NVIDIA GB300 Grace Blackwell Ultra Desktop Superchip、最大748GBのコヒーレントメモリ、最大20PFLOPSのFP4 AI演算性能を一台に集約。
「GPUのVRAMに収まらない」という大規模AI開発の壁を越え、学習・ファインチューニング・推論・データサイエンスをローカルで加速するAIスーパーコンピューターです。
10月下旬より順次出荷開始予定
NVIDIA DGX Station for Windows は、エンタープライイズ アプリケーションやワークフローに接続された強力な AI エージェントを構築および実行するための究極のデスクサイド AI スーパーコンピューターです。
従来型GPUワークステーションとの違い、モデル規模と必要メモリ、活用シーン、導入時の確認事項までを解説します。
COMPUTE最大20 PFLOPSFP4 AI演算性能
MEMORY最大748 GB252GB HBM3e+496GB LPDDR5X
CPU72 CoreNVIDIA Grace / Arm Neoverse V2
NETWORK400GbE ×2ConnectX-8 SuperNIC / 合計最大800Gb/s通常のGPUワークステーションは、CPUメモリとGPU VRAMがPCIeの先で分離しています。モデルやKVキャッシュがVRAMを超えると、CPU側への退避と再転送が発生し、GPUが速くてもデータ移動がボトルネックになります。


GPU MEMORY最大7.1TB/sの高帯域メモリ。行列演算で頻繁に参照する重み・活性化・キャッシュを高速に処理します。
CPU MEMORYGrace CPUに直結する大容量ECC対応メモリ。モデル、データセット、前処理など広い作業領域を確保します。
INTERCONNECTGrace CPUとBlackwell Ultra GPUをチップ間接続し、PCIe経由の従来構成より緊密なCPU・GPU連携を実現します。

推論時の重みだけを概算する基本式です。実運用ではKVキャッシュ、コンテキスト長、同時実行数、ランタイム、テンポラリ領域が別途必要です。

| モデル例 | 総パラメータ | BF16 / FP16 | FP8 | 4bit / FP4 | WS300での見方 |
|---|---|---|---|---|---|
| Gemma 3 27B | 約27.4B | 約54.8GB | 約27.4GB | 約13.7GB | 十分な余裕 |
| gpt-oss-120b | 約117B | 約234GB | 約117GB | 約58.5GB | 高精度推論・検証にも有力 |
| Qwen3 235B | 約235B | 約470GB | 約235GB | 約117.5GB | 単一ノードで扱える可能性 |
| DeepSeek R1 | 約685B | 約1.37TB | 約685GB | 約342.5GB | FP8以下が現実的。実行方式・余白の精査必須 |
| 1Tモデル | 1,000B | 約2.0TB | 約1.0TB | 約500GB | 4bit級で射程。モデル実装と追加メモリを要確認 |

DENSE MODEL各トークンでモデル全体を通る構造。パラメータ規模に応じて必要メモリと計算量が増えます。
MoE MODELモデル全体はメモリに保持しつつ、トークンごとに一部のExpertだけを動かします。総パラメータ数と有効パラメータ数を分けて見る必要があります。
QUANTIZATIONBF16→FP8→4bitと精度を下げるほど重み容量は減少します。一方、品質・速度・対応演算・量子化方式の違いを評価する必要があります。

01コンテキスト長、同時処理数、モデル構造に応じて増加。長文・多数ユーザーでは無視できません。
02フレームワーク、CUDAコンテキスト、カーネル、ワークスペースが使用します。
03勾配・オプティマイザ状態・活性化が必要。フル学習は推論より大幅に多くのメモリを使います。
04複数モデル、RAG、埋め込み、再ランキング等を同居させる場合は合算して設計します。
NVIDIA ConnectX-8 SuperNICにより合計最大800Gb/s。高速ストレージ接続、WS300間接続、クラスタ化を見据えた超高速ネットワークです。
大規模データセットやチェックポイントをNVMe-oF等の高速ストレージから供給する構成に。
WS300同士を接続し、単一ノードのメモリ・演算枠を超えるワークロードへ拡張。
同じNVIDIA AI基盤を軸に、ローカルで開発・検証し、データセンターやクラウドへ展開。


CUDA Toolkit、cuDNN、TensorRT、TensorRT-LLM、NCCL、NVIDIA Container Toolkitなど。
PyTorch、vLLM、SGLang等を用いた学習・推論環境。コンテナベースの構築にも対応。
RAPIDS(cuDF、cuML、cuGraph)、XGBoostなど、GPUで前処理・分析を高速化。


社内文書、設計情報、研究データを外部へ送らず、検索・要約・分析・エージェント処理をローカル化。

画像・映像・音声・テキストを組み合わせたモデルの開発、評価、推論。大容量メモリを要する処理にも。

ロボティクス、自律システム、デジタルツイン、可視化。必要に応じRTX PRO GPU増設も検討。

量子化条件、推論エンジン、コンテキスト長、スループットを社内で反復評価。

大規模データをメモリへ取り込み、前処理から機械学習・可視化までを一台で加速。

チーム向け推論API、研究室共用ノード、部門内AI基盤として継続運用。

モデル名、精度、推論/学習、LoRA/QLoRA、コンテキスト長、同時利用数を整理。
推論かフル学習か、データ量、目標トークン速度、OOMの現状を確認。
Ubuntu/arm64対応、利用フレームワーク、既存コード、コンテナ、API公開方法を確認。
100V/200V、回路容量、発熱・騒音、奥行、搬入経路、400GbE機器の有無を確認。

最大748GBのコヒーレントメモリとGrace CPU+Blackwell Ultra GPUのNVLink-C2C接続です。単純なGPU演算性能の比較ではなく、従来VRAM容量で難しかった大規模モデルを単一ノードで扱える点が中心的な価値です。
いいえ。NVIDIAは最大1Tパラメータ級を掲げていますが、必要容量は精度、モデル構造、推論エンジン、KVキャッシュ、コンテキスト長、同時実行数で変わります。1Tモデルは4bit級でも重みだけで概ね500GBとなるため、個別検証が必要です。
いいえ。252GB HBM3eと496GB LPDDR5Xの合計です。コヒーレントなアドレス空間として連携しますが、各メモリの帯域・特性は異なります。
NVIDIAはDGX Station for Windowsを発表していますが、提供時期・搭載構成・対応ソフトウェアは販売仕様の確認が必要です。本ページの基本仕様はUbuntu 24.04ベースのNVIDIA AI Developer Tools環境を前提にしています。
WS300のGrace CPUはArmです。arm64対応イメージまたはマルチアーキテクチャイメージが必要です。独自バイナリ、商用ソフト、依存ライブラリを含め、事前に対応状況をご確認ください。
対応スイッチまたは対向NIC、規格に合うケーブル/光トランシーバ、ネットワーク設定が必要です。用途に応じてイーサネット構成、ストレージ接続、ノード間接続を設計します。
| コヒーレントメモリ | CPUとGPUがメモリ内容の整合性を保ちながら相互アクセスできる仕組み。データコピーと管理の負担を減らします。 |
|---|---|
| HBM3e | GPUに近接配置される高帯域メモリ。大規模な並列演算へ高いデータ供給能力を持ちます。 |
| NVLink-C2C | Grace CPUとBlackwell GPUをつなぐチップ間インターコネクト。C2CはChip-to-Chipの意。 |
| MoE | Mixture of Experts。入力ごとに一部のExpertを選択して計算するモデル構造。 |
| 量子化 | 重み等の数値精度を下げ、メモリ量と演算負荷を削減する手法。品質とのバランス評価が必要。 |
| KVキャッシュ | LLMが過去トークンのAttention計算結果を保持する領域。長文や同時処理で増加します。 |
| BMC / Redfish | OSとは独立して電源・状態監視・遠隔管理を行う仕組み/標準API。 |
本ページは、MSI製品情報・MSI発表資料およびNVIDIA公式製品情報・開発ガイドを基に構成しています。モデル容量表は各モデルの公表パラメータ数を基にした理論概算であり、性能・動作を保証するものではありません。
製品仕様、価格、納期をご確認のうえ、専用の商品ページからご注文いただけます。
10月下旬より順次出荷開始予定
お問い合わせはこちら