NVIDIA DGX uitgelegd: modellen, specs, prijzen & AI-prestaties

Alles over NVIDIA DGX: de complete gids voor het krachtigste AI-hardwareplatform

Je hebt serieuze AI-rekenkracht nodig, maar het aanbod is verwarrend en de prijzen lopen uiteen van een paar duizend euro tot tientallen miljoenen. NVIDIA's DGX-lijn is de naam die steeds terugkomt, en toch omvat die alles van een miniatuur-pc voor op je bureau tot supercomputers ter grootte van een magazijn. Deze gids zet de hele DGX-familie in 2026 op een rijtje: wat elk model precies is, de echte specificaties, actuele prijzen, benchmarks en hoe DGX zich verhoudt tot een Mac Mini, een RTX 5090 en de cloud. Of je nu een AI-onderzoeker bent die lokaal modellen finetunet, een enterprise-architect die infrastructuur plant, een data scientist die een werkstation kiest, of een IT-beslisser die CapEx tegen cloud afweegt: hier vind je de praktische info die je nodig hebt om een keuze te maken. Eén financieel puntje dat we alvast willen noemen: veel van deze hardware en de bijbehorende cloudvarianten worden gefactureerd in USD, dus als je vanuit Europa koopt, maakt het ineens ook uit met welke kaart je betaalt.

Kort antwoord: NVIDIA DGX is een familie van speciaal gebouwde AI-supercomputersystemen die worden geleverd met een geïntegreerde hardware- en softwarestack, variërend van de desktop DGX Spark tot de datacenter-oplossing DGX SuperPOD. De DGX Spark ging op 15 oktober 2025 in de verkoop voor $3.999, terwijl SuperPOD-implementaties oplopen tot tientallen miljoenen. DGX is wel gericht op professioneel en zakelijk AI-werk, niet op algemeen computergebruik, dus voor iemand die gewoon een snelle pc wil, is het overkill.

Koop je DGX-hardware of een cloudabonnement in USD vanuit Europa? De meeste kaarten rekenen 2-3% opslag voor buitenlandse transacties bij elke USD-betaling. Bleap rekent 0% FX-kosten, dus jij betaalt altijd de echte wisselkoers. Vraag de Bleap-kaart aan →

1. Wat is NVIDIA DGX? Overzicht van het platform en de geschiedenis

Wat is het DGX-platform precies?

DGX is de lijn van speciaal ontwikkelde AI-systemen van NVIDIA. Dit zijn geen standaard servers met er zomaar een GPU aan vastgeplakt; ze zijn helemaal vanaf de chip opgebouwd om AI-modeltraining, fine-tuning en inference op elke schaal te versnellen. Het uitgangspunt is "meteen AI-klaar uit de doos": elke DGX komt met hardware én een zorgvuldig samengestelde softwarestack, zodat teams hun tijd aan modellen kunnen besteden in plaats van aan drivers die niet willen samenwerken. De DGX Spark is eigenlijk meer een AI-trainingsbeest dan een gewone computer, en draait geen Windows maar NVIDIA's eigen DGX OS, een aangepaste versie van Ubuntu Linux, volledig ingericht met AI-software.

Een korte geschiedenis van DGX

NVIDIA introduceerde in 2016 de originele DGX-1 als "de eerste AI-supercomputer in een doos ter wereld", gebouwd op Pascal P100-GPU's. Elke volgende generatie volgde de groei van large language models op de voet: Volta bracht de DGX-1 V100, Ampere leverde de DGX A100, en Hopper zorgde voor de DGX H100. De periode 2025-2026 draait om Grace Blackwell. NVIDIA introduceerde het grotere DGX Station, een volwaardige desktop-tower gebouwd rond de krachtigere GB300 Grace Blackwell Ultra-chip, naast de compacte DGX Spark met de GB10 Superchip.

Kernfunctie en positie in de markt

DGX positioneert zich tussen consumenten-RTX-workstations en de hyperscale cloudclusters die je per uur huurt. De klanten zijn bedrijven, onderzoekslabs, universiteiten en overheidsinstanties die betrouwbare, ondersteunde AI-infrastructuur nodig hebben. Het voordeel van NVIDIA zit in de verticale integratie: het bedrijf ontwerpt zowel de chips, de systemen als de software. NVIDIA ontwerpt de GB10 Superchip en de DGX-softwarestack, terwijl de fysieke units worden gebouwd door OEM-partners zoals ASUS, Dell, HP, Lenovo en Acer, naast NVIDIA's eigen Founder's Edition.

2. Het volledige DGX-productaanbod: alle modellen uitgelegd

DGX Spark (Persoonlijke AI-supercomputer)

De DGX Spark is het instapmodel: een compacte desktop, ongeveer zo groot als een hardcover boek. De behuizing meet 150 × 150 × 50,5 mm en weegt ongeveer 1,2 kg. Hij draait op de GB10 Grace Blackwell Superchip met 128 GB unified memory die wordt gedeeld tussen CPU en GPU, en is bedoeld voor individuele AI-ontwikkelaars, onderzoekers en poweruser die grote modellen lokaal willen finetunen en draaien. Hij levert 1 petaFLOP aan FP4 AI-rekenkracht en 128 GB coherent unified memory. Een groeiend ecosysteem van partners, waaronder de ASUS Ascent GX10 en de Acer Veriton AI mini, biedt systemen in de Spark-klasse aan.

DGX Station (AI-werkstation voor teams)

De DGX Station is een tower-werkstation voor kleine teams en een flinke stap boven de Spark. Aangedreven door de NVIDIA GB300 Grace Blackwell Ultra Desktop Superchip, beschikt hij over een enorme 748 GB coherent memory en tot 20 petaFLOPS aan AI-rekenprestaties, waarmee hij modellen tot 1 biljoen parameters ondersteunt. De GB300 Grace Blackwell Ultra Desktop superchip verbindt de NVIDIA Blackwell Ultra GPU met een krachtige 72-core NVIDIA Grace CPU via de NVIDIA NVLink-C2C-interconnect. Dat maakt hem ideaal voor afdelingsbrede AI-toepassingen, fine-tuning door meerdere gebruikers en het draaien van grotere modellen, hij vormt de brug tussen het persoonlijke en het zakelijke niveau.

DGX BasePOD (Instapmodel voor datacenters)

De DGX BasePOD is het startpunt op rackschaal voor on-premises implementaties binnen bedrijven. Een typische node bevat 8 datacenter-GPU's (uit de H100-, H200- of B200-klasse), en BasePOD biedt een gevalideerde referentiearchitectuur met een NVIDIA-gecertificeerd netwerk en opslag. Dit maakt het geschikt voor kleinere AI-clusters die productiebetrouwbaarheid nodig hebben, zonder dat je meteen naar een volledige supercomputer moet overstappen.

DGX SuperPOD (AI-supercomputer voor datacenters)

De DGX SuperPOD is NVIDIA's grootste kant-en-klare AI-supercomputeroplossing, die schaalt van tientallen tot duizenden GPU's. Het gebruikt InfiniBand en NVLink Switch fabric om GPU-to-GPU-communicatie met bijna geen vertraging mogelijk te maken, en dat is precies wat duizenden chips in staat stelt om samen efficiënt één model te trainen. SuperPOD-configuraties zijn er in H100-, H200- en B200-varianten (en GB200 NVL72), en deze architectuur vormt de basis voor een aantal van de grootste AI-initiatieven van grote techbedrijven en nationale AI-programma's.

DGX Quantum (HPC + AI-convergentie)

DGX Quantum combineert DGX-rekenkracht met Quantum InfiniBand-netwerktechnologie voor hybride HPC- en AI-workloads, waarbij klassieke simulatie en deep learning samenkomen. BlueField DPU's nemen netwerken, opslag en beveiliging voor hun rekening, zodat de GPU's zich volledig op de rekenkracht kunnen richten. Het is bedoeld voor onderzoeksvraagstukken waarin natuurkundige simulaties en neurale netwerkmodellen samenkomen.

3. Technische specificaties en configuraties van NVIDIA DGX

Vergelijkingstabel specificaties

De GB10- en GB300-superchips: een diepgaande blik op de architectuur

Het kloppende hart van elke desktop-DGX is een superchip die CPU en GPU op één package samensmelt. Bij de Spark is dat de GB10, bij de Station de krachtigere GB300. Beide elimineren het traditionele knelpunt tussen processor en accelerator. Het DGX Station-model draait op NVIDIA's GB300 Grace Blackwell Ultra Desktop Superchip, waarin een 72-core ARM-gebaseerde Grace CPU en een Blackwell Ultra GPU op één chip zijn samengevoegd, verbonden via een 900 GB/s NVLink-C2C-interface. Die verbinding is precies wat de unified memory-architectuur laat werken: CPU en GPU delen zo dezelfde geheugenpool in plaats van data heen en weer te sturen over een tragere PCIe-bus.

Die unified memory-pool is eigenlijk het echte verhaal. De Station biedt 748GB unified memory: 252GB HBM3e aan de GPU-kant met een bandbreedte van 7,1 TB/s, plus 496GB LPDDR5X aan de CPU-kant met 396 GB/s. Beide pools zijn coherent, wat betekent dat elke processor toegang heeft tot de volledige 748GB zonder dat er expliciete datatransfers tussen beide nodig zijn. De Blackwell tensor cores ondersteunen FP4, FP8 en formaten met hogere precisie, zodat je precisie kunt inruilen voor doorvoersnelheid bij inference, of juist nauwkeurigheid kunt behouden tijdens training.

NVLink en InfiniBand: het voordeel van de interconnect

Interconnectsnelheid is het verborgen knelpunt bij AI met meerdere GPU's. Op een traditionele pc met losse GPU kruipen de gewichten via PCIe. Zelfs PCIe Gen 5 x16 biedt maar zo'n 64 GB/s bandbreedte, wat betekent dat het laden van een model van 70GB al meer dan een seconde duurt, en als het model groter is dan het beschikbare VRAM, kan de GPU het simpelweg niet draaien. NVLink-C2C in een DGX-superchip is een ordegrootte sneller, en op datacenterschaal gebruikt SuperPOD InfiniBand met 400 Gb/s per poort in een non-blocking topologie, zodat duizenden GPU's zich gedragen als één machine. Op de Station gaat het netwerken nog verder: de NVIDIA ConnectX-8 SuperNIC levert tot 800Gb/s aan low-latency, high-bandwidth connectiviteit voor grootschalige AI-workloads.

NVIDIA AI-softwarestack (DGX OS & NGC)

DGX draait net zo veel om software als om hardware. DGX OS is een op Ubuntu gebaseerd systeem met vooraf geïnstalleerde, geoptimaliseerde kernel drivers. NVIDIA GPU Cloud (NGC) biedt een uitgekiende container registry voor frameworks zoals PyTorch, TensorFlow, NeMo en TensorRT, zodat je een getest image kunt pullen in plaats van zelf een omgeving op te bouwen. Base Command Platform regelt de orkestratie van multi-node clusters, en CUDA, cuDNN en NCCL werken naadloos samen om de GPU's te voeden en met elkaar te laten communiceren. Deze integratie is een groot deel van de reden waarom organisaties een meerprijs betalen voor DGX in plaats van zelf systemen samen te stellen.

4. DGX-prijsgids: van desktop tot datacenter

DGX Spark-prijs

De Spark is het instapmodel, maar de prijs is na de lancering verschoven. NVIDIA bevestigde dat de DGX Spark $3.999 kost, exclusief lokale belastingen of invoerrechten. Sindsdien hebben beschikbaarheid en vraag de prijzen omhoog gestuwd. Beschouw $4.699 als de NVIDIA-Amerikaanse prijs die op 12 augustus 2026 werd waargenomen, en niet als een permanente wereldwijde prijs, want de vertraagde lancering leverde uiteindelijk wel een echt product op, maar niet de machine van 3.000 dollar die veel vroege aankondigingen deden vermoeden. Voor een Europese koper wordt dat dollarbedrag ook nog eens omgerekend tegen de koers en opslag die jouw kaart hanteert, en juist daar bespaart een kaart zonder wisselkoerskosten stiekem 2 tot 3% op een aankoop van duizenden euro's.

DGX Station-prijs

De DGX Station zit in het segment van enterprise-werkstations. NVIDIA en zijn partners hebben geen vast bedrag gepubliceerd; de prijs hangt sterk af van de configuratie, het geheugen en eventuele extra RTX PRO-GPU's. Reken op een prijs die ruim in de zes cijfers per stuk kan lopen via systeemintegrators. De grotere DGX Station heeft een krachtigere GB300-chip; bij de onthulling werd nog geen prijs bekendgemaakt, en NVIDIA was van plan het toestel te verkopen via partners zoals Asus, Boxx, Dell, HP en Supermicro. Leasen en financieren via die partners komt vaak voor bij teams die de kosten liever spreiden.

DGX BasePOD- en SuperPOD-prijs

BasePOD-referentie-implementaties beginnen doorgaans rond de $1 miljoen voor een multi-node-configuratie, terwijl een SuperPOD ruwweg tussen $7 miljoen en $60 miljoen of meer kost, afhankelijk van de GPU-generatie, het aantal nodes en de netwerkinfrastructuur. Bij sovereign AI-projecten en overheidsaanbestedingen wordt aan de bovenkant vaak op maat onderhandeld. Naast het prijskaartje telt ook de totale eigendomskosten mee: stroom, koeling, vloeroppervlak en personeel tellen allemaal op, en die cijfers zijn precies waar je tegen afweegt of je liever equivalente GPU-uren in de cloud huurt.

DGX Cloud: het OpEx-alternatief

Voor teams die liever geen hardware aanschaffen, biedt DGX Cloud dezelfde stack als abonnement, maandelijks gefactureerd in USD en beschikbaar via partners zoals Microsoft Azure, Google Cloud, Oracle en AWS. De richtprijs schommelt rond de $37.000 per maand voor een 8-GPU H100-node, al verschuift dit bedrag per GPU-generatie en looptijd van de overeenkomst. Cloud is vooral zinvol bij wisselende workloads en voor startups zonder CapEx-budget; on-premises wint het als de bezettingsgraad hoog is en datasoevereiniteit geen punt van discussie is. Draai je DGX Cloud vanuit Europa, dan is elke maandelijkse factuur een USD-bedrag – en betaal je die met een kaart zonder buitenlandse transactiekosten, dan blijft je run-rate kloppen.

Draai je een in USD gefactureerd cloudabonnement vanuit de EER? De meeste kaarten pikken 2-3% mee op elke USD-factuur. Bleap rekent 0% wisselkoerskosten en geeft tot 20% cashback op je dagelijkse uitgaven, zonder maandelijks abonnement. Vraag de Bleap-kaart aan →

5. AI-prestatiebenchmarks: wat DGX écht kan

LLM-inferentieprestaties

De grote kracht van de Spark zit in capaciteit, niet in pure snelheid. Dankzij de 128GB unified memory-architectuur kan de DGX Spark modellen met 70 miljard parameters in FP16 draaien, zonder quantization. De cijfers hierboven gaan uit van geoptimaliseerde runtimes zoals vLLM of TensorRT-LLM met redelijke batchgroottes; de werkelijke doorvoer varieert afhankelijk van quantization, contextlengte en gelijktijdige verzoeken.

Trainingsdoorvoer

Voor training haalt een DGX H100-node met 8 GPU's een aanzienlijk deel van zijn theoretische TFLOPS op transformer-workloads. NVIDIA's Model FLOP Utilization (MFU)-cijfers liggen doorgaans tussen de 35 en 55% voor grote transformers, wat sterk is voor training in de praktijk. Op een SuperPOD hangt de efficiëntie van multi-node scaling af van de interconnect: NVLink binnen een node en InfiniBand tussen nodes zorgen ervoor dat de benutting hoog blijft als je meer GPU's toevoegt.

Computer vision- en multimodale benchmarks

DGX-systemen blijven uitstekend geschikt voor vision- en multimodaal werk. Klassieke benchmarks zoals ResNet-50 en ViT-H schalen netjes per GPU, en beeldgeneratie met Stable Diffusion XL draait probleemloos op GB10-klasse hardware, waarbij de H100 flink de leiding neemt qua batched throughput. Video-analyse en multimodale pipelines profiteren het meest van het grote unified memory, omdat lange sequenties en hoge-resolutieframes nu eenmaal veel geheugen vragen.

Belangrijkste prestatie-inzichten

De prestaties per GPU zijn ongeveer elke paar jaar verdubbeld, een soort informele Wet van Moore voor AI. Maar het voordeel van DGX zit niet alleen in de ruwe TFLOPS: het draait om geheugenbandbreedte en interconnect. Een systeem dat een heel groot model in snel, coherent geheugen kan vasthouden, wint het van een snellere GPU die gewichten via PCIe moet doorschuiven. Dat is precies de reden waarom unified-memory superchips bestaan.

6. DGX vs. concurrentie: een directe vergelijking

DGX Spark vs. Apple Mac Mini M4 Pro

De Mac Mini M4 Pro wint op prijs en algemene bruikbaarheid, en het is echt een fantastische machine voor dagelijks gebruik. Maar voor serieuze model fine-tuning en inference is het duidelijk dat de DGX Spark de beste keuze is, dankzij de grotere geheugenpool, FP4-hardware en de native CUDA-softwarestack.

DGX Spark vs. RTX 5090 Workstation

De RTX 5090 heeft een veel hogere ruwe GPU-bandbreedte en verpulvert de Spark bij elke workload die binnen 32 GB past, denk aan gaming en creatieve applicaties. Maar zodra je model die VRAM-grens overschrijdt, wint de Spark, want zijn unified geheugenpool van 128 GB draait modellen die de 5090 simpelweg niet kan laden.

DGX Station vs. AMD Instinct MI300X Workstation

De AMD Instinct MI300X is oprecht indrukwekkend als het gaat om geheugen: 192 GB HBM3 per GPU, een van de hoogste capaciteiten per kaart die er op de markt zijn. Het tegenargument van het DGX Station zit in de software: de volwassenheid van het CUDA-ecosysteem, geoptimaliseerde frameworks en zakelijke supportcontracten die het risico beperken. Op het gebied van TCO is de door NVIDIA ondersteunde stack versus het meer open ecosysteem van AMD een echte afweging. De MI300X is een sterke keuze qua geheugeneconomie; het DGX Station wint op het punt van softwarevolwassenheid en zakelijke ondersteuning.

DGX SuperPOD versus hyperscale cloud GPU-clusters

Op grote schaal draait de keuze om zelf bouwen of afnemen. Over een periode van drie jaar presteert een intensief benut on-prem SuperPOD op kostenvlak vaak beter dan een gelijkwaardig aantal cloud GPU-uren, en daar komen ook voordelen bij op het gebied van latency, datasoevereiniteit en compliance. Voor teams die met gevoelige data werken, denk aan patiëntgegevens, broncode of nog niet uitgebrachte modelgewichten, is het argument voor lokale rekenkracht sterk, ongeacht de kosten. Bij het huren van cloud GPU's moet je namelijk je input naar externe infrastructuur sturen, terwijl on-prem inferentie volledig binnenshuis blijft. De cloud blijft wel de betere keuze bij grillige, onvoorspelbare workloads en voor startups die de investeringskosten niet kunnen rechtvaardigen.

7. Praktijkvoorbeelden en doelgroepen

AI-onderzoekers en modelontwikkelaars (DGX Spark)

De Spark komt echt tot zijn recht bij het lokaal fine-tunen van open-source LLM's zoals Llama, Mistral en Falcon. Je kunt veilig en offline experimenteren zonder dat er data de deur uit gaat, en je haalt cloud-latency en uitgaande dataverkeerskosten uit je iteratieproces. De Spark verlaagt de drempel voor geavanceerd AI-onderzoek aanzienlijk: taken waar vroeger grote clusters of dure cloud-credits voor nodig waren, draaien nu gewoon op één bureau.

Enterprise AI-teams (DGX Station)

De Station is uitstekend geschikt voor interne Retrieval-Augmented Generation (RAG)-pipelines, computer vision voor kwaliteitscontrole en het opsporen van afwijkingen, en gedeelde multi-user ontwikkelomgevingen waarbij meerdere engineers via Jupyter- of VS Code-servers op dezelfde machine werken. Dankzij de geheugenruimte voor modellen met biljoenen parameters kan een team geavanceerde topmodellen prototypen zonder clustertijd te hoeven reserveren.

Grote ondernemingen en sovereign AI (DGX BasePOD / SuperPOD)

In het topsegment trainen organisaties eigen foundation models helemaal vanaf de basis, ondersteunen ze nationale AI-computinginitiatieven en draaien ze workloads in gereguleerde sectoren. Zorginstellingen zetten het in voor medische beeldvorming, genomica en geneesmiddelenonderzoek; financiële instellingen gebruiken het voor grootschalige fraudedetectie en kwantitatieve modellering. Dit zijn de implementaties waarbij datasoevereiniteit en voorspelbare prestaties de investering rechtvaardigen.

Hybride HPC- en AI-workloads (DGX Quantum)

DGX Quantum is gericht op vraagstukken waarin simulatie en machine learning samenkomen: klimaatmodellering gecombineerd met ML-downscaling, of ruimtevaartsimulaties in combinatie met neurale-netwerkmodellen die dure natuurkundige berekeningen benaderen. Precies op dit snijvlak van HPC en AI bewijzen InfiniBand-verbonden DGX-systemen hun waarde.

8. Zo koop en implementeer je NVIDIA DGX

Aankoopkanalen

Je kunt rechtstreeks bij NVIDIA kopen of via geautoriseerde systeemintegrators zoals Dell, HPE, Lenovo en Supermicro, plus het DGX-Ready Software Partner-ecosysteem. Sinds begin 2026 zijn DGX Spark-units verkrijgbaar bij Micro Center, Newegg, Best Buy en de NVIDIA Marketplace.

Infrastructuurvereisten

Stroom en koeling schalen mee met het niveau. De Spark gebruikt ongeveer een kilowatt uit een standaard stopcontact, terwijl de Station een volwaardige tower is met een zwaarder stroomverbruik. De op GB300 gebaseerde Station zit in een full-tower behuizing met een enkele voeding van 1600W 80 PLUS Titanium. SuperPOD-implementaties vereisen datacenter-stroomvoorziening, vloeistofkoeling en speciale netwerkinfrastructuur, waardoor het inrichten van de faciliteit onderdeel is van de aankoop.

NVIDIA-ondersteuning en diensten

DGX-koper krijgen toegang tot NVIDIA Enterprise Support-niveaus, DGX-gecertificeerde implementatiediensten en Base Command Manager voor clusterorkestratie. Voor de meeste bedrijven is het supportcontract, niet de ruwe hardware, de reden om voor DGX te kiezen boven een zelfgebouwd alternatief.

Elke euro die je in het buitenland of online uitgeeft, mag best wat harder werken. Met Bleap krijg je tot 20% cashback en 0% wisselkosten op een self-custodial Mastercard, zonder maandelijks abonnement en met gratis geldopnames tot €400 per maand. Vraag de Bleap-kaart aan →

Veelgestelde vragen (FAQ)

Wat zijn de belangrijkste NVIDIA DGX-specificaties om tussen modellen te vergelijken?

Let vooral op vier dingen: het model en aantal GPU's of superchips, de coherente geheugencapaciteit, de geheugenbandbreedte en de interconnect (NVLink versus InfiniBand), plus het TDP. Deze factoren bepalen welke workloads een DGX-systeem aankan en op welke schaal. Zo heeft de DGX Spark 128 GB unified memory, waarmee hij modellen aankan die een discrete GPU met 32 GB simpelweg niet kan laden.

Wat kost een DGX-systeem, en is er een goedkopere optie?

De DGX Spark is het instapmodel. Hij kwam op 15 oktober 2025 in de verkoop voor $3.999, al liggen de prijzen in 2026 vaak hoger. De DGX Station kost al snel zes cijfers, en SuperPOD-configuraties variëren van ongeveer $7 miljoen tot meer dan $60 miljoen. DGX Cloud biedt een pay-as-you-go alternatief dat maandelijks in USD wordt gefactureerd, met een prijs van rond de $37.000 per node met 8 GPU's.

Hoe presteert de DGX Spark in vergelijking met een RTX 5090-workstation?

De GB10 Superchip in de Spark combineert 128 GB unified memory met een NVLink-C2C-interconnect, waardoor het systeem veel grotere modellen aankan dan een discrete GPU. De RTX 5090 heeft 32 GB GDDR7-geheugen met een veel hogere ruwe bandbreedte, wat hem sneller maakt voor alles wat in het geheugen past, maar hij kan geen zeer grote LLM's laden. Kies de Spark voor werk met grote modellen, en de 5090 voor gaming en creatieve toepassingen.

Wat is de GB10 Superchip in de DGX Spark?

De GB10 is NVIDIA's Grace Blackwell Superchip: één chip die een ARM-gebaseerde Grace-CPU combineert met een Blackwell-GPU, verbonden via NVLink-C2C zodat beide één gezamenlijke geheugenpool delen. Deze chip levert 1 petaFLOP aan FP4 AI-rekenkracht en 128 GB unified coherent memory, wat precies het PCIe-knelpunt van traditionele workstations wegneemt.

Is DGX de moeite waard voor een Europese koper die in USD betaalt?

DGX-hardware en DGX Cloud worden geprijsd in USD, dus een Europese koper betaalt bovenop het prijskaartje ook nog een conversie. Een gemiddelde kaart rekent 2-3% aan buitenlandse transactiekosten per betaling. Met een kaart zonder wisselkoerskosten betaal je gewoon de echte wisselkoers, en dat scheelt behoorlijk bij een Spark van een paar duizend euro of een terugkerende cloudfactuur.

Conclusie

NVIDIA DGX is in 2026 het meest complete AI-hardwareplatform dat er is, en de familie beslaat inmiddels het hele spectrum: de desktop Spark voor individuele developers, de GB300-aangedreven Station voor teams, en BasePOD en SuperPOD voor het datacenter. De juiste keuze hangt af van modelgrootte, benuttingsgraad en of je meer waarde hecht aan controle on-prem of flexibiliteit in de cloud. Voor welk niveau je ook kiest, onthoud dat veel van deze hardware en het cloud-equivalent ervan in USD wordt gefactureerd. Combineer je AI-uitgaven met Bleap en je ontloopt de wisselkoerskosten op die USD-betalingen, verdien tot 20% cashback op dagelijkse aankopen, en houd volledige controle over je geld met een self-custodial Mastercard, zonder maandelijks abonnement. Het is een klein financieel detail dat je budget stilletjes beschermt terwijl jij bouwt.