Технічний контекст
Я одразу звернув увагу на QN10 не через бренд, а через обіцянку локального ШІ у крихітному корпусі. Для автоматизації ШІ на робочому місці це звучить дуже привабливо: Windows on ARM, NPU на 80 TOPS, тихий міні-ПК, який можна інтегрувати в офісну інфраструктуру без складних серверних налаштувань.
За офіційними даними ASUS, тут встановлено Snapdragon X2 Elite, до 32 ГБ LPDDR5x, два слоти M.2, Wi-Fi 7, сім портів USB та підтримка чотирьох дисплеїв 4K. Корпус об'ємом всього 0.7 літра чудово підходить як граничний (edge) пристрій під локальних агентів, OCR, сумаризацію, голосові функції та сценарії Copilot+.
Але далі починається те, про що маркетологи зазвичай воліють мовчати. ASUS не публікує офіційну пропускну здатність у ГБ/с для QN10, проте у спільноті вже обговорюють оцінку близько 152 ГБ/с. Навіть якщо розглядати це як орієнтир, а не остаточну специфікацію, картина очевидна: головним лімітом є не показник NPU, а пам'ять.
Тому я б не порівнював QN10 за принципом «80 TOPS означає майже DGX Spark». Це зовсім інший клас заліза. У Spark та ASUS GX10 на платформі GB10 мова йде про 128 ГБ уніфікованої пам'яті та близько 276 ГБ/с пропускної здатності, а також зовсім інший запас міцності під великі локальні моделі.
Мій висновок простий: QN10 виглядає цілком адекватно для легкого локального інференсу, но не як заміна повноцінній машині для серйозних експериментів з LLM. Якщо модель не вміщується комфортно в пам'ять або починає впиратися у пропускну здатність, жодні красиві цифри TOPS вже не допоможуть.
Що це змінює для бізнесу та автоматизації
Якщо я розробляю рішення на базі ШІ для офісу, де потрібні локальні агенти, класифікація документів, транскрипція зустрічей та приватний інференс на пристрої, QN10 може бути дуже доречним. Він компактний, енергоефективний, безшумний та має хорошу периферію.
Якщо ж завдання ближче до локального запуску великих моделей, RAG з об'ємним контекстом або кількох паралельних процесів, я б дивився на клас вище. Тут виграють платформи з ширшою шиною пам'яті та більшим об'ємом уніфікованого пулу, навіть якщо на папері характеристики NPU виглядають не так ефектно.
Програє у цій історії той, хто обирає залізо лише за однією цифрою зі слайду презентації. Я бачу такі помилки постійно: купують «AI PC», а потім виявляється, що реальне впровадження ШІ обмежене пам'яттю, затримками та сумісністю софту. Ми в Nahornyi AI Lab детально розбираємо такі кейси ще до закупівлі: прораховуємо архітектуру, перевіряємо сценарії та підбираємо інтеграцію ШІ під реальне навантаження, а не под красивий рекламний банер. Якщо ви стоїте перед схожим вибором, ми допоможемо швидко оцінити, де вам вистачить компактного боксу, а де вже потрібна зовсім інша категорія обладнання.