🛒 0

NVIDIA DGX Station AI-werkstation

Chip NVIDIA GB300 Grace Blackwell Ultra Superchip
Coherent geheugen 748 GB geünificeerd: 496 GB LPDDR5X + 252 GB HBM3e
AI-prestaties 20 PetaFLOPS (FP4)
Schaalt tot Cluster met 2 stations
€ 105.000
Clusterconfiguratie

Ons team neemt contact met u op met een op maat gemaakte prijsopgave.

Gebruik dit om verschillende configuraties in uw winkelwagen uit elkaar te houden – handig als u hetzelfde product met verschillende opties bestelt.

Totaalprijs € 105.000

Volledige specificaties

Rekencapaciteit & Geheugen

Superchip

NVIDIA GB300 Grace Blackwell Ultra Desktop Superchip

CPU

NVIDIA Grace CPU Superchip, 72 Arm Neoverse V2-kernen

GPU

1× NVIDIA Blackwell Ultra GPU

Coherent geheugen

748 GB geünificeerd: 496 GB LPDDR5X + 252 GB HBM3e

Geheugeninterconnect

NVLink-C2C, 900 GB/s bandbreedte tussen CPU en GPU

AI-prestaties

20 PetaFLOPS (FP4)

Multi-Instance GPU

Tot 7 geïsoleerde GPU-partities (MIG)

Opslag & Fysiek

Opslag (Slots)

4× M.2 2280 PCIe 5.0 x4 NVMe

GPU-uitbreiding

PCIe 5.0, 1× dubbele breedte + 2× enkele breedte x16 slot(s) voor optionele NVIDIA RTX PRO weergave/visualisatie-GPU

Formaatfactor

Bureautoren, NVIDIA-referentiechassisontwerp

Afmetingen

24,5 x 52,8 x 59,5 cm

Netwerken en clustering

Hoge-snelheidsnetwerken

2× 400G QSFP112-poorten via NVIDIA ConnectX-8 SuperNIC

Clustering met meerdere stations

Directe 400GbE-koppeling van maximaal 2 DGX Stations in een gecombineerde coherente geheugenpool van 1.496 GB

Draadloos (optioneel)

PCIe M.2 2230-slot voor een Wi-Fi/Bluetooth-module; kan onbezet blijven voor air-gapped implementaties

Voeding & Koeling

Voeding

1600 W-voeding, compatibel met standaard kantoorstopcontact

Koeling

Gesloten lus vloeistofkoeling, aanhoudende prestaties onder zware AI-werkbelasting

Beheer en software

BMC

ASPEED AST2600

Beheer op afstand

IPMI 2.0 en Redfish API, monitoring en controle in datacenterstijl

Beveiliging

Hardwarematige vertrouwensbasis, bedrijfssecure boot

Softwarestack

NVIDIA DGX OS, klaar voor implementatie van NVIDIA NemoClaw-agent

Heeft u liever een snelle AI-samenvatting? Sla het lezen over – onderzoek de volledige specificaties en geschiktheid voor uw use case met een AI-assistent naar keuze.

NVIDIA introduceerde de DGX Station op 17 maart 2026 als het referentiebureausysteem voor het NVIDIA GB300 Grace Blackwell Superchip-platform – ontworpen en rechtstreeks door NVIDIA gevalideerd om triljoen-parametermodellen lokaal uit te voeren, en geproduceerd onder licentie door hardwarepartners van NVIDIA.

Hardwarespecificaties

De DGX Station is gebouwd rond een enkele NVIDIA Grace CPU Superchip – 72 Arm Neoverse V2-kernen en 496 GB LPDDR5X-geheugen – gekoppeld aan een NVIDIA Blackwell Ultra GPU met 252 GB HBM3e GPU-geheugen, verenigd via NVLink-C2C tot een coherente geheugenpool van 748 GB. Tot 7 geïsoleerde MIG-partities stellen één station in staat om meerdere teams of workloads tegelijkertijd te bedienen zonder conflicten. Het systeem biedt 4× M.2 2280 PCIe 5.0 x4 NVMe-opslag, een dual-port NVIDIA ConnectX-8 400G SuperNIC en PCIe 5.0-uitbreidingsslots voor een optionele NVIDIA RTX PRO GPU voor beeldscherm- en visualisatie-uitvoer.

Lokale AI-server voor zakelijk gebruik

De DGX Station is ontworpen om te fungeren als een gedeelde lokale AI-bron. Meerdere medewerkers kunnen gedurende de werkdag documentverwerkingstaken indienen – contractbeoordeling, factuurextractie, rapportopstelling, e-mailtriage – waarbij taken centraal on-site worden afgehandeld in plaats van via externe clouddiensten.

Via NVIDIA NemoClaw kunnen autonome agents continu op het systeem draaien, waarbij terugkerende taken zoals inboxmonitoring of geplande rapportgeneratie worden afgehandeld zonder dat een persoon elk verzoek hoeft te initiëren. Hierdoor kan de DGX Station fungeren als continue AI-infrastructuur voor het bedrijf, die stabiele documentworkloads ondersteunt.

Capaciteit uitbreiden: clustering van twee stations

Voor workloads die een enkele eenheid overstijgen, kunnen twee DGX Stations via hun ingebouwde 400G ConnectX-8 SuperNIC-poorten worden verbonden, waardoor ze samenkomen in één coherente geheugenpool van 1.496 GB die over beide machines adresseerbaar is. Dit biedt een eenvoudig upgradepad voor groeiende teams zonder nieuwe architectuur of workflowwijzigingen, beschikbaar als configuratieoptie bij afrekenen.

Een referentieplatform gebouwd op negen jaar DGX Station-ontwikkeling

De naam DGX Station gaat terug tot 2017, toen NVIDIA de originele DGX Station introduceerde als een bureaubladalternatief voor rekgebaseerde AI-infrastructuur, gebouwd rond vier NVIDIA Tesla V100 GPU's. In november 2020 werd deze opgevolgd door de DGX Station A100, die overging op vier NVIDIA A100 Tensor Core GPU's en tot 320 GB GPU-geheugen bood, verspreid over vier afzonderlijke kaarten, waarbij workloads expliciet moesten worden verdeeld en beheerd over de multi-GPU-configuratie.

De huidige DGX Station, geïntroduceerd in 2026, vervangt die multi-GPU-aanpak door een enkele NVIDIA GB300 Grace Blackwell Ultra Superchip: één coherente, verenigde geheugenpool van 748 GB die rechtstreeks wordt gedeeld tussen CPU en GPU via NVLink-C2C, in plaats van vier afzonderlijke GPU-geheugenpools die via software aan elkaar zijn gekoppeld.

Coherente geheugencapaciteit per generatie

2017 DGX Station 4× Tesla V100, 64 GB GPU-geheugen
2020 DGX Station A100 4× A100, tot 320 GB GPU-geheugen
2026 DGX Station (GB300) 1 superchip, 748 GB verenigd coherent geheugen

Eén coherente geheugenpool, rechtstreeks gedeeld tussen CPU en GPU – geen handmatige multi-GPU-partitionering vereist.

Kostenvergelijking: on-premises versus cloud-API's voor AI

Voor mkb-bedrijven die dagelijks grote hoeveelheden documenten verwerken, wordt het verschil tussen een vaste on-premises installatie en op gebruik gebaseerde cloud-AI-facturering na verloop van tijd aanzienlijk groter.

Cloud-AI-API's
~€ 300k – ~€ 600k
over 3 jaar, aanhoudende workload
Op gebruik gebaseerde facturering schaalt met volume. Kosten stijgen lineair (of sneller) naarmate de document-/agentworkload groeit, zonder plafond.
NVIDIA DGX Station AI-werkstation
~€120k
over 3 jaar, vaste hardware + operationele kosten
Eenmalige hardwarekosten plus voorspelbare stroom en onderhoud. Kosten blijven gelijk ongeacht hoe vaak het systeem wordt gebruikt.
Geschatte kostenverdeling over 3 jaar: DGX Station versus Cloud-AI-API's
KostencategorieCloud-AI-API'sDGX Station (On-Premises)
Initiële hardware-investeringGeen€105k (eenmalig)
Operationele kosten jaar 1~€ 100k – ~€ 200k~€ 4k (stroom & onderhoud)
Operationele kosten jaar 2~€ 100k – ~€ 200k~€ 4k (stroom & onderhoud)
Operationele kosten jaar 3~€ 100k – ~€ 200k~€ 4k (stroom & onderhoud)
Cumulatieve kosten over 3 jaar~€ 300k – ~€ 600k118137 EUR

Omdat de verwerking volledig on-site plaatsvindt, worden documenten en bedrijfsgegevens niet naar servers van derden verzonden. Dit is een relevant aandachtspunt voor organisaties in juridische, financiële of andere gegevensgevoelige sectoren.

Samenvatting

De DGX Station biedt een enkel, vastgeprijsd systeem dat continue AI-documentverwerking ondersteunt, gecombineerd met de referentiearchitectuur van NVIDIA voor het lokaal uitvoeren van grote AI-modellen. Voor mkb-bedrijven met aanhoudende AI-workloads biedt het een goedkoper alternatief voor terugkerende cloud-AI-uitgaven, met een gedocumenteerd upgradepad naar een cluster van twee stations.

NederlandsNederlandsnl🇳🇱EnglishEngelsen🇪🇺bosanskiBosnischba🇧🇦българскиBulgaarsbg🇧🇬danskDeensdk🇩🇰DeutschDuitsde🇩🇪EestiEstsee🇪🇪suomiFinsfi🇫🇮FrançaisFransfr🇫🇷ΕλληνικάGrieksgr🇬🇷magyarHongaarshu🇭🇺ItalianoItaliaansit🇮🇹hrvatskiKroatischhr🇭🇷latviešuLetslv🇱🇻LietuviųLitouwslt🇱🇹BokmålNoorsno🇳🇴українськаOekraïensua🇺🇦PolerowaćPoolspl🇵🇱PortuguêsPortugeespt🇵🇹românăRoemeensro🇷🇴СрпскиServischrs🇷🇸SlovenecSloveenssi🇸🇮slovenčinaSlowaakssk🇸🇰EspañolSpaanses🇪🇸češtinaTsjechischcz🇨🇿БеларускаяWit-Russischby🇧🇾svenskaZweedsse🇸🇪العربيةArabischar🇸🇦বাংলাBengaalsbd🇧🇩မြန်မာBirmeesmm🇲🇲简体Chineescn🇨🇳繁體Trad. Chineeshk🇭🇰ქართულიGeorgischge🇬🇪עבריתHebreeuwsil🇮🇱हिंदीHindihi🇮🇳BahasaIndonesischid🇮🇩日本語Japansjp🇯🇵ҚазақKazachskz🇰🇿한국어Koreaanskr🇰🇷MelayuMaleismy🇲🇾मराठीMarathimr🇮🇳नेपालीNepaleesnp🇳🇵O'zbekOezbeeksuz🇺🇿فارسیPerzischir🇮🇷ਪੰਜਾਬੀPunjabipa🇮🇳РусскийRussischru🇷🇺සිංහලSingaleeslk🇱🇰TagalogTagalogph🇵🇭தமிழ்Tamilta🇱🇰తెలుగుTelugute🇮🇳ไทยThaith🇹🇭TürkçeTurkstr🇹🇷اردوUrdupk🇵🇰Tiếng ViệtVietnameesvn🇻🇳