Lo encendí sin teclado, sin ratón y sin monitor. Lo enchufé a la corriente, le metí un cable de red y entré por SSH desde el portátil, que es como pienso usar un equipo que va a vivir en una estantería. Lo primero que hice fue lo de siempre, mirar qué sistema trae de fábrica. Y la máquina me contestó que era una NVIDIA DGX Spark.No un Lenovo. Una NVIDIA. El equipo que tengo encima de la mesa lleva el logo de ThinkStation por fuera y, por dentro, se presenta con el nombre del superordenador de sobremesa que la propia NVIDIA vende con su marca. Reconozco que la primera reacción fue de sorpresa, la segunda de "vale, esto explica muchas cosas". Porque el ThinkStation PGX no es un equipo que Lenovo haya diseñado. Es la versión Lenovo de una plataforma de NVIDIA, igual que hay versiones de Dell, Asus, Acer o HP. Mismo cerebro, distinta pegatina. Lenovo ThinkStation PGX PcComponentes 4.380,00€ Envío Gratis * Precio a fecha de publicación del artículo. Puede variar sin previo aviso.Así que la pregunta de esta review no es "¿cuántos tokens por segundo da?". Es otra. ¿Qué puedo hacer con esto en mi escritorio que antes me obligaba a montar un servidor con varias gráficas? Dónde está el truco. Y por qué iba a comprar el de Lenovo. Spoiler, porque me conocéis. Es una máquina que hace cosas que hasta ayer eran imposibles fuera de un rack, con un par de asteriscos gordos en el software, y con un argumento de compra que no está en la velocidad sino en la garantía. Lenovo ThinkStation PGX 90 / 100 Pros Ancho de banda de memoria de servidor en un equipo de mesa: 17 veces el de un mini-PC normal 128 GB de memoria unificada que te dejan cargar modelos enormes sin partirlos Imágenes con IA a gran velocidad, visión por ordenador en tiempo real Cero pérdida de frecuencia tras 10 minutos al 100% Hace fine-tuning de verdad, no solo inferencia Garantía y soporte de Lenovo, no una garantía solo válida en EE.UU. Contras El sistema operativo no es para abrir Chrome, esto se opera por SSH Actualizaciones largas y, ojo, la del firmware puede formatearte el equipo El FP8 nativo no rinde como debería con los modelos que probé CPU ARM, el software solo-x86 no funciona Ruidoso bajo carga, no es un equipo de salón Precio, unos 4.380 € en España Precio y dónde comprar el Lenovo ThinkStation PGXEl ThinkStation PGX que he probado es la configuración de 128 GB de memoria y 4 TB de SSD, y en España se mueve desde unos 4.380 € (lo encuentras en PcComponentes, Life Informática o Senetic, entre otros). La versión de NVIDIA con su marca, el DGX Spark, parte de 3.999 dólares. Guárdate ese detalle del precio, porque al final del análisis es justo donde se decide la compra.No es un equipo de impulso. A este precio compite con una workstation profesional, y conviene tener claro para qué lo quieres antes de hacer esta inversión. Lenovo ThinkStation PGX PcComponentes 4.380,00€ Envío Gratis * Precio a fecha de publicación del artículo. Puede variar sin previo aviso.Qué es el ThinkStation PGX Vista superior del Lenovo ThinkStationPara situarnos. El PGX es un mini-PC de IA construido alrededor del NVIDIA GB10 Grace Blackwell, un chip que junta en el mismo paquete una CPU de 20 núcleos ARM y una GPU Blackwell, y los hace compartir 128 GB de memoria unificada. No es un equipo gaming. No tiene una RTX dentro para mover juegos. Es una máquina pensada para una sola cosa: ejecutar y afinar modelos de inteligencia artificial en local sin pagar a OpenAI ni a nadie por cada token.El punto clave no es la potencia bruta del equipo. Es la memoria (y no por los precios que estamos viviendo actualmente). En una workstation normal con una RTX 5090 tienes 32 GB de memoria de vídeo, y cuando un modelo no cabe ahí, el sistema lo parte entre la gráfica y la RAM del equipo, pagando un peaje muy grande cada vez que los datos cruzan de un lado a otro. Aquí no hay frontera. CPU y GPU ven el mismo pool de 128 GB, en el mismo dominio de coherencia, sin copias. Cargas un modelo de 70B parámetros entero y empieza a responderte sin que nada tenga que viajar.Lo medí contra un mini-server moderno que tengo en el homelab, un Minisforum MS-02. El ancho de banda de memoria del PGX es 17 veces el de ese equipo. Diecisiete. No es un porcentaje, es un orden de magnitud. Y ahí está, en una sola cifra, el motivo de que esta máquina exista.Por fuera es un cubo de aluminio negro, sobrio, con el frontal de panal hexagonal y un logo de ThinkStation con el "PGX" en rojo. Construcción sencilla, sin estridencias, muy de la familia Think. Cabe en la palma de dos manos y pesa lo justo. La pegatina de la base, por cierto, es la que confirma que estamos ante un Machine Type 30KL. Por dentro, ya lo hemos dicho, es otra historia.Lo que te deja con la boca abiertaTe voy a contar lo que sentí el primer día que le pedí cosas de verdad, porque es donde el equipo se gana el sueldo.Generé una imagen con Stable Diffusion. Una imagen de 512 píxeles, 20 pasos de difusión. 7,7 segundos. El mismo trabajo en el MS-02, que tira de su gráfica integrada, tardaba 121 segundos. Dos minutos largos contra menos de ocho segundos. Es la diferencia entre "genero imágenes de vez en cuando si tengo paciencia" y "genero imágenes en serie". Una SDXL Turbo a 1024 píxeles me salía en 6,5 segundos. Esto, en un equipo que cabe en cualquier parte y consume lo que consume, hace un año había que ir a buscarlo a una gráfica dedicada de las caras.La visión por ordenador fue el otro momento de "vale, esto es otra cosa". Le pasé imágenes a un modelo multimodal para que las describiera, y el PGX procesaba el análisis 22 veces más rápido que el mini-PC en la fase de leer la imagen, y unas 11 veces más rápido generando la respuesta. El resultado eran fotos descrita con sentido en menos de siete segundos. Eso abre la puerta a cosas reales en casa, etiquetar automáticamente tu fototeca, que tu servidor de películas genere descripciones solo, un asistente que de verdad mire lo que le enseñas.Siguiendo este caso de uso, abrí una carpeta donde tenía todas las imágenes recuperadas de varios discos duros, que llevaban allí 5 años, sin mirar para ellas y metidas en cientos de carpetas. Era demasiado trabajo para hacerlo a mano, lo fui delante y dejando hasta que llego este equipo. Hice un script rápido para recorrerlas todas, categorizarlas y utilizando el Thinkstation hice la categoríazación, tardó, porque era muchas imágenes, pero fue increíblemente rápido para lo que podía haber sido. Entendí en este punto, porque muchas empresas pueden necesitar máquinas para cosas como esta. ¿Una fábrica que quiere analizar en tiempo real los productos que produce? Y así infinitos ejemplos másLa memoria, que es de lo que va todo esto Vista trasera del Lenovo ThinkStationVuelvo a la memoria, porque es la pieza alrededor de la que gira el equipo y merece verla en detalle.Medí el ancho de banda real con las herramientas de siempre. La CPU saca 117 GB/s copiando datos en memoria. La GPU llega a 162 GB/s sostenidos. NVIDIA habla de un máximo teórico de 273 GB/s para este pool, así que estamos en torno al 60% del techo en uso real, que es una cifra muy buena para una medición sobre el equipo y no sobre el datasheet.¿Y eso para qué sirve? Para que te hagas una idea. Un modelo grande genera texto leyendo sus pesos de memoria en cada palabra que produce. Cuanto más rápida es la memoria, más rápido te responde. Con 162 GB/s, un modelo moderno de tipo Mixture-of-Experts (MoE) me daba 61 tokens por segundo, una velocidad de chat completamente fluida. Y lo hacía con el modelo entero en memoria, sin trampas, sin partirlo. El MS-02, con su memoria 17 veces más lenta, ni se acerca.Aquí está la clave de por qué alguien se gasta esto. No es que el PGX sea el “más potente". Es que tiene 128 GB de memoria rápida y unificada, y eso te deja correr en local modelos que en cualquier otro equipo de mesa, o no caben, o van a ritmo de caracol.Aguanta lo que le echesUna cosa es ir rápido un minuto. Otra es aguantar. Y aquí el PGX me sorprendió gratamente.Lo hice sufrir. Veinte núcleos al 100%, diez minutos seguidos, midiendo la frecuencia segundo a segundo. El resultado, cero pérdida de frecuencia. Ni un megahercio. NADA. Los núcleos potentes se mantuvieron en sus 3,9 GHz los 600 segundos completos, sin un solo bajón térmico. Para que se entienda lo que significa, el MS-02 en esa misma prueba perdía un 25% de frecuencia entre el minuto uno y el minuto diez. El PGX no perdió nada, porque su refrigeración está dimensionada para los 240 W del equipo entero y la CPU sola va muy por debajo de ese techo.Y cuando aprieto a la vez CPU y GPU, que es el peor caso, el equipo tampoco se decae. La inferencia conserva el 85% de su velocidad mientras los veinte núcleos van a tope, las frecuencias se mantienen y la temperatura sube apenas tres grados. Esto es exactamente lo que NVIDIA promete con la coherencia de su chip, que CPU y GPU trabajen en paralelo sin pisarse. Lo prometen y, en este caso, se cumple.En reposo, la GPU se queda en unos 9,6 W y el equipo entero rondará los 40-50 W. Bajo carga sostenida, 200-220 W. Para alguien que lo tenga encendido las 24 horas, hablamos de unos 52-60 € de luz al año con un uso normal por tener tu modelo de IA (hablamos de 3 meses de ChatGPT). Para 240 W de techo, es una cifra defendible. Eso sí, bajo carga se oye. No es un equipo silencioso de salón.Entrenar en casa, no solo chatearHay algo que un equipo sin GPU dedicada sencillamente no puede hacer, y el PGX sí. Entrenar.Hice un fine-tuning ligero con LoRA sobre un modelo pequeño, 2.000 ejemplos, una pasada completa. Seis minutos. El equipo procesaba casi 2.927 tokens por segundo en el paso de entrenamiento, con un pico de memoria de apenas 12,6 GB. Extrapolando, un modelo de 7B de parámetros se entrenaría en una media hora larga, uno de 14B con técnicas de cuantización en cosa de una hora. No es entrenar un modelo desde cero, que eso es otra liga, pero es afinar modelos a tu gusto con tus datos, en tu casa, sin alquilar una GPU en la nube. Para mucha gente, ese es el caso de uso que justifica el equipo.Donde te la cuelanAhora la parte fea del equipo. Esta bestialidad de hardware llega con un software que aún no la ha alcanzado, y eso lo vas a notar desde el minuto uno.Empecemos por lo más sangrante. Quise probar el famoso FP8 nativo, el formato de baja precisión que todo el mundo dice que es lo que desbloquea de verdad un chip Blackwell. La teoría era que bajando modelos ya preparados en FP8 el equipo volaría. Lo probé a conciencia, con los pesos oficiales descargados y servidos como mandan los cánones. ¿El resultado? Nada. Un modelo de 8B de parámetros daba 25 tokens por segundo en FP8 nativo, frente a los 24,8 que ya daba sin ese tratamiento. Y el de 32B, 6,55 frente a 6,6. Es decir, igual o ligeramente peor. La promesa no se cumple, y no por culpa del equipo, sino porque el cuello de botella en estos modelos densos es la memoria, no el formato. Da igual lo fino que cuantices si tienes que leer todos los pesos en cada token.Sigo. Si eres de los que abre una terminal y escribe “pip install torch” para empezar a trastear, te vas a llevar un susto. PyTorch estándar ni siquiera reconoce el chip. Te da un error de que no hay kernels para esta GPU y piensas que el equipo viene mal. No lo está. Es que el ecosistema de PyTorch todavía va por una versión de CUDA anterior y no trae soporte para el GB10. La solución existe, tirar de contenedores específicos de NVIDIA o de proyectos como vLLM que sí lo soportan, pero out-of-the-box no es. Es más, hasta el contenedor oficial de PyTorch de NVIDIA, al arrancar, te avisa de que tu GPU "puede no estar soportada todavía". El propio fabricante te lo dice.Sigamos. El sistema operativo no es un Mac mini ni un Windows: es DGX OS, una versión endurecida de Ubuntu pensada para servidor sin pantalla. Si lo enciendes con un monitor enchufado verás un escritorio gráfico que va lento, áspero, y no es lo que esperas. Yo terminé operándolo entero por SSH desde el portátil, y eso es lo que recomiendo: este equipo no es para abrir Chrome y mirar el correo.Y luego están las actualizaciones. Las del sistema pueden tirarse una hora larga, normal cuando toca subir versión. Pero ojo con la del firmware: la última, sin más aviso que el aceptable, te formatea el equipo. Te lo deja en blanco y te toca reconfigurar modelos, contenedores y claves desde cero. Si tienes el PGX sirviendo a un agente o un servicio crítico, una actualización mal calculada te tira el chiringuito hasta que vuelves a montarlo. Aquí hay que tener copias y plan antes de tocar nada.Y un detalle estructural. Aquí casi todo lo serio vive dentro de un contenedor: PyTorch, vLLM, fine-tuning, multimodales, todo. Si nunca te has llevado bien con Docker, este equipo te va a obligar. La parte buena es que NVIDIA mantiene sus imágenes NGC al día. La parte mala es que si no quieres saber qué es un contenedor, este equipo no es para ti.Y rematando. El sistema viene con Ollama, la forma más cómoda de correr modelos en local, pero la parte de visión por ordenador me crasheaba una y otra vez. Para visión hubo que irse a otra herramienta más artesanal. Funciona, pero a base de remangarse.¿Conclusión de esta sección? El hardware está aquí y es brutal. El software para exprimirlo del todo todavía pide kilometraje, paciencia y saber qué contenedor usar. Un comprador que espere enchufar y trastear como en un PC normal se va a frustrar la primera tarde. No es moco de pavo, conviene saberlo antes de comprar.Un apunte sobre los benchmarksHago un alto antes de seguir, porque hay una trampa en la que cualquiera puede caer leyendo análisis de estos equipos, y yo estuve a punto.Es muy tentador coger el modelo rápido que va a 61 tokens por segundo, ponerlo al lado del modelo lento que va a 11, y soltar "mira lo que gana el chip". Pues no. Esos dos modelos son primos hermanos pero no son comparables. El rápido es el Qwen3.6 en su versión de 35B, que es un Mixture-of-Experts: imagina un edificio de muchas plantas donde cada visita solo enciende dos o tres. De sus 35B parámetros totales, solo activa unos 3B por cada palabra que produce. El lento es el Qwen3.6 27B dense, hermano de saga sin atajos, que enciende los 27B cada vez. Misma máquina, misma cuantización, misma familia. La única variable que cambia es la arquitectura. Y por esa variable el primero va casi seis veces más rápido. No por el chip.Lo cuento porque es el error típico de las reviews que llevamos viendo este año, y porque las cifras de este análisis están hechas comparando siempre lo comparable, mismo modelo cambiando solo una cosa. Si no, los números no valen nada.El cerebro local de mi homelab Dos Lenovo ThinkStation apiladosNo quería quedarme en los benchmarks, así que puse el PGX a hacer un trabajo real. En casa tengo un asistente de IA propio, Hermes, que vive en otro equipo de mi homelab, atiende un bot de Telegram, me prepara notas, se conecta a Logseq y dispara tareas con cron. Hasta entonces tiraba de un Qwen3.6:27B dense local. Le cambié solo el endpoint, de su Ollama propio al Ollama del PGX por LAN, y lo dejé apuntando al Qwen3.6:35B MoE que sirve la máquina del salón.El cambio fue de tres líneas en un YAML y un reinicio del servicio. Funcionó a la primera. El asistente seguía atendiendo Telegram como siempre, pero ahora cada respuesta venía del PGX. La latencia que tú notas como usuario es de unos seis tokens por segundo, porque hay un coste de arranque de Python por cada invocación, pero en una conversación interactiva ese coste se amortiza enseguida.¿Sirve para sustituir a ChatGPT? La respuesta honesta tras una semana funcionando: como secundario, sí, y mucho. Privacidad total (todo en LAN, sin enviarle un solo token a OpenAI), sin cuotas, herramientas de Hermes ya integradas. Para chat asíncrono y para tareas automáticas, vale. Como sustituto del asistente principal, todavía no, y donde más se nota es en las tareas de varios pasos: pídele algo que requiera planificar tres movimientos seguidos (busca esto, abre aquello, redacta lo otro y resúmemelo) y se atasca, o se confunde a mitad de camino. La vía que sí funciona es atomizar: si tú le das pasos pequeños y aislados, los hace bien.Y de ahí sale una jugada que vale la pena contar. Mantienes una cuenta de un modelo comercial como ChatGPT como orquestador y le pones reglas para que descomponga el trabajo en piezas pequeñas que mande al PGX por API. El comercial planifica, los modelos locales ejecutan. Tú gastas tokens solo en planificación, no en cada respuesta, y el equipo de casa pone músculo en lo que sí sabe hacer: tareas concretas, pequeñas, repetitivas. Ya hay frameworks que orquestan así.Cuando le pregunté al modelo local qué chip llevaba el equipo que lo estaba sirviendo, se inventó nombres y especificaciones a partes iguales: "Green Shadow", un supuesto derivado del B200 con "16 GB de HBM2e". Nada de eso existe, y te lo dice con la convicción de un experto. Para hablar de hardware reciente conviene cruzar con una búsqueda actualizada, no fiarse de él a pelo.Así que como agente principal el PGX funciona, con peros. Es lento en ciertas tareas, a veces se confunde, pero la dirección está clara: estamos a una o dos generaciones de modelos locales capaces de hacer el 90% de lo que la gente le pide a una IA, y esta máquina ya tiene el músculo para servirlos. Cuando esos modelos lleguen, no hace falta cambiar de equipo.¿El de Lenovo o el de NVIDIA?Llegamos a la pregunta que nos ha traído aquí desde la primera línea. Si el equipo se presenta a sí mismo como un NVIDIA DGX Spark, si lleva el mismo chip, la misma memoria y el mismo sistema operativo, ¿por qué pagar por el de Lenovo? La respuesta no está donde uno espera.En rendimiento, son la misma máquina. El PGX es uno de varios equipos OEM construidos sobre el mismo diseño de referencia de NVIDIA, junto a los de Dell, Asus, Acer, HP, MSI y Gigabyte. Mismo chip, misma memoria, mismo DGX OS. En mis pruebas el Lenovo queda un pelín por delante del NVIDIA en algunos tests, una diferencia mínima que viene solo de la refrigeración, que es de lo poco que un fabricante controla. Si comparas hoja de cálculo contra hoja de cálculo, da igual cuál compres.La decisión, por tanto, no se juega en el rendimiento. Se juega en el soporte, en el canal y en la garantía. La garantía del DGX Spark de NVIDIA es solo válida en Estados Unidos, no es transferible y se anula si revendes el equipo. Su soporte son básicamente foros y tickets. El ThinkStation PGX, en cambio, entra por el canal y el servicio global de Lenovo, con garantía on-site ampliable y la opción de ProSupport, la misma estructura que cubre los portátiles corporativos de medio mundo. Un departamento de IT recibe el equipo y el soporte del mismo proveedor de siempre. ServeTheHome lo describió como "el GB10 más corporativo", y la frase resume bien la diferencia.Mi lectura. Si eres un aficionado en Estados Unidos que va a tener el equipo para ti y sabes apañártelas, el badge da igual y el de NVIDIA, a unos 3.999 dólares en su tienda, puede salirte algo más barato. Cómpralo y a correr. Pero si lo compras desde España, desde Europa o para una empresa, el ThinkStation gana por motivos que no se ven en un benchmark, garantía transferible y on-site, un canal de verdad y un fabricante que responde. La garantía de NVIDIA, solo válida en EE.UU. y que se evapora al cruzar el charco o revender el equipo, es un problema real fuera de su país. Ese, y no la velocidad, es el motivo honesto para pagar el de Lenovo.Una nota sobre conectividad para cerrar el círculo. Los dos son calcados también por detrás. El PGX trae cuatro USB4, HDMI, un puerto de red de 10 gigas por cobre con chip Realtek (el mismo que monta otros mini-PCs) y dos puertos QSFP de 200 gigas pensados para enlazar dos equipos y multiplicar la memoria disponible. Este último escenario no he podido probarlo, hace falta un segundo PGX al lado y solo tengo uno, así que queda como dato de catálogo.Cómo se comparaMás allá del gemelo de NVIDIA, el PGX tiene un par de rivales que conviene mirar de cerca.El competidor más directo es el Minisforum MS-S1 Max con el AMD Strix Halo (Ryzen AI MAX+ 395), una nueva categoría de mini-PCs con 128 GB de memoria unificada que ya tengo en casa. Los enfrenté con el mismo modelo cargado en cada uno. En modelos Mixture-of-Experts, donde la activación esparcida saca partido a la unidad tensorial Blackwell, el PGX ganó: 61 tokens por segundo en Qwen3.6:35B frente a los 46 del Strix Halo, un 33% más rápido. En modelos densos puros la cosa empata casi al milímetro: 11,4 tok/s en uno frente a 11,3 en el otro, el GB10 no le saca diferencia al AMD aquí. Y en BF16 sin cuantizar, +8% para el PGX, irrelevante. ¿El argumento decisivo del PGX frente al AMD, entonces? CUDA. Todo el ecosistema de software de IA (vLLM, TensorRT-LLM, MXFP4, NVFP4) está pensado primero para NVIDIA, y eso, aunque hoy esté verde para este chip, a la larga pesa.El Mac Studio vive en otra liga distinta. La versión más reciente, con M4 Max, llega como mucho a 96 GB de memoria unificada, menos que el PGX. La generación anterior con M3 Ultra sí pasaba de los 128 GB e incluso ofrecía 512, pero Apple retiró esa configuración tope en marzo de este año por la crisis global de DRAM. El M5 Ultra, que volverá a empujar la cifra arriba, está previsto para finales de 2026. Mientras llega, comparar Mac Studio y PGX por memoria ahora mismo es comparar 96 contra 128, y el ecosistema sigue siendo cerrado sin CUDA, lo que descarta de salida la mayoría de frameworks de IA en su forma nativa.Y la workstation clásica con una RTX 5090 te dará más fuerza bruta para juegos, render y modelos que quepan en VRAM, pero para los modelos de IA grandes que justifican comprar este tipo de equipo te toca partir el modelo entre la gráfica y la RAM del sistema. Los 32 GB de VRAM de la 5090 se quedan cortos para un 70B sin cuantizar, y la pelea de hacerlo encajar pagando peajes de copia entre memorias no compensa.Al final cada uno juega en su categoría. Se nota que la finalidad de este equipo es la IA en exclusiva, y eso es a la vez su mejor argumento (todo el diseño apunta al mismo sitio) y su mayor limitación (si quieres un PC de uso general, esto no lo es).Para quién sí y para quién noPara quién sí. Para quien quiera ejecutar modelos de IA grandes en local de verdad, sin pasar por API ni pagar tokens por respuesta. Para el laboratorio, el profesional o el aficionado serio que afina modelos con sus datos. Para una empresa que necesite IA dentro de sus paredes, con un proveedor y un soporte detrás. Para quien ya tiene un homelab montado y le falta el motor que dé músculo de IA a Plex, Immich, Home Assistant o a su agente personal. Y para quien valore tener un equipo de IA en la mesa sin montar un rack y sin contratar electricidad industrial.Para quién no. Para jugar, esto no es. Para quien espere enchufar y que todo funcione a la primera sin tocar contenedores, todavía no. Para quien busque sustituir a ChatGPT en su día a día como asistente principal, el modelo local no llega aún en tareas complejas. Para quien necesite software solo de x86, ojo, que esto es ARM y algunos programas no van a correr. Tampoco es un sustituto de un servidor con varias H100 para una empresa que entrene modelos a gran escala, eso es otra liga y otro precio.Y para quien quiera apostar a algo que va a ir a más. Si estás cansado de mirar la factura de la API cada vez que pruebas un proyecto, si quieres montar cosas sin que el reloj de los tokens te limite cada experimento, este equipo te quita ese reloj de encima. Hoy te toca remangarte un buen rato para que el stack ronronee, pero cada mes salen modelos abiertos que rivalizan, o directamente superan, a las versiones comerciales de hace medio año. Lo que hoy es un asistente local algo torpe en seis meses puede ser un agente capaz de hacer las mismas tareas que ahora pagas por API. El equipo ya tiene el músculo para esos modelos. Solo falta que lleguen, y están llegando rápido.Conclusión, ¿vale la pena el Lenovo ThinkStation PGX? Detalle del frontal del Lenovo ThinkStationEl Lenovo ThinkStation PGX es la primera vez que tengo en la mesa un equipo que hace cosas de superordenador de IA en el tamaño de un mini-PC. La memoria unificada de 128 GB y los 17 veces de ancho de banda sobre un mini-PC tradicional cambian de verdad lo que puedes correr en local. Genera imágenes en segundos, hace visión en tiempo real, entrena modelos y aguanta la carga sostenida sin inmutarse. En lo suyo, no he tenido nada parecido en las manos.Le pesan dos cosas. Una, el software: aquí casi todo vive en contenedores, cada actualización pide tiempo y la del firmware llega a formatearte el equipo. No es para quien quiera enchufar y olvidarse. Dos, el precio, casi 4.380 €, que lo deja en territorio de profesional o aficionado muy convencido. Pero ninguna de las dos cosas le quita el sitio que ocupa, porque ahora mismo no hay muchas formas de tener esto en una mesa. Lenovo ThinkStation PGX PcComponentes 4.380,00€ Envío Gratis * Precio a fecha de publicación del artículo. Puede variar sin previo aviso.Y si dudas entre el de Lenovo y el de NVIDIA, recuerda lo que ya hemos visto: por dentro son la misma máquina, por fuera son dos cosas distintas. El ThinkStation trae el canal global de Lenovo, garantía on-site ampliable, ProSupport opcional y la mantienes te muevas donde te muevas y revendas el equipo o no. La del Spark de NVIDIA es solo válida en Estados Unidos, no es transferible y se anula si lo revendes. Para cualquier comprador europeo, esa garantía y ese soporte son la razón completa por la que pagar el de Lenovo. No la velocidad, no el badge. La garantía.Le falta para el sobresaliente redondo que el stack de software madure un poco más y que el precio afloje. Lo demás, ya está aquí.