Der RTX Spark: NVIDIAs erster eigener PC-Prozessor · Bild: Nvidia
- 🧠 RTX Spark (N1X): 20-Kern ARM-CPU + 6.144 CUDA-Kerne (Blackwell) + bis zu 128 GB Unified Memory in einem Chip.
- ⚡ 1 Petaflop KI-Leistung, aber nur für FP4 mit Sparsity. Unter normalen Bedingungen deutlich weniger.
- 🔋 „All-Day Battery" bei 80 Watt Lastverbrauch? Physik funktioniert anders.
- 🍏 Apple-Problem: M5 Max schlägt den RTX Spark bereits heute im Single-Core um 38%. Der M6 kommt auf 2nm, gleichzeitig mit RTX Spark im Herbst 2026.
- 🗺️ Roadmap bis 2030: Vera Rubin (2027/28) → Rosa Feynman (2029/30). CUDA bleibt der eigentliche Burggraben.
- 💰 Kein einziger Hersteller hat bisher einen Preis genannt. DGX Spark: 4.699 USD nach Erhöhung.
Jensen Huang und Satya Nadella versprechen die größte PC-Neuerfindung seit 40 Jahren. Wenn wir den Marketing-Nebel beiseiteblasen: was bleibt wirklich übrig?
🔬 Was ist der RTX Spark eigentlich?
Der RTX Spark (intern N1X) ist NVIDIAs Versuch, das Apple-Silicon-Rezept auf Windows zu übertragen. Kein klassischer Prozessor, sondern ein vollständiges System-on-a-Chip: CPU, GPU und Arbeitsspeicher auf einem einzigen Die.
Der Chip wird im modernsten 3-Nanometer-EUV-Verfahren bei TSMC gefertigt. Die CPU namens „Grace" wurde in enger Kooperation mit MediaTek entwickelt. Die GPU trägt Blackwell-Architektur, dieselbe wie in NVIDIAs aktuellen Rechenzentrum-Beschleunigern. CPU und GPU sind über NVLink-C2C mit 600 GB/s direkt verbunden, um den klassischen Flaschenhals zwischen beiden zu eliminieren.
Der wichtigste Unterschied zu allem bisherigen auf Windows: bis zu 128 GB Unified Memory. CPU und GPU teilen sich denselben Pool. Das erlaubt es, Sprachmodelle mit 120 Milliarden Parametern lokal zu laden. Auf keinem herkömmlichen Laptop-System derzeit möglich.
📊 Die Zahlen — mit Fußnoten
| Spezifikation | Wert |
|---|---|
| CPU-Kerne (N1X) | 20 (10× Cortex-X925 + 10× Cortex-A725) |
| GPU CUDA-Kerne | 6.144 (Blackwell ≈ mobile RTX 5070) |
| AI-Leistung | 1 Petaflop ⚠ nur FP4 mit Sparsity, Marketing-Maximum |
| Unified Memory (Max) | 128 GB LPDDR5X |
| RAM-Bandbreite | 300 GB/s (DGX-Datenblatt: 273 GB/s, Widerspruch unaufgeklärt) |
| NVLink-C2C | 600 GB/s CPU↔GPU |
| TDP Laptop (Max) | ~80 W (kein offizieller Wert, aus Leaks) |
| TDP Desktop (DGX) | 140 W (offiziell) |
| Fertigungsprozess | TSMC 3nm EUV |
| Lokales LLM-Limit | 120 Mrd. Parameter (Nvidia-Claim) |
| Context Window | 1 Mio. Token (Nvidia-Claim) |
| Gaming-Ziel | 1440p / 100 FPS (Nvidia-Claim, kein unabhängiger Beweis) |
N1-Variante (Einstiegsmodell, noch Gerücht): 12 CPU-Kerne, 2.560 oder 2.048 CUDA-Kerne (≈ RTX 5050), 400 TFLOPS FP4, TDP 18–45 W. Für Standard-Laptops unter 2.000 Euro. Deutlich schwächere Zielgruppe.
💰 Der Preis — das eigentliche Problem
Herbst 2026. Dell XPS, Surface Laptop Ultra, ASUS ProArt, Lenovo Yoga Pro 9n, MSI EdgeMesa N AI+, HP OmniBook Ultra. Über 30 Laptops von acht Herstellern.
Kein einziger hat bisher einen Preis genannt. Das ist ungewöhnlich. Kein gutes Zeichen.
Mögliche Verzögerungen: Gerüchte deuten auf Schwierigkeiten bei der Windows-on-ARM-Softwareoptimierung hin. Ein Launch-Slip in Q1 2027 wäre keine Überraschung.
🍏 Das Apple-Problem: Ein bewegliches Ziel
Was die ersten Benchmark-Leaks zeigen: Im Clang Multi-Core schlägt der RTX Spark den Apple M5 (10 Kerne) um 54 Prozent. Gegen den M5 Pro liegt er knapp dahinter. Das ist solide für einen ersten ARM-Chip von NVIDIA.
Einen Single-Core-Geekbench-Wert gibt es aus einem Leak von 2025, aufgenommen auf einem Engineering Sample unter Linux, danach von Geekbench wieder entfernt. Diese Zahl ist nicht belastbar für finales Silicon und wird hier nicht als Vergleichsbasis genutzt.
| Chip | Multi-Core (Clang) | vs. RTX Spark | Status |
|---|---|---|---|
| RTX Spark (N1X) | 43.149 | Referenz | Herbst 2026 |
| Apple M5 (10 Kerne) | 27.996 | 54% langsamer | Verfügbar ✅ |
| Apple M5 Pro (15 Kerne) | 46.374 | 7% schneller | Verfügbar ✅ |
| Apple M5 Pro (18 Kerne) | 55.165 | 28% schneller | Verfügbar ✅ |
| Apple M6 (erwartet) | unbekannt (2nm) | - | Okt/Nov 2026 ⏳ |
Clang = Compiler-Benchmark, typische Developer-Last. Quelle: WCCFtech. Alle RTX-Spark-Zahlen vorläufig, keine unabhängigen Tests an finalem Silicon verfügbar.
Das eigentliche Problem ist das Timing. RTX Spark kommt Herbst 2026, auf 3nm. Der Apple M6 kommt nach aktuellem Stand im Oktober oder November 2026, auf 2nm. Eine Chipgeneration jünger, ein Fertigungsknoten voraus. NVIDIA jagt ein Ziel, das sich im selben Quartal weiterbewegt.
Im Multi-Core-Clang-Test schlägt der RTX Spark den base M5 um 54%. Aber der M6 erscheint gleichzeitig auf 2nm. Für Windows-Nutzer mit CUDA-Bedarf bleibt das trotzdem interessant. Für alle anderen läuft Apple einfach weiter.
🔒 Wo NVIDIA wirklich führt: CUDA
Die CPU-Performance liegt zwischen M5 und M5 Pro. Das ist nicht das Argument.
Kein Konkurrent (nicht Apple, nicht AMD, nicht Qualcomm) hat Zugang zum CUDA-Ökosystem. Jahrzehnte an Bibliotheken, Compilern, Frameworks. PyTorch, TensorRT, RAPIDS, cuBLAS. Wer KI-Modelle trainiert, fine-tuned oder professionell inferiert, lebt in der CUDA-Welt. Das ist ein echter, tiefer Burggraben. Kein Marketing.
Der Unterschied zu Apple Silicon: Ein M5 Max-Entwickler muss auf Metal oder Core ML ausweichen, sobald er CUDA-nativen Code ausführen will. Beim RTX Spark läuft derselbe Code wie auf einem Nvidia-Rechenzentrum-Server. Das ist für KI-Entwickler kein kleiner Vorteil. Das ist der Grund, warum sie überhaupt Windows kaufen würden.
🗺️ Die Roadmap bis 2030
NVIDIA hat bewusst einen mehrgenerationellen Plan kommuniziert, um OEMs und Entwickler zur Investition zu bewegen. Wer heute auf RTX Spark-Code setzt, wechselt 2028 nicht das Ökosystem.
RTX Spark Plattform-Roadmap: 2026 bis 2030
Entscheidend: Diese Roadmap spiegelt exakt NVIDIAs Rechenzentrum-Roadmap wider. Entwickler können auf einem RTX Spark Laptop dieselben Bibliotheken nutzen wie auf einem Nvidia-Server in der Cloud. Das ist der strategische Kern.
⚖️ Was stimmt. Was Bullshit ist. Was offen bleibt.
Was stimmt: 128 GB Unified Memory und eine Blackwell-GPU in einem mobilen Chip ist technisch real. Für KI-Entwicklung kein kleines Ding. Die CUDA-Stärke ist kein Hype, sondern ein echter, jahrzehntelang aufgebauter Burggraben. Und die Roadmap-Kontinuität von Laptop bis Rechenzentrum ist ein echter Vorteil, den kein Konkurrent heute bieten kann.
Was Bullshit ist: „All-Day Battery Life" beim gleichzeitigen Ausführen von 120-Milliarden-Parameter-Modellen bei 80 Watt Verbrauch ignoriert Physik. 1 Petaflop ist ein Marketing-Maximum für FP4 mit Sparsity. Unter normalen Bedingungen sieht die Zahl deutlich anders aus. Die Bandbreiten-Angabe (300 GB/s vs. 273 GB/s im DGX-Datenblatt) ist unaufgeklärt.
Was offen bleibt:
- Echter Preis: kein einziger Hersteller hat bisher einen genannt
- Reale, unabhängige Benchmarks. Alle Zahlen bisher sind Nvidia-Demos oder alte Leaks
- Windows-on-ARM Softwarekompatibilität in der Praxis
- Ob autonome KI-Agenten mit tiefen Systemrechten vom Markt akzeptiert werden
- Ob der Launch wirklich Herbst 2026 hält oder nach Q1 2027 rutscht
Scampy-Einschätzung: Für professionelle KI-Entwickler mit Budget ist das das einzige Windows-System, auf dem CUDA-nativer Code ohne Abstriche läuft und 128 GB Unified Memory existieren. Das ist real. Ein bezahlbarer Apple-Killer für den Durchschnittsnutzer ist der RTX Spark vorerst nicht. Und Apple läuft derweil einfach weiter.
Fakten-Stand: 10.06.2026
