。

其次，官方所宣称的性能释放也存在一定争议。以这台机器的 240W 额定适配器为例，在满载运行时，实测功耗仅维持在 170W 左右，并未达到理论峰值。这也意味着其实际性能释放可能受到 功耗墙或散热策略的限制，与官方宣传的数据仍有一定差距。

尽管如此，GX10 依然有它不可替代的魅力。对于 AI 开发者而言，它的定位就像是一个“本地可控的迷你超算”：

• 支持 FP4 原生运算，在推理与解码任务中能效出色；

• 可通过 QSFP 接口 组网，连接多台 GX10 实现 GPU 间高速通信，理论上可运行高达 405B 参数的模型；

• 体积仅相当于一本书，放进背包就能带走，真正实现“随身 AI 工作站”。

一句话总结：双 4090 跑得更快，而 GX10 能做得更多。

六、优缺点与价格反思

综合来看，华硕 Ascent GX10 是一台理念超前但性能略显折中的 AI 桌面计算机。

✅ 优势

1. 超大统一内存（128GB）

• 支持大模型直接加载与训练，无需分布式切分或外部显存扩展。

2. 完整的 CUDA 与 DGX 生态支持

• 对开发者极为友好，可快速部署 Python 环境、JupyterLab、ComfyUI 等工具。

3. 原生 FP4 支持，能效比优秀

• 在低功耗下实现稳定推理，适合长时间任务运行。

4. 扩展性强，可组建小型算力集群

• 通过 QSFP 接口实现 GPU 到 GPU 的高速互联。

5. 小巧安静，工业级做工

• 台达静音涡轮风扇控制良好，噪音低、温控稳定。

不足

1. 273G/s显存带宽偏低，性能未达宣传水准

• 实际算力更接近中高端消费级显卡，而非旗舰级 GPU。

2. 价格偏高

• 约 3w 的售价，接近两张 RTX 4090，但在推理速度上存在差距。

3. 系统与生态仍偏向开发者

• 对普通用户而言，Ubuntu 环境与命令行操作仍有一定门槛。

4. 散热与噪音在高负载下略有压力

• 长时间训练任务时，设备温度上升明显。

总结

说句实在话，以一个业余爱好者的角度来看，这类设备在日常生活中几乎用不上，更别提什么“性价比”了。

但话又说回来——如果你是一位 AI 开发者、科研人员，或是从事数据科学与模型微调的专业人士，那么 GX10 的确值得关注。

相比售价约 4k 美元的 NVIDIA DGX Spark，华硕 Ascent GX10 作为其定制版，在保留核心架构的同时，仅对硬盘容量进行了从 4TB 缩减至 1TB 的调整，而售价却压到了 3w 以内。

对于经常需要训练、部署或调试模型的用户来说，它能让你摆脱云端租算力的高昂费用，实现一个随时可用、完全本地化的 AI 开发闭环。从长远看，这样的设备甚至有可能通过持续使用而“回本”。

不过，如果你的主要需求是高推理速度、图像生成或者游戏娱乐，那 GX10 的表现可能就称不上划算。

换句话说，GX10 并不是为“消费者”打造的机器，而是为“创造者”而生的工具。

它更像是 “AI 时代的 Mac Studio” ——优雅、昂贵，却充满潜力。

“如果 DGX Spark 代表顶级 AI 超算桌面化的象征，那么 GX10 就是第一个真正可以买到、用得起的版本。

最后问大家一句：你会选择一台属于自己的本地 AI 工作站吗？”