O czym jest ten film
- Autor kupuje w Micro Center drugi DGX Spark i łączy go kablem z pierwszym — obie maszyny wspólnie dają 256 GB zunifikowanej pamięci do uruchamiania dużych modeli AI.
- DGX Spark nie ma złączy wideo i nie potrzebuje monitora: po podłączeniu do prądu tworzy własną sieć Wi-Fi, z której całą konfigurację wykonuje się z głównego komputera.
- Całe domowe laboratorium (Maki Studio, Mac mini, AMD Halo, oba Sparki) autor spina w darmowej sieci Tailscale, dzięki czemu klaster jest dostępny z dowolnego miejsca na świecie.
- Konfiguracją steruje agent AI (Grokbot): stawia sieć, ustawia parametry GPU i pobiera model. Wnosek autora: bariera wiedzy technicznej praktycznie zniknęła.
- Na klaster trafia DeepSeek 4.1 Flash (plik ma 400 GB) — wybór padł po zobaczeniu tweeta Raya Fernandeza z oszałamiającymi prędkościami na dwóch Sparkach.
- Darmowy, otwarty agent Hermes w niecałą minutę dostaje profil podpięty do lokalnego API — powstaje bot, z którym rozmawia się bez limitów i bez opłat.
- Testy szybkości: pierwsza odpowiedź w 8 sekund, gra w węża w jednym pliku HTML gotowa w półtorej minuty.
- Test możliwości: roguelike 3D w stylu Diablo (Three.js, poziomy, atrybuty, bossowie) powstał w 20–25 minut, a model sam przetestował grę i podesłał zrzuty ekranu.
- Modele lokalne pokazują pełny ślad rozumowania, podczas gdy wiele modeli czołowych z chmury maskuje proces myślenia.
- Główna teza: darmowe i nieograniczone tokeny zmieniają sposób korzystania z AI („inteligencja działająca w tle” — ciągły research, nieustanne przeglądy kodu), a na start wystarczy Mac mini.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Dwa DGX Spark spięte kablem to 256 GB wspólnej pamięci
Na czym polega: pojedynczy Spark ma 128 GB zunifikowanej pamięci; dedykowany kabel scala pamięci dwóch urządzeń w jedną pulę, na którą zmieszczą się naprawdę duże modele.
Jak stosować: planując sprzęt do lokalnego AI, licz łączną pulę pamięci klastra, a nie pojedynczego urządzenia. DeepSeek 4.1 Flash (plik 400 GB) rusza właśnie na dwóch połączonych Sparkach.
Na co uważać: im większy model, tym mniej zapasu zostaje na pozostałe procesy — przed zakupem sprzętu sprawdź, ile realnie zajmuje model, który chcesz wgrać.
2.Spark nie potrzebuje monitoru — konfiguracja przez własne Wi-Fi
Na czym polega: urządzenie nie ma HDMI, bo po podłączeniu do prądu zakłada własną sieć Wi-Fi; dane dostępowe dostajesz na karteczce w pudełku i cały setup robisz z laptopa albo stacji roboczej.
Jak stosować: podłącz Sparka do prądu, połącz się z jego siecią, pozwól instalatorowi działać — ten sam schemat powtarzasz przy każdym kolejnym urządzeniu.
Na co uważać: to sprzęt zaprojektowany do pracy jako węzeł obliczeniowy w sieci, nie jako komputer biurkowy — brak złączy wideo to założenie projektowe, nie wada.
3.Tailscale spina domowe AI w jedną prywatną sieć
Na czym polega: darmowa usługa, która buduje prywatną sieć między wszystkimi twoimi urządzeniami; Sparki, maki i pozostałe maszyny widzą się nawzajem i są dostępne z dowolnego miejsca.
Jak stosować: załóż konto, zainstaluj klienta na każdym urządzeniu, także na telefonie — prompt wysłany z telefonu trafia do domowego klastra i wraca z odpowiedzią.
Na co uważać: autor podkreśla, że to nie sponsoring — decyzję o usłudze dopasuj do własnych wymagań bezpieczeństwa, bo dajesz jej wgląd w ruch między twoimi maszynami.
4.Konfigurację może wykonać agent AI — bariera techniczna znika
Na czym polega: autor ustawia klaster, sieć, taktowanie GPU i pobór modelu wyłącznie rozmawiając z agentem; agent sam podsuwa kolejne polecenia krok po kroku.
Jak stosować: nawet nie znając nazw modeli, powiedz agentowi „nie wiem, czego chcę — pomóż”, albo podeślij link z cudzymi wynikami i każ wgrać model na wskazany sprzęt.
Na co uważać: agent dostaje poświadczenia dostępu do urządzenia — rób to świadomie i kontroluj, co dokładnie mu udostępniasz.
5.Dobór modelu do sprzętu zaczyna się od pytania agentowi
Na czym polega: zamiast zgadywać, poproś agenta o audyt sprzętu: „spójrz na ten komputer i podaj najlepszy model, który da się na niego wgrać”.
Jak stosować: rada działa na każdym sprzęcie — Mac mini, tańszy Mac Studio, jeden Spark — nie tylko na topowych klastrach.
Na co uważać: wyniki znalezione w internecie dotyczą konkretnej konfiguracji; ten sam model na słabszym sprzęcie może pracować wyraźnie wolniej albo wcale nie ruszyć.
6.Hermes jako interfejs i API dla lokalnego modelu
Na czym polega: klaster Sparków wystawia własne API, a darmowy, otwarty Hermes dostaje w niecałą minutę profil, przez który rozmawiasz z modelem jak ze zwykłym botem.
Jak stosować: jeśli chcesz zbudować agenta na lokalnym modelu, zacznij od Hermesa — został stworzony dokładnie pod takie zastosowania i nic nie kosztuje.
Na co uważać: sam model to jeszcze nie produkt — bez warstwy komunikacyjnej pozostaje silnikiem bez kierownicy, więc od razu zaplanuj, przez co będziesz się z nim kontaktować.
7.Lokalnie widzisz całe rozumowanie modelu
Na czym polega: modele lokalne pokazują pełny ślad myślenia; wiele modeli z absolutnej czołówki chmurowej proces ten ukrywa.
Jak stosować: wykorzystuj ten wgląd do nauki i poprawiania promptów — widzisz, gdzie model rozumuje poprawnie, a gdzie zbacza na manowce.
Na co uważać: jawny ślad rozumowania wydłuża odpowiedź (pierwsza reakcja u autora trwała 8 sekund) — w zadaniach, gdzie liczy się czas, to bywa odczuwalne.
8.Wydajność lokalna wystarcza do praktycznego programowania
Na czym polega: wąż w jednym pliku HTML powstał w około 90 sekund; złożony roguelike 3D w Three.js, klimatem przypominający Diablo, powstał w 20–25 minut — z samotestowaniem i zrzutami ekranu od modelu.
Jak stosować: potraktuj lokalny model jako darmowe środowisko do prototypowania — gry, strony, narzędzia — a potem dopracowuj efekty dalej z modelem, bez liczenia tokenów.
Na co uważać: to wciąż nie jest poziom modeli czołowych; do najtrudniejszych zadań programistycznych autor zachowuje abonamenty u Claude i OpenAI.
9.Darmowe i nieograniczone tokeny zmieniają sposób użycia AI
Na czym polega: autor nazywa to „inteligencją działającą w tle”: gdy tokeny nic nie kosztują, opłaca się utrzymywać procesy całodobowe — przeszukiwanie internetu pod kątem okazji biznesowych czy wielokrotne przeglądy własnego kodu w ciągu dnia.
Jak stosować: wypisz zadania, z których dziś rezygnujesz przez limity, i przenieś je na model lokalny pracujący bez przerwy; chmurę zostaw na zadania naprawdę trudne.
Na co uważać: jedyny koszt bieżący to prąd (i sprzęt na starcie); w chmurze takie wykorzystanie pochłonęłoby limity w oka mgnienie.
10.Na start wystarczy Mac mini — nie potrzebujesz klastra
Na czym polega: wejście w lokalne AI nie wymaga dwóch Sparków; wystarczy sprzęt, który już masz, i pytanie do agenta o najlepszy pasujący model.
Jak stosować: pierwszy krok jest dosłownie jeden: „Jaki najlepszy model lokalny uruchomię na tym sprzęcie?” — agent pobiera go i uruchamia za ciebie.
Na co uważać: nie dostaniesz najlepszych modeli świata; wartość leży w nauce, niezależności od chmury i zastosowaniach, które mogą działać całą dobę.
Redakcyjne tłumaczenie
Po drugi DGX Spark — wizyta w Micro Center
Jesteśmy w Micro Center, żeby odebrać mojego drugiego DGX Sparka. Pierwszy już mam. Plan jest taki: przywożę urządzenie do domu, łączę je z tamtym i sprawdzamy, jakie modele AI da się uruchomić na dwóch Sparkach spiętych w klaster. Czy taka konfiguracja pozwala zrezygnować z płatnych subskrypcji w chmurze? Jak mocna jest ta inteligencja — udźwignie cały codzienny warsztat programisty? Zaraz się przekonamy. Podziękowania dla Micro Center za sponsoring tego odcinka. To nie jest jedyny sklep, który lubię, ale zdecydowanie najlepszy sklep z elektroniką, jaki znam. Jeśli tam jeszcze nie byliście — zajrzyjcie, choćby online. Ludzie za ladą to najbystrzejsze głowy od komputerów. No to wchodzimy po Sparka.
(Informacja dodatkowa: DGX Spark to niewielki komputer Nvidii przeznaczony do uruchamiania modeli AI lokalnie, poza chmurą.)
Rozpakowanie i spacer po domowym laboratorium AI
Wracamy do domu, otwieramy pudełko. Prezentacja bardzo w duchu Apple: dwie taśmy do pociągnięcia i maszyna wyjeżdża. Dla tych, którzy jeszcze nie widzieli: DGX Spark to ładne, małe i lekkie urządzenie zaprojektowane przez Nvidię, które przy tym pakuje potężną moc obliczeniową. 128 GB zunifikowanej pamięci. Prawdziwa siłownia dla AI.
W zestawie nie znajdziemy HDMI ani niczego podobnego — i dobrze, bo monitor w ogóle nie jest potrzebny. Wystarczy podłączyć Sparka do prądu i go włączyć: urządzenie zakłada własną sieć Wi-Fi, łączysz się z nią z innego komputera i tam robisz całą konfigurację. Dokładnie tak zaraz zrobimy z moim Makiem Studio.
Nowa maszyna trafi do mojego domowego laboratorium AI. Co w nim stoi? Mac Studio, AMD Halo, pierwszy DGX Spark — z nim się dziś połączymy — kilka Maców mini, a dalej jeszcze dwa Mac Studio podpięte do sieci. Tak przy okazji: to moje studio nagraniowe. Trochę tu bałaganu, ale proszę przymknąć na to oko.
Kabel, który podwaja pamięć: 256 GB na dwa Sparki
Sercem całego przedsięwzięcia jest kabel łączący obie maszyny. Wchodzi w złącze po lewej stronie tylnego panelu i spina Sparka z jego bratem. Efekt: 128 GB plus 128 GB daje 256 GB pamięci współdzielonej między oboma urządzeniami — zmieści się na tym naprawdę spory model AI. Podłączam sprzęt do prądu, wracamy do kamery studyjnej, całość ogarniemy z Maca Studio, a potem wgramy na klaster kilka modeli i zrobimy z lokalnym AI coś naprawdę efektownego.
Konfiguracja bez monitoru
Drugi Spark stoi już na miejscu, podłączony do pierwszego. Konfiguracja okazała się banalna: do urządzenia dołączona jest karteczka z nazwą sieci Wi-Fi, którą samo tworzy. Łączysz się z tą siecią, instalator robi resztę. Ani razu nie przyszło podpinać monitora. Dalej zostaje już tylko konfiguracja zaawansowana — i tu wchodzi agent.
Tailscale: jedna sieć na całe domowe AI
Do ogarnięcia całości użyję Grokbota, ale równie dobrze może to być dowolny inny agent. Najpierw upewniłem się, że wszystko siedzi w tej samej sieci Tailscale. Jeśli macie więcej niż jedno urządzenie, a Tailscale jest dla was nowością — musicie to nadrobić. Usługa jest darmowa i, zaznaczam, nie płacą mi za te słowa. Budujecie własną, prywatną sieć między swoimi maszynami: bez trudu komunikują się ze sobą, a dostać się do nich można z dowolnego zakątka świata.
(Informacja dodatkowa: Tailscale tworzy prywatną sieć nakładkową — urządzenia widzą się nawzajem tak, jakby stały obok siebie, niezależnie od tego, gdzie fizycznie są.)
Grokbot zajął się wszystkim: postawił sieć, wprowadził do niej drugiego Sparka. Efekt jest taki, że nie tylko agent, ale wszystkie komputery mojego laboratorium — Maki Studio, Maki mini, AMD, komputer do gier — mogą teraz gadać z klastrem Sparków. I właśnie tak powinno się takie rzeczy stawiać.
Zawsze włączony dom, zdalny pilot w plecaku
Warto na chwilę się przy tym zatrzymać, bo to zmienia sposób korzystania z AI. Modele pracują na sprzęcie domowym — na jednym Sparku, na dwóch, na Macu Studio, na czymkolwiek. A kiedy wychodzisz, łączysz się z nimi telefonem, iPadem albo laptopem: urządzenie wchodzi do sieci Tailscale, wysyła prompt do domu i odbiera odpowiedź. Mniej więcej tak wygląda zawsze włączona instalacja, która nigdy nie gaśnie i stoi na porządnym sprzęcie, a telefon czy laptop służą tylko za zdalny ster.
Szczerze mówiąc, nie pojmuję zakupu laptopa za dziesięć tysięcy dolarów ze 128 GB RAM. Płacisz sporą premię za samą formę, a maszyna i tak zapada w sen przy każdym zamknięciu klapy i strasznie się grzeje. Po co, skoro można mieć w domu sprzęt o wiele lepszy w tej cenie i podłączać się do niego tanim laptopem w podróży? Dla mnie sprawa jest przesądzona. Dobra, wracamy do konkretów.
Książka przepisów na start
Przy okazji: przy konfiguracji Sparka dostajecie świetną „książkę przepisów” z gotowymi scenariuszami — krok po kroku, automatycznie. To urządzenie jest naprawdę przyjazne dla początkujących. Jeśli tylko interesujesz się AI, kupujesz jednego Sparka i rób, co chcesz: trenuj modele, trenuj LoRA, generuj obrazy lokalnie. Z tymi przepisami wszystko jest banalnie proste. Ja jednak całą konfigurację powierzę Grokbotowi — w moim odczuciu tak jest najprościej. Podaję mu poświadczenia dostępu do drugiego Sparka i ruszamy.
Jaki model na jaki sprzęt? Zapytaj agenta
Czas wgrać modele — i znów najłatwiej zrobić to przez agenta. Uwaga: ta rada nie dotyczy wyłącznie Sparków. Niezależnie od tego, co macie — Maca mini, tańszego Maca Studio, jednego Sparka — najprościej podejść do dowolnego agenta, niech to będzie Hermes, Grokbot czy cokolwiek innego, i powiedzieć: „Spójrz na ten komputer, sprawdź, jaki ma sprzęt, i podpowiedz najlepszy model, który da się na niego wgrać”.
Ja wiedziałem, czego chcę, bo trafiłem na tweet Raya Fernandeza z DeepSeekiem 4.1 Flash pędzącym na dwóch Sparkach z absurdalną prędkością. Wysłałem więc agentowi tego tweeta z poleceniem: „Wgraj to na moje Sparki”. Tyle. Nie trzeba być guru od modeli AI — wystarczy mieć agenta. Koniec z pilnowaniem wiedzy dla wtajemniczonych, żadna techniczna erudycja nie jest potrzebna. Mówisz, czego chcesz. A jeśli nie wiesz, czego chcesz, to mówisz właśnie to — a agent sam dopasuje się do sytuacji i znajdzie wyjście.
Agent poprowadził mnie za rękę: podsuwał kolejne polecenia, każe ustawić taktowanie GPU na właściwych wartościach, sam przygotował połączenie kablem i pobiera model bezpośrednio na urządzenie. 400 GB danych. Ani razu nie podłączyłem monitora. Za chwilę wszystko stanie i przekonamy się, na ile starczy dwóch połączonych Sparków — czy jakość wystarczy, żeby pożegnać się z abonamentami Claude i OpenAI.
Mała prośba na marginesie: jeśli taki format — testowanie sprzętu i sprawdzanie, co na nim ruszy — wam odpowiada, zostawcie łapkę i dajcie znać w komentarzach. W zależności od odbioru będę kupował kolejne maszyny i pokazywał, co na nich działa. Prowadzę też, nie przechwalając się zbytnio, najlepszy newsletter o AI na świecie — w pełni darmowy, link w opisie.
Hermes: niecała minuta od modelu do bota
Gotowe. DeepSeek działa na obu Sparkach. Przypominam: nie było w tym żadnej filozofii. Podłączasz sprzęt, mówisz agentowi, co ma zrobić, i on to robi. Koniec z wtajemniczeniem w sprawach technicznych — chcesz, więc się dzieje.
Sparki wystawiają własne API do mojego komputera, więc wszystko na głównym Macu Studio może się z nimi łączyć. Dopowiedziałem agentowi, żeby Hermes też dostał dostęp — i w niecałą minutę miałem nowy profil, gotowy do rozmowy z lokalnym modelem. Jeśli chcecie zbudować agenta na lokalnym modelu, bardzo polecam Hermesa: darmowy, open source, prosty w obsłudze i stworzony dokładnie pod takie zastosowania. Klikam profil DeepSeek i mogę gadać z modelem, kiedy tylko chcę. Za darmo, bez żadnych limitów — jedynym kosztem jest prąd płynący do Sparków.
Pierwszy sprawdzian: osiem sekund, potem wąż
Wysyłam pierwszą testową wiadomość: „Hej, jesteś?”. Pokazuję to na żywo, bez montażu — pod okienkiem czatu widać licznik czasu. Odpowiedź: „Tak, jestem. Czego potrzebujesz?”. Osiem sekund.
Przy okazji widać coś, co bardzo cenię w modelach lokalnych: pełny ślad rozumowania. Sporo modeli z absolutnej czołówki maskuje dziś proces myślenia i nie wiadomo, co dzieje się w środku. Lokalnie nie ma nic ukrytego — widzisz, jak model myśli i jak pracuje, krok po kroku. Wszystko na wierzchu.
Druga próba: „Zbuduj mi szybką grę w węża w jednym pliku HTML”. Model rozmyśla. Po dwudziestu sekundach ma już sterowanie i logikę gry, pisze plik i rozkręca implementację — po minucie kod jest gotowy. To tempo jest takie, że spokojnie widzę ten model w roli głównego narzędzia codziennej pracy. Pół roku czy rok temu coś takiego byłoby poziomem modeli czołowych — a tu śmiga na moim biurku, bez limitów i za darmo. Szczęki opadają.
Gra otworzyła się jako artefakt w czacie Hermes, więc można od razu zagrać. Szczerze? Jak na węża, wygląda całkiem przyzwoicie. Jednego roga udało mi się nie złapać, innego też nie. Półtorej minuty na lokalnym modelu.
Poważny test: roguelike 3D à la Diablo
Teraz spróbujemy coś, co naprawdę da tym maszynom w kość. Prompt brzmi mniej więcej tak: zbuduj roguelike w Three.js, widok z góry, rżnięcie demonów jak w Diablo; na każdym poziomie coraz więcej przeciwników, a między poziomami wybieram nową moc albo podnoszę atrybut; mroczny, demoniczny klimat rodem z Diablo; rozgrywka ma dawać satysfakcję, a grafika być dopracowana, stylowa i piękna. Cały prompt wrzucę pod filmem — bierzcie, przerabiajcie i tuningujcie jak wolicie. Ostatnio mocno wciągnąłem się w budowanie gier, to czysta przyjemność.
I gotowe. Zajęło około dwudziestu, może dwadzieścia pięć minut. W zamian dostaliśmy grę wielopoziomową, złożoną i trójwymiarową — do tego pokaźny zestaw zrzutów ekranu. Model sam ją przetestował, sam ocenił, jak wyszła, i sam podesłał podglądy. Wszystko lokalnie, wszystko za darmo.
Odpalam w przeglądarce. Grafika jak na model lokalny — czyli nieczołowy, darmowy i bez limitów — robi wrażenie. Rozgrywka faktycznie kojarzy się z Diablo: nie ma co prawda tylu zaklęć i klas co w pierwowzorze, ale klimat się zgadza. Między poziomami dochodzą atrybuty: odbijanie 25 proc. otrzymywanych obrażeń, leczenie 12 proc. zadawanych — po wampirizm po prostu trzeba sięgnąć. Bohater doczekał się dodatkowego pancerza, przeciwnicy i bossowie rosną, wyskakują trafienia krytyczne z dużymi liczbami na ekranie. Jak na grę powstałą z jednego promptu, za jednym zamachem — imponujące. I teraz mogę ją dalej rozwijać razem z modelem, wciąż za darmo.
„Po co mi to, skoro płacę 200 dolarów za ChatGPT?”
Bardzo częste pytanie pod moimi materiałami brzmi: okej, Alex, ale to nie jest model czołowy — kiedy miałbym go używać, skoro płacę dwieście dolarów miesięcznie za ChatGPT? I tu sedno: gdy model jest darmowy i nieograniczony, zmienia się to, do czego go wykorzystujesz. Przy naprawdę trudnym programowaniu sięgniesz po Claude, Opusa i swoje abonamenty — jasne. Ale skoro model lokalny nic nie kosztuje i nie ma limitów, otwierają się zupełnie inne zastosowania. Nazywam to inteligencją działającą w tle: procesy, które po prostu żyją u ciebie całą dobę. U mnie lokalny model nieprzerwanie przeszukuje internet w poszukiwaniu pomysłów biznesowych i sposobów na zarabianie. Przegląda moje bazy kodu raz za razem, przez cały dzień. Na modelach chmurowych takie zużycie pochłonęłoby limity w oka mgnienie — lokalnie może pracować bez końca. Kiedy tokenów masz nieskończenie wiele, zmienia się to, co z nimi robisz.
Nie potrzebujesz dwóch Sparków, żeby zacząć
Bardzo, bardzo polecam wejście w modele lokalne — i od razu uspokajam: nie potrzebujecie do tego dwóch Sparków. Owszem, dwa pozwalają na takie sztuki jak dzisiejsze, ale naprawdę wystarczy Mac mini. Podchodzisz do agenta, np. Hermes, i pytasz: „Jaki najlepszy model lokalny zmieści się na tym Macu mini?”. On go pobiera i uruchamia. Tyle. To coś, co powinien zrobić każdy, komu AI nie jest obojętne. Czy dostaniecie najlepsze modele świata? Nie. Ale dostaniecie własne: się nauczycie, poznacie technologię od środka, nabierzecie wprawy — a przy okazji odblokujecie zastosowania, które pracują całą dobę.
Jeszcze raz dziękuję Micro Center za sponsoring tego odcinka. Wspierajcie lokalną sprzedaż — wstępujcie do Micro Center. Mam nadzieję, że było pomocnie. Do zobaczenia w następnym filmie.