Unix工作站的迴歸（現在加入AI）
一位資深Unix使用者回顧了從1990年代RISC工作站到現代基於ARM的AI工作站的演變，重點介紹了從執行Asahi Linux的Mac Studio遷移到將20核ARM CPU與強大GPU相結合的Dell Pro Max GB10（NVIDIA DGX Spark）的經歷，使得本地AI代理部署和資料科學任務成為可能。
文章情報
要點
- 作者追溯了Unix工作站從1990年代RISC機器到現代基於ARM系統的歷史。
- 蘋果轉向ARM（M1）復興了強大RISC Unix工作站的概念，現在透過Asahi執行Linux。
- NVIDIA DGX Spark（Dell Pro Max GB10）提供了專為AI設計的RISC Unix工作站，具備1 petaFLOP的AI效能。
- 作者將GB10作為主要工作站，用於執行本地AI代理（NemoClaw）和模型，進行開發與資料科學工作。
為什麼重要
這條新聞值得關注，因為作者追溯了Unix工作站從1990年代RISC機器到現代基於ARM系統的歷史。
技術影響
可能影響模型選型、推理成本、產品能力和評測基準。
我是1990年代Unix的忠實使用者，那時強大的RISC Unix工作站還在地球上橫行。SGI Octanes、Sun Ultras、DEC Alphastations……這些工作站價格昂貴，專為科學、工程和開發工作設計。它們使用RISC處理器（因為RISC是未來！），價格不菲。天哪，它們太強大了。我在其中許多機器上安裝了Linux（本質上是開源Unix）。
然而到了2000年代，廉價的Intel/AMD x86 PC提供了更好的價效比，強大的RISC Unix工作站逐漸滅絕。但沒關係，那些PC仍然可以執行Linux。蘋果Mac執行macOS（也是Unix），所以所有概念和命令從未消失。事實上，Web和雲——包括相關的開發框架——都是在Linux基礎上成長起來的。因此，當21世紀初雲和Linux突然成為主流媒體關注的焦點時，我們這些自滿的Unix使用者只是坐享其成。
時間快進到2020年：蘋果宣佈將放棄Intel x86處理器，轉向自主研發的極快ARM處理器。ARM是RISC處理器，macOS是Unix。於是，蘋果帶回了1990年代的強大RISC Unix工作站（儘管價格更低）。
如今macOS是不錯的Unix，但不如Linux。幸運的是，Asahi開源專案逆向工程了蘋果平臺，並找到了在其上原生執行Linux的方法（畢竟Linux早在其他硬體廠商之前就支援了ARM）。我是最早的使用者之一，如今我在Mac Studio M1（20核ARM處理器，128GB記憶體，4TB儲存）上原生執行Fedora Asahi Remix Linux。
這很完美，因為我執行大量虛擬化Linux伺服器和容器，並開發許多在其中執行的軟體。一臺執行Linux的強大RISC工作站令人耳目一新，極大地提高了我的生產力。
然而，我現在需要做大量資料科學工作，涉及訓練、調優和執行各種機器學習與AI模型。
幸運的是，2025年NVIDIA釋出了Grace Blackwell GB10臺式超級計算機平臺：一款配備20核ARM CPU、128GB記憶體、4TB儲存以及強大NVIDIA GPU（可實現高達1 petaFLOP的AI效能）的Linux工作站。換句話說，這是一款專為AI和資料科學工作負載設計的現代RISC Unix工作站。
NVIDIA的GB10版本稱為DGX Spark，但我早在11月就拿到了戴爾版本（Dell Pro Max with GB10），其散熱效能更好。最初我將其用作遠端連線的伺服器，但後來它成了我的主要工作站。畢竟它的規格與我的Mac Studio基本相同（20核ARM處理器，128GB記憶體，4TB儲存），開箱即用執行Linux，無需依賴逆向蘋果硬體的開源專案。而且它還擁有強大的NVIDIA GPU用於我的資料科學工作，NVIDIA提供了一些精良的工具，使我能更輕鬆地執行所需的資料科學內容。
效能方面，ARM CPU與我的Mac Studio相當，Linux在兩種系統上都執行飛快。因此我將所有虛擬化Linux伺服器、容器、Kubernetes叢集和Ansible檔案遷移過來，並安裝了我的完整開發棧。突然間，我擁有了一臺能完成所有任務的機器：軟體開發、虛擬化、容器、DevOps、資料科學、AI推理和本地AI代理。砰！90年代回來了，寶貝！
不過，還有更多！GB10是一款AI超級計算機，NVIDIA使執行任何AI相關任務變得極其簡單（他們有詳細的設定文件）。因此，我還執行著NemoClaw AI代理來協助我的任務。NemoClaw本質上將DGX Spark變成了一個本地AI操作員，可以自動化開發工作流程、檢查檔案、編寫程式碼和指令碼、總結文件、執行命令和分析日誌，而不僅僅是像傳統聊天機器人那樣回應提示。這意味著我可以委派實際任務讓它完成，而不僅僅是提問。
它利用了Nemotron 3 Super 120B引數AI模型，並主要使用Telegram作為聊天機器人介面。它將AI代理與主機系統隔離，這比直接執行底層OpenClaw安全得多（我可以輕鬆限制AI代理的訪問許可權和整合範圍）。一切都在系統上與其他工作負載完美執行。幾年前，這種設定需要整個伺服器機架。現在它執行在我的桌面上。這仍然讓人感到有點荒謬，卻是最好的方式。
我還利用GPT-OSS 120B引數模型在DGX Spark本地進行VS Code中的AI輔助開發。作為一名資深開發者，我更多地將AI視為“氛圍編碼”的替代品，而是作為加速軟體工程中重複工作的倍增器。這意味著我可以花更多時間專注於架構、系統設計和問題解決。
令我著迷的是，行業不知何故回到了起點：強大的本地Unix工作站執行在RISC架構上，由工程師、科學家和開發者用於計算密集型工作。不同之處在於，工作負載不再僅僅是統計分析、3D渲染或科學視覺化……現在我們在Unix工作站上本地執行AI模型。太棒了。
免責宣告：我仍然使用macOS和Windows系統來支援學院的IT、軟體開發和資料科學專案，因為這些課程要麼在Windows PC上教授，要麼在Mac上教授。