Inteligencia Artificial
Dell Pro Max with GB10
Mini PC de escritorio para IA con el superchip NVIDIA GB10 (arquitectura Grace Blackwell). Diseñado para desarrolladores y equipos técnicos que necesitan correr y experimentar con modelos de IA de gran tamaño de forma local, sin depender de la nube ni de infraestructura de datacenter. Para desarrolladores, startups y equipos de investigación en Venezuela y Panamá que quieren montar su propio laboratorio de IA local sin depender de servicios en la nube, el Dell Pro Max with GB10 permite ejecutar modelos de hasta 200 mil millones de parámetros directamente desde el escritorio. Zetta lo posiciona como el punto de entrada ideal para experimentación de IA con control total de los datos y bajo costo frente a un servidor GPU dedicado.
Superchip NVIDIA GB10 (Grace Blackwell) con hasta 1 petaFLOP de cómputo FP4.
128 GB de memoria unificada LPDDR5x, suficiente para modelos de hasta 200B de parámetros (400B conectando dos unidades).
Sistema NVIDIA DGX OS preconfigurado, listo para IA sin fricción de instalación.
Cotización personalizada
El precio depende de capacidad, licenciamiento y nivel de soporte que necesite tu infraestructura.
Dell Titanium Partner
Garantía Dell
Soporte local
Respuesta en menos de 24 horas hábiles · Sin compromiso.
Especificaciones técnicas
Categoría
Mini PC / appliance de IA para escritorio
Modelo
Dell Pro Max with GB10
Capacidad
GPU / Aceleración: NVIDIA GB10 Superchip (CPU Grace de 20 núcleos + GPU Blackwell de 6,144 núcleos CUDA)
Rendimiento
Capacidad de cómputo: Hasta 1,000 TFLOPS (1 PFLOP) FP4; 128 GB LPDDR5x, 273 GB/s de ancho de banda
Conectividad
Casos de uso: Laboratorio de IA local, fine-tuning, inferencia de LLMs sin depender de la nube
Garantía
ProSupport Dell disponible
Preguntas frecuentes
Preguntas frecuentes sobre este producto
¿Cuánto tiempo toma implementar infraestructura para IA en mi empresa?
Depende del tamaño del proyecto. Una implementación estándar con servidores GPU certificados toma entre 4 y 8 semanas, desde el diseño de la arquitectura hasta la puesta en producción.
¿Puedo usar la misma infraestructura para entrenamiento e inferencia?
Sí, aunque el dimensionamiento cambia. El entrenamiento necesita más memoria GPU y cómputo sostenido, mientras que la inferencia prioriza baja latencia. Un diseño modular te permite escalar cada carga por separado.
¿Cuál es la diferencia entre servidores tradicionales y servidores para IA?
Los servidores tradicionales priorizan CPU para cargas transaccionales. Los servidores para IA integran GPU, storage NVMe y redes de alto ancho de banda diseñados específicamente para entrenamiento e inferencia de modelos.
¿Qué GPU necesito para entrenar modelos de inteligencia artificial?
Depende del tamaño del modelo y el dataset. Para entrenamiento intensivo recomendamos GPU NVIDIA de datacenter con memoria alta, mientras que para inferencia basta con aceleradores más pequeños y eficientes.
%20(2)%201%20%5BVectorized%5D.svg)