Обзор мини-ПК Acer Veriton GN100 AI — еще одна система для ИИ и доставка в Россию

К сожалению, у меня было не так много времени на тесты Acer Veriton GN100, поэтому текст ниже — это скорее мои первые впечатления, а не полноценный глубокий обзор.

Когда я только достала устройство из коробки, возникло стойкое чувство дежавю. Тот же элегантный корпус в стиле мини-ПК с решеткой радиатора, напоминающей автомобильную, знакомый набор портов USB-C, сетевой разъем 10GbE и хитрый адаптер NVIDIA ConnectX-7 SmartNIC.

Хотя физически корпус стал чуточку меньше, порты здесь один в один как у ASUS Ascent GX10 — обе компании явно делали свои системы строго по референсным чертежам Nvidia для платформы Blackwell.

Единственное серьезное отличие заключается в подходе к памяти. Если Asus оставляла пользователям доступ к единственному M.2 NVMe-накопителю, то Acer сделала Veriton GN100 полностью глухим монолитом. Заменить или проапгрейдить встроенный SSD у вас не выйдет при всем желании.

Это безумно мощная платформа, которая отлично впишется в задачи дата-саентистов, анализ медицинских снимков, робототехнику и разработку ИИ-моделей. Но давайте сразу проясним: это не привычный компьютер на Windows, и без уверенного знания Linux здесь делать нечего.

Как можно понять по характеристикам, удовольствие это не из дешевых. Цены стартуют от $2999 (233 тыс. руб.). Если вы ищете компактную, но ультимативную среду для разработки ИИ, Acer Veriton GN100 определенно заслуживает внимания, хотя на рынке есть и другие машины на этой же платформе.

• Сколько стоит? От $2999 (233 тыс. руб.) до ≈392 тыс. руб. в зависимости от региона.
• Когда выйдет? Уже в продаже.
• Где купить? У Acer и у профильных ритейлеров.

Чтобы не плодить путаницу в спецификациях, Acer решила выпустить всего одну базовую версию Veriton GN100 — со 128 ГБ оперативки LPDDR5x и 4 ТБ на SSD.

По совершенно непонятным мне причинам, при прямом заказе у Acer в одной из стран эта кроха стоит ≈392 тыс. руб., тогда как в другом она обходится в $4000 (311 тыс. руб.). Также есть младшая модель на 1 ТБ за $2999 (233 тыс. руб.), но ее днем с огнем не сыщешь. А поскольку Acer намертво замуровала слот M.2, вы не сможете схитрить: купить дешевую версию на 1 ТБ и самостоятельно поставить емкий накопитель.

К тому же, за пределами официального магазина найти этот аппарат сейчас практически нереально, так что выловить скидку пока не выйдет.

Если искать альтернативы на том же железе, стоит присмотреться к NVIDIA DGX Spark Personal AI Supercomputer (версия Founders Edition), ASUS Ascent GX10, Gigabyte AI TOP ATOM Desktop Supercomputer и MSI EdgeXpert.

Скромно названный создателями «персональный ИИ-суперкомпьютер» Nvidia DGX Spark обойдется дешевле решения от Acer — около ≈363 тыс. руб. за конфигурацию 128 ГБ / 4 ТБ.

Ценник на ASUS Ascent GX10 составляет $3089 (240 тыс. руб.) за версию с 1 ТБ памяти и $4150 (322 тыс. руб.) за 4 ТБ. Учитывая нынешнюю стоимость M.2 накопителей, такая наценка за дополнительное место кажется грабительской.

ASUS Ascent GX10 на 1 ТБ официально стоит ≈364 тыс. руб., но я нашла его в магазине по вкусной цене в ≈274 тыс. руб. Там же предлагают версию на 2 ТБ за $3200 (249 тыс. руб.) и топовую на 4 ТБ за ≈357 тыс. руб. Замыкает список MSI EdgeXpert с аналогичными характеристиками: ≈353 тыс. руб. в  рознице.

Характеристики Acer Veriton GN100

Цена и доступность в России

На данный момент Acer Veriton GN100 официально не представлен на российском рынке. Найти столь узкоспециализированное оборудование для разработки ИИ на обычных маркетплейсах вроде Яндекс Маркета или Ozon практически невозможно. Приобрести устройство можно либо через B2B-каналы системных интеграторов, занимающихся параллельным импортом высокопроизводительного железа, либо через сервисы пересылки из США и Европы. С учетом сложной логистики, наценок посредников и таможенных пошлин, итоговая цена версии на 4 ТБ в России может легко перевалить за 450-500 тыс. руб.

Особенности использования в России

Главная проблема при работе с подобными ИИ-станциями в РФ — полное отсутствие официальной технической поддержки и гарантийного обслуживания от Acer и Nvidia. Обновление проприетарной системы Nvidia DGX OS и загрузка актуальных библиотек могут потребовать обходных путей из-за региональных ограничений. Однако, поскольку система базируется на открытой Ubuntu Linux, опытные дата-саентисты смогут без труда развернуть локальные среды выполнения (например, Ollama или Comfy UI) для работы с опенсорсными моделями. Все вычисления производятся локально на мощностях самого устройства, поэтому после первичной настройки вы получаете полностью независимую песочницу для обучения нейросетей, которая никак не пострадает от блокировок облачных сервисов.

Acer Veriton GN100: дизайн

• Внешность раздутого NUC
• Безумная масштабируемость через ConnectX-7
• Никакого доступа к внутренностям

Внешне GN100 напоминает эдакий NUC-переросток. При весе в 1,2 кг он ощущается в руках довольно увесистым кирпичиком, хотя и выигрывает по массе у ASUS Ascent GX10 почти 200 граммов.

Чтобы прокормить этого прожорливого монстра, Acer положила в комплект массивный блок питания от Delta на 240 Вт, который подключается по USB-C.

Все разъемы инженеры вынесли на заднюю панель. Спереди нет вообще ничего — ни портов, ни даже кнопки включения, только пара дизайнерских штрихов и логотип бренда.

Набор интерфейсов здесь в точности повторяет ASUS Ascent GX10: четыре порта USB-C (один из которых придется навсегда отдать под кабель питания), один сетевой порт 10GbE LAN и один видеовыход HDMI 2.1.

Такая компоновка позволяет подключить один монитор по HDMI, а дополнительные экраны повесить на порты USB 3.2 Gen 2×2 через DisplayPort Alt Mode (опять же, помним, что один разъем занят зарядкой).

Честно говоря, решение Nvidia использовать протокол USB 3.2 вместо современного USB4 вызывает у меня недоумение. Нейросети и огромные массивы данных, которые здесь крутятся, нужно как-то перекидывать на другие устройства. По факту, самым быстрым каналом передачи данных тут остается 10-гигабитный Ethernet, выдающий около 900 МБ/с.

А для тех, кто привык работать с железом напрямую, отсутствие классических портов USB-A для мышки и клавиатуры выглядит как чья-то неудачная шутка.

Впрочем, справедливости ради, такие станции обычно работают в «безголовом» режиме — без монитора, через удаленный доступ, так что в глобальном смысле нехватка портов не так уж и критична.

Единственная деталь, которая роднит это устройство с серверным оборудованием — сетевая карта ConnectX-7 SmartNIC. Эту технологию Nvidia заполучила после покупки израильско-американской компании Mellanox Technologies, специализирующейся на высокоскоростных сетях InfiniBand и Ethernet.

В этом контексте адаптер ConnectX-7 напоминает те самые неудобные мостики, которыми Nvidia соединяла видеокарты в те далекие времена, когда еще заботилась о геймерах. Разница лишь в том, что пропускная способность здесь просто космическая.

Разъем оснащен двумя коннекторами, каждый из которых гоняет данные на скорости 100 Гбит/с. Это дает суммарный интерконнект в 200 Гбит/с между GN100 и второй такой же машиной. Подобная связка позволяет удвоить параметры обрабатываемой ИИ-модели — с 200 миллиардов на одном устройстве до 400 миллиардов в тандеме.

Характеристики

• 20-ядерный ARM процессор
• Архитектура Grace Blackwell GB10
• Новый подход к платформам для ИИ

Процессор Nvidia GB10 Grace Blackwell Superchip — это гигантский скачок в разработке ИИ-железа, созданный в плотном партнерстве между Nvidia и ARM. Он появился как ответ на безумный спрос на специализированные вычислительные платформы, способные угнаться за стремительной эволюцией нейросетей. В отличие от обычных ПК, GB10 построен на архитектуре ARM v9.2-A и несет на борту 20 ARM-ядер (десять мощных Cortex-X925 и десять энергоэффективных Cortex-A725). Это отлично отражает глобальный тренд: индустрия уходит в сторону ARM-решений, так как они потребляют меньше энергии и лучше масштабируются под задачи искусственного интеллекта.

Спецификации GB10 впечатляют. Он объединяет мощь графики Nvidia Blackwell с ARM-процессором, выдавая производительность до 1 петафлопса в вычислениях FP4. Такая дурь идеально подходит для обучения и инференса (запуска) больших языковых и диффузионных моделей, на которых держится весь современный генеративный ИИ. А чтобы система не задыхалась от нехватки памяти, сюда впаяли 128 ГБ унифицированной оперативки LPDDR5x.

Проблема в том, что классическая архитектура ПК и привычная нам Windows просто не умеют эффективно распоряжаться такими ресурсами, особенно когда дело касается управления памятью.

Поэтому для адекватной работы и связи с другими узлами кластера GB10 требует операционную систему Ubuntu Linux, на которую накатили надстройку NVIDIA DGX OS. Только так можно раскрыть весь потенциал платформы и наладить многоузловую коммуникацию.

Как я уже упоминала, GB10 выдает до 1 петафлопса производительности в операциях FP4, что идеально для квантованных моделей ИИ. Но будем честны: это капля в море по сравнению с флагманскими серверными монстрами от NVIDIA вроде Blackwell B200 или GB200, которые ворочают многопетафлопсными вычислениями.

Зато по части энергоэффективности наша малютка рвет дата-центры в клочья. Этот чип потребляет всего около 140 Вт. Для сравнения, один графический ускоритель Blackwell B200 сжирает от 1000 до 1200 Вт. А система GB200, объединяющая два таких чипа и процессор Grace, может высасывать из розетки до 2700 Вт. Да, серверные стойки выдают до 20 петафлопс, но и электричества жрут в 19 раз больше.

Здесь важен баланс. GN100 может спокойно стоять на вашем рабочем столе, не требуя выделенной линии питания или промышленного кондиционера. А вот серверному оборудованию подавай спецпомещение с охлаждением, иначе оно просто расплавится или выбьет пробки во всем здании.

В этом смысле GN100 и его аналоги — куда более приземленные и реалистичные инструменты для рынка ИИ. Главное — четко понимать, какие именно задачи вы собираетесь решать, и хватит ли вам этой мощности.

Acer Veriton GN100: проверка ИИ

В своем прошлом обзоре Asus GX10 я уже рассуждала об ИИ. Многие верят, что это следующая технологическая революция, тогда как другие относятся к нейросетевому буму с изрядной долей скепсиса.

Я не буду в очередной раз расписывать очевидные недостатки нейросетей или гадать, как их чинить. Но я настоятельно советую: прежде чем ввязываться в ИИ-проекты, изучите матчасть. Иначе вы столкнетесь с завышенными ожиданиями, которые не сможет удовлетворить ни современная наука, ни вычислительная мощь этой крошечной коробочки.

Не могу не признать: свежие ИИ-модели стали на голову умнее своих предшественников. Но доступ к самым крутым штукам вроде ChatGPT 5.3 Codex или Claude 4.0 надежно закрыт пейволом и доступен только платным подписчикам через облако.

Главный кайф такого устройства, как GN100, в том, что вы можете скачать мощные модели и крутить их локально на собственном железе. Хотя, чтобы выжать из них максимум, вам все равно понадобится интернет для подтягивания актуальных данных.

Для тех, кому интересно: чтобы запустить GPT-5.3-Codex на этой железке, придется поставить Tailscale и локальный движок инференса (например, Ollama), а затем скачать саму модель через терминал. После этого можно поднять веб-интерфейс Open WebUI (в идеале вообще с другого компьютера) и спокойно пользоваться нейросетью.

Для линуксоидов это дело пяти минут. Но чтобы упростить жизнь остальным, разработчики выпустили приложение Codex, которое берет всю грязную работу с кодом на себя.

А если хочется поэкспериментировать, многие модели сейчас поставляются в виде готовых Docker-контейнеров. Они разворачиваются в пару кликов, что делает процесс настройки удивительно приятным.

При первом запуске системы вас встретит приветственный веб-интерфейс, изначально написанный для Nvidia DGX Spark. Оттуда можно установить VS Code, дашборд DGX с JupyterLab, Open WebUI в связке с Ollama и Comfy UI для генерации картинок.

Сразу предупреждаю: это вам не установщик Windows, где можно просто нажимать «Далее». Вам выдадут портянку консольных команд, которые нужно будет вбивать ручками для установки библиотек и инструментов. Если вы не сидите в терминале Linux каждый день, процесс покажется пугающим. Но в конечном итоге даже я смогла завести почти все нужные функции — по крайней мере, мне хватило навыков загрузить модели и получить от них адекватный результат. Генерация изображений впечатлила меня больше всего, хотя некоторые «глубоко мыслящие» модели начинали жутко тупить, когда я подкидывала им действительно сложные логические задачки.

Кто-то может подумать, что раз все вычисления идут локально на GN100, то можно сэкономить на платных подписках. На практике я этого не ощутила. Вы экономите разве что на счетах за свет и получаете крутую производительность. Главный профит — независимость: вы скачали модель, она ваша, никто не отключит к ней доступ, и вы можете дообучать ее под свои личные нужды.

Но если вы серьезно работаете в этой сфере, вам кровь из носу нужны самые свежие релизы нейросетей. И за них часто приходится доплачивать, даже если у вас под столом стоит собственная станция.

Меньше всего вам захочется поставить какую-нибудь бесплатную опенсорсную модель двухлетней давности и сидеть, разочарованно глядя на выдаваемые ею галлюцинации. Развитие ИИ летит по экспоненте: то, что было прорывом полгода назад, сегодня уже безнадежно устарело.

Работать с современным искусственным интеллектом — это как пытаться запрыгнуть в автобус, который даже не думает тормозить на остановках. Вы обязаны держать руку на пульсе, чтобы понимать, когда ваша модель превратится в тыкву, иначе рискуете сделать проект, который устареет еще до релиза.

Acer Veriton GN100: первые впечатления

NVIDIA решила выпустить свою архитектуру Grace Blackwell в массы и выкатила референсный дизайн в виде персонального суперкомпьютера NVIDIA DGX Spark. Партнеры компании быстро подсуетились и начали штамповать свои клоны — и Acer Veriton GN100 как раз один из них.

Если не брать в расчет дизайн корпуса и пару косметических мелочей, большой вопрос, насколько эти системы вообще отличаются друг от друга. Это вам не рынок видеокарт, где вендоры могут перепаять плату, накинуть частот и разогнать версию Founders Edition для лучшей производительности. Здесь все строго по инструкции.

Возможно, если такие ИИ-станции выстрелят в продажах, мы увидим интересные эксперименты: например, два чипа в одном корпусе или интеграцию с внешними DAS-хранилищами. Но пока мы имеем то, что имеем.

В любом случае, версия от Acer получилась вполне рабочей. Но когда характеристики у всех брендов идентичны до последнего винтика, всё решает цена. GN100 за $2999 — это чуть ли не самый сладкий вариант на рынке. А вот другим регионам не повезло: для них это почему-то одно из самых дорогих предложений. Возможно, Acer когда-нибудь пересмотрит ценовую политику.

Единственный по-настоящему жирный минус этой конструкции — наглухо зашитый SSD. Если возможность апгрейда диска для вас критична, лучше присмотритесь к моделям конкурентов, там такая опция есть.

Acer выпустила отличное железо для тяжелых вычислений, но производитель не может положить в коробку навыки, необходимые для работы с ним. Будущим покупателям стоит четко понимать: да, эта коробочка выдает вычислительную ИИ-мощность в десятки раз больше, чем топовый игровой ПК. Но чтобы заставить эту мощь работать на вас, придется изрядно попотеть в консоли.

Лучший Android-телефон 2025 года: Google, Samsung и многие другие