一周前的微软发布会上，当英伟达CEO和微软CEO一起介绍RTX Spark时，我脑海中浮现的一句话是“它改变了Windows”。
在他们的对话里，RTX Spark并不是在说某一代硬件能有多快、显卡性能有多强，更像是Windows的下一种可能：当AI模型直接在个人电脑上运行，当智能体能够在保护隐私的情况下执行本地任务，PC能发展到哪一步。
英伟达CEO黄仁勋（左）和微软CEO Satya Nadella（右）
只不过，对于我们普通玩家来说，RTX Spark的特点会来得更加简单粗暴——它在一台轻薄本的机器上，用一颗超级芯片就集成出了性能相当于笔记本版RTX 5080的GPU。
不管从哪方面来说，RTX Spark都让我对它充满了好奇，也对它的实机性能“几分还原”充满期待。终于在几天前，我拿到一台实机后，就立马对它的各方面性能进行了测试。
这次我拿到的，是“华硕ProArt创16 RTX Spark”。它是华硕首批搭载NVIDIA RTX Spark N1X超级芯片的AI智能体轻薄本，我这台搭配的64GB统一内存，由CPU与GPU共享。
共享的统一内存，正是RTX Spark和过去x86架构PC的最大不同。在NVIDIA RTX Spark N1X中，基于ARM架构的CPU和Blackwell架构RTX GPU被整合在同一套SoC中，也就可以使用同一套内存。
对于AI相关工作来说，这种设计的意义尤为重大。因为大模型往往需要占用大量内存，统一内存可以让CPU与GPU更灵活地访问模型数据，避免性能因为显存溢出而大幅下降的尴尬情况。
在这台电脑上，我用Artificial Analysis AgentPerf Local和llama.cpp进行了简单的本地模型部署测试，并使用Qwen3.8-27B-Q4_K_M作为模型。
在面对简单的日常对话时，模型都几乎秒答，处理日常任务绰绰有余。不过随着输入文本量的增大，本地模型的响应速度也会明显变慢。
例如在面对16k tokens级别的内容时——也就是一篇长论文的任务量时，模型用了约28秒才开始回复我，总共花费78秒完成回答；等到内容量增加到64k tokens级——你可以看做是丢给了模型一本电子书，本地模型花了140秒才开始回复我，并且用了3分钟才回答完我的问题。
如果对大型任务进行拆分，本地模型的响应速度依然在可接受范围内。当然更重要的是，这是个在断网状态中照用不误的智能体，解决了很多人使用AI智能体的最大忧虑，隐私问题。
而对于我们游戏党来说，这个共享内存池同样是一大优势。它不仅能为游戏运行提供更灵活的内存资源调配，也使得NVIDIA在PC游戏领域积累的大量技术优势能进一步发挥出来，比如我们熟知的路径追踪、DLSS 5与Reflex等。
这次在ProArt 创16 RTX Spark上，我总共测试了《赛博朋克2077》《毁灭战士：黑暗时代》和《漫威争锋》这三款游戏的实机表现。
其中《赛博朋克2077》作为“画质测试游戏”，在4K分辨率、光线追踪低预设、DLSS 平衡模式和3倍多帧生成下，平均帧数为134左右，1%Low为95FPS。放在同级别的笔记本独显中，这个表现已经接近RTX 5080；
4K画质的《毁灭战士：黑暗时代》，则可以在中画质预设、DLSS平衡模式和3倍多帧生成下，平均帧数达到140左右，1%Low能稳定到100FPS。
值得一提的是，《漫威争锋》为这次测试提供了专门的ARM版本。在这个版本下，游戏可以在4K高画质预设、DLSS平衡模式和3倍多帧生成的环境中，达到145左右的超高FPS。只不过由于其高速动作属性，1%Low帧会在团战这样的复杂场景中掉到90FPS。
之所以着重提一下《漫威争锋》为ARM版本，是因为如果一定要为ARM架构PC找点不足，那一定是它的兼容问题。
因为目前大部分PC仍旧采用x86架构，这就注定还有大量软件和游戏仍需要以兼容模式在ARM架构的PC上运行。它们的性能表现和稳定性，势必会成为未来亟待解决的首个问题。
只不过以现在搭载RTX Spark的PC表现来看，定位为轻薄本、却能有如此强大的游戏性能，同时也能满足AI工作者的创作需求，ARM架构在PC上的普及或许会越来越快。
等到这时候，就算玩家们自己不去问，游戏厂商们也会快速跟进各大游戏的ARM原生版本——毕竟用户的需求才是第一生产力。
英伟达也表示，RTX Spark上市即支持上百款游戏和DLSS 5，包括: 《明日方舟：终末地》《控制：共振》《赛博朋克 2077》《堡垒之夜》《战争机器：事变日》《霍格沃茨之遗》《漫威争锋》《永劫无间》《NBA 2K27》《异环》《鸣潮》。
RTX Spark的诞生，或许也是源自于此。当它创造出足够多的使用场景，也给了用户足够多的选择，一台高性能Windows PC能做什么就不再只是老黄在舞台上畅谈的那些。
它最终能否真的改变Windows，还需要由这些电脑走进用户日常生活后的表现来回答。