Deepseek 4.1 Flash on 2 DGX Sparks changed my life

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론

DGX Spark 두 대에서 DeepSeek 4.1 Flash를 구동한 사례는 로컬 AI가 게임 제작과 상시 자동화를 통해 개인의 AI 활용 방식을 바꿀 가능성을 보여준다.

📌 핵심 요점

1. 발표자는 두 번째 DGX Spark를 구입해 기존 장비와 연결했다. 각 장비의 통합 메모리는 128GB이며, 두 장비의 메모리를 활용해 더 큰 모델을 실행하려는 구성이다.
2. 초기 설정은 장비가 만드는 Wi-Fi에 접속해 진행하고, 이후 Tailscale로 홈랩의 여러 컴퓨터를 연결했다. 집에서 모델을 계속 실행하고 외부의 휴대전화나 노트북으로 접속하는 방식이다.
3. Grockbot으로 불리는 에이전트에 네트워크 설정과 모델 배포를 맡겼다. DeepSeek 모델을 두 Spark에서 실행한 뒤 API를 통해 Mac Studio의 Hermes 프로필과 연결했다.
4. 짧은 인사에는 약 8초 만에 응답했고, 스네이크 게임은 약 1분 만에 코드가 작성돼 약 1분 30초 수준에서 플레이를 확인했다. 더 복잡한 3D 게임은 발표자 설명상 약 20~25분이 걸렸다.
5. 최종 주장은 클라우드 구독의 전면 대체보다 상시 실행의 가치에 가깝다. 어려운 코딩에는 기존 구독을 활용하면서, 로컬 모델에는 사업 기회 탐색과 반복 코드 리뷰를 계속 맡기는 활용법을 제시한다.

🧩 배경과 문제 정의

발표자는 이미 DGX Spark 한 대와 여러 Mac, AMD 장비를 갖춘 홈 AI 랩을 운영하고 있다. 두 번째 Spark를 추가해 더 큰 로컬 모델을 실행하고, 클라우드 구독이나 전체 코딩 작업을 어느 정도 대체할 수 있는지 살펴보는 것이 출발점이다.

영상은 MicroEnter의 협찬을 받은 장비 구입과 개봉으로 시작해 네트워크 설정, DeepSeek 배포, Hermes 연동, 게임 제작 시연으로 이어진다. 마지막에는 최고 성능 모델과의 경쟁보다 사용량 부담 없이 계속 실행하는 로컬 AI의 용도를 강조한다.

🕒 시간순 섹션별 상세정리

1. 두 번째 DGX Spark를 구입하는 이유

• 기존 Spark에 두 번째 장비를 연결해 어떤 AI를 실행할 수 있는지, 클라우드 구독과 코딩 업무를 대체할 수 있는지 확인하겠다고 예고한다. MicroEnter의 협찬도 드러낸다. [00:22]
• 집의 Mac Studio, AMD 장비, Mac Mini 등으로 구성된 홈랩을 소개하고, 두 Spark에서 새로운 DeepSeek Flash를 실행할 계획을 보여준다. [01:29]

2. 하드웨어와 초기 연결 방식

• DGX Spark의 작은 크기와 128GB 통합 메모리를 보여준다. 모니터를 연결하는 대신 장비가 만드는 Wi-Fi에 다른 컴퓨터로 접속해 설정할 수 있다고 보여준다. [02:40]
• 두 Spark를 케이블로 연결하고 각각의 128GB 메모리를 함께 활용해 큰 모델을 실행하겠다고 보여준다. 구체적인 분산 실행 설정은 이 구간에서 제시하지 않는다. [03:24]

3. 에이전트와 Tailscale로 홈랩 연결

• 초기 Wi-Fi 설정을 마친 뒤 Grockbot으로 불리는 에이전트를 사용해 추가 설정을 진행한다. 여러 장비가 같은 Tailscale 네트워크에서 통신하도록 구성한다. [04:24]
• 기본 제공 레시피에는 모델 훈련과 로컬 이미지 생성 등의 활용법이 있다고 소개하지만, 이번 설정은 에이전트에 맡긴다. [05:04]
• 두 번째 Spark가 네트워크에 연결돼 Mac과 다른 홈랩 컴퓨터에서도 Spark 클러스터에 접근할 수 있게 됐다고 보고한다. [05:26]

4. 집에서 실행하고 외부에서 접속하는 사용법

• 집의 장비에서 모델을 계속 실행하고, 외부의 휴대전화·태블릿·노트북에서 Tailscale을 통해 프롬프트와 응답을 주고받는 구성을 제안한다. [06:12]
• 고가의 고성능 노트북을 들고 다니는 방식보다 집의 상시 가동 장비에 가벼운 기기로 접속하는 방식을 선호한다고 보여준다. 이는 발표자의 구매·운영 관점이다. [06:45]

5. 실행할 모델을 고르고 배포 요청하기

• 장비에 맞는 모델을 모르더라도 에이전트에 하드웨어를 살펴보고 적합한 모델을 추천해 달라고 요청할 수 있다고 보여준다. [07:29]
• Ray Fernando의 게시물에서 두 Spark의 Deep Seek V4.1 Flash 실행 사례를 보고 같은 구성을 시도한다. 게시물을 에이전트에 전달해 배포를 요청한다. [08:17]

6. 모델 다운로드와 API 준비

• 에이전트가 GPU 속도 관련 명령과 장비 간 연결 설정을 안내하고 모델을 다운로드한다. 발표자는 다운로드 규모를 400GB라고 드러낸다. [08:46]
• 모델이 두 Spark에서 실행됐다고 보고하고, Spark에서 제공하는 API에 주 컴퓨터인 Mac Studio가 접속할 수 있다고 보여준다. [09:58]

7. Hermes 연결과 짧은 응답 테스트

• Hermes가 로컬 모델에 접속하도록 새 프로필을 만들고, 채팅 화면에서 DeepSeek를 선택해 사용할 수 있게 한다. [10:38]
• 짧은 인사 메시지를 보내 약 8초 만에 답을 받는다. 이어 시청자에게 인사하는 문장을 요청한다. [11:10]
• 응답 중 표시되는 추론 텍스트를 보여주며 로컬 모델의 개방성을 장점으로 보여준다. [11:35]

8. 단일 HTML 스네이크 게임 제작

• 하나의 HTML 파일로 스네이크 게임을 만들라고 요청하고, 계획과 코드 작성이 진행되는 모습을 확인한다. 약 1분 이내에 코드가 작성됐다고 드러낸다. [12:38]
• Hermes 채팅의 결과물에서 게임을 직접 실행한다. 발표자는 약 1분 30초 만에 만든 로컬 모델의 결과물이라고 평가한다. [12:58]

9. 복잡한 3D 게임으로 확장

• 디아블로와 비슷한 탑다운 악마 사냥 게임을 요청한다. 여러 단계, 단계 사이의 능력 강화, 어두운 분위기와 세밀한 그래픽을 요구한다. [13:31]
• 발표자 설명상 약 20~25분 뒤 결과가 완성된다. 에이전트가 자체 테스트를 하고 스크린샷을 보냈다고 보여준다. [14:09]
• 브라우저에서 게임을 실행해 능력 선택과 더 큰 적의 등장을 확인한다. 한 번의 요청으로 만든 결과를 높이 평가하며 추가 개선도 가능하다고 드러낸다. [15:08]

10. 상시 실행하는 AI의 가치와 마무리

• 어려운 코딩에는 기존 클라우드 구독을 쓰되, 로컬 모델에는 사업 기회 탐색과 반복 코드 리뷰를 계속 맡기는 활용을 제시한다. 이를 앰비언트 인텔리전스라고 부른다. [16:07]
• 두 DGX Spark가 없어도 Mac Mini 등 보유 장비에서 시작할 수 있다고 권한다. 최고 모델이 아니어도 직접 운영하며 배우고 상시 작업을 실행하는 데 의미가 있다고 보여준다. [16:42]
• 협찬사에 다시 감사를 전하며 영상을 마친다. [16:52]

🧾 결론

• 영상은 장비 연결부터 모델 배포, 에이전트 연동, 게임 실행까지 이어지는 개인용 로컬 AI 작업 흐름을 보여준다.
• 시연은 게임 제작 가능성을 보여주지만, 전체 코딩 업무를 대체할 수준의 품질이나 안정성까지 검증하지는 않는다.
• 발표자가 강조한 변화는 요청마다 사용량을 걱정하기보다 모델을 계속 작동시키며 새로운 용도를 찾을 수 있다는 점이다.

📈 투자·시사 포인트

• 로컬 AI의 구매 판단에서는 최대 성능뿐 아니라 반복 작업의 빈도와 상시 가동 필요성을 함께 봐야 한다. 영상의 핵심 효용도 지속적인 탐색과 검토에 있다.
• 클라우드 구독료와 비교할 때는 장비 구입비와 전력비를 포함해야 한다. 영상만으로 두 DGX Spark의 비용 회수 기간을 계산할 수는 없다.
• 집의 연산 장비와 외부의 접속 기기를 분리하는 구성은 고성능 노트북 중심의 구매 방식과 비교할 만한 선택지다. 다만 가격 대비 우위는 발표자의 견해다.
• 모델 자체와 함께 배포 자동화, 원격 접속, 에이전트 연동이 실제 사용성을 좌우한다. 영상에서는 Grockbot, Tailscale, Hermes가 그 연결 역할을 맡는다.

⚠️ 불확실하거나 확인이 필요한 부분

• 제목은 Deepseek 4.1 Flash, 본문 발화는 Deep Seek V4.1 Flash로 제시된다. 정확한 모델 식별자, 배포 출처, 양자화 방식과 실행 소프트웨어는 제공된 자료만으로 확정하기 어렵다.
• 발표자는 두 장비의 메모리를 합쳐 256GB를 활용한다고 설명하고, 모델 다운로드 규모는 400GB라고 말한다. 다운로드 용량과 실제 실행 메모리의 관계, 장비별 분산 방식과 설정은 설명되지 않는다.
• 약 8초 응답과 게임 제작 시간은 개별 시연 결과다. 토큰 생성 속도, 입력 길이, 동시 요청 수, 반복 측정 결과가 없어 일반적인 성능으로 확대하기 어렵다.
• 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
• 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
• 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.

✅ 액션 아이템

• 추가 장비 구입 전에 현재 보유한 Mac Mini나 다른 컴퓨터에서 실행 가능한 로컬 모델부터 확인한다.
• 재현에 사용할 모델의 정확한 이름, 다운로드 용량, 메모리 요구량, 실행 설정을 기록한다.
• 초기 연결, 장비 간 연결, Tailscale 접속, 모델 API, Hermes 프로필을 단계별로 확인한다.
• 실제로 자주 하는 작업을 선정해 응답 시간, 결과 품질, 수정 횟수를 기존 구독 모델과 비교한다.

❓ 열린 질문

• 정확히 어떤 모델 구성과 실행 환경이 두 DGX Spark에서 시연된 결과를 만들었는가?
• 긴 입력이나 여러 에이전트의 동시 요청에서도 응답성과 결과 품질이 유지되는가?
• 상시 코드 리뷰와 사업 기회 탐색은 실제로 얼마나 유용한 결과를 내며, 사람이 확인해야 하는 부담은 어느 정도인가?