NVIDIA PAIR превращает несколько домашних ПК в ИИ-кластер

NVIDIA выпустила Personal AI Router (PAIR) — бесплатный инструмент, который объединяет совместимые домашние компьютеры в локальный кластер для запуска ИИ. Теперь несколько ПК с RTX, DGX Spark и даже Mac можно использовать вместе, распределяя между ними независимые задачи без отправки данных в облако.

Краткое содержание

• NVIDIA PAIR объединяет совместимые ПК в локальную инфраструктуру для ИИ.
• Поддерживаются GeForce RTX 20-й серии и новее, RTX PRO, DGX Spark и Mac на Apple M4 и выше.
• PAIR не складывает видеопамять нескольких GPU в единый пул, а распределяет отдельные инференс-запросы между устройствами.
• Инструмент особенно интересен для ИИ-агентов и multi-agent систем, где одна большая задача разбивается на несколько независимых подзадач.
• PAIR работает с Ollama и LM Studio, а данные и контекст остаются внутри локальной сети.

Один компьютер — уже не предел

Главная идея Personal AI Router довольно простая: если дома или в офисе уже есть несколько компьютеров с подходящим железом, зачем заставлять один из них выполнять все ИИ-задачи?

PAIR обнаруживает совместимые устройства в локальной сети и позволяет использовать их как узлы персонального ИИ-кластера. В него можно добавить ПК с GeForce RTX 20-й серии и новее, профессиональными RTX PRO, системы NVIDIA DGX Spark, а также совместимые Mac на чипах Apple M4 и выше. NVIDIA также заявляет поддержку оборудования других производителей.

При этом покупать отдельный серверный кластер и прокладывать специализированную сеть не требуется. Устройства подключаются к обычной локальной сети, а NVIDIA рекомендует использовать Ethernet для стабильной работы.

PAIR не объединяет видеокарты в одну

Здесь есть важный технический нюанс.

PAIR не превращает, например, три RTX 5090 в одну виртуальную видеокарту с 96 ГБ памяти. Видеопамять между компьютерами не складывается, а одна модель или один инференс-запрос не разбивается между несколькими машинами.

Вместо этого PAIR работает как маршрутизатор. Он принимает запрос и отправляет его на подходящий свободный узел. Если одновременно появляется несколько задач, их можно распределить между несколькими компьютерами. Именно поэтому технология особенно интересна для агентных систем, которые способны самостоятельно разбивать большую задачу на множество подзадач.

Например, один агент может заниматься анализом документов, второй — поиском информации, третий — генерацией кода, а четвёртый — проверкой результата. Вместо очереди на одном GPU запросы можно распределить между несколькими машинами.

NVIDIA показала ускорение почти в два раза

В демонстрации NVIDIA кластер из трёх устройств справился с задачей с пятью подагентами за 8 минут 48 секунд. На одном ноутбуке та же задача занимала 18 минут.

Компания также тестировала конфигурации вплоть до 18 устройств. При этом эффект напрямую зависит от характера нагрузки: чем больше в работе независимых запросов, тем лучше такой подход способен загрузить несколько узлов одновременно.

Поэтому PAIR нельзя воспринимать как аналог NVLink или распределённого обучения большой модели. Это скорее способ превратить несколько отдельных компьютеров в общий пул вычислительных ресурсов для параллельного локального инференса.

Ollama и LM Studio уже поддерживаются

PAIR не заставляет разработчиков полностью менять привычный стек локального ИИ.

На старте поддерживаются Ollama и LM Studio. PAIR предоставляет единый локальный endpoint, а дальше самостоятельно маршрутизирует запросы к доступным узлам. NVIDIA отдельно подчёркивает, что существующие приложения и ИИ-агенты не требуют серьёзной переработки для такого сценария.

Сам инструмент доступен в бета-версии для Windows, Linux и macOS. Для работы интернет не требуется — он нужен только, например, для первоначальной загрузки моделей.

Почему это интересно именно для локального ИИ

У подхода есть довольно практичное преимущество: данные не приходится отправлять в сторонний облачный сервис.

Промпты, файлы и контекст ИИ-агентов остаются внутри локальной сети. Для домашних пользователей это вопрос приватности, а для компаний — потенциально более важная история: внутренние документы и рабочие данные можно обрабатывать на собственной инфраструктуре.

PAIR при этом хорошо ложится на модель, которую NVIDIA последовательно продвигает в 2026 году: локальный ИИ становится не отдельным сервером в дата-центре, а частью обычной пользовательской инфраструктуры.

И здесь особенно интересно появление компактных систем, рассчитанных именно на локальные нейросети.

Где здесь место для DGX Spark

NVIDIA DGX Spark в DigitalRazor — один из наиболее очевидных вариантов для такого сценария.

Система построена на платформе NVIDIA GB10 Grace Blackwell и оснащена 128 ГБ единой памяти. Это позволяет использовать её как отдельный локальный узел для инференса больших языковых моделей, R&D и работы с ИИ-агентами. В текущих конфигурациях DigitalRazor доступны системы DGX Spark, ASUS Ascent GX10 и MSI EdgeXpert MS-C931 с одинаковым объёмом единой памяти 128 ГБ.

PAIR добавляет к такой системе ещё один интересный сценарий: DGX Spark может быть не единственным компьютером, на котором запускается ИИ. Его можно включить в локальный кластер вместе с другими совместимыми рабочими станциями и ПК.

Получается довольно практичная архитектура: тяжёлые модели и постоянные ИИ-сервисы работают на специализированной машине, а дополнительные запросы и агентные задачи распределяются между остальными компьютерами сети.

MSI EdgeXpert MS-C931

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Grace Blackwell

Объем видеопамяти 128 ГБ

Процессоры

NVIDIA GB10

Количество ядер 20 Arm

RAM Объединена с VRAM

Форм-фактор SFF

NVIDIA DGX Spark

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Grace Blackwell

Объем видеопамяти 128 ГБ

Процессоры

NVIDIA GB10

Количество ядер 20 Arm

RAM Объединена с VRAM

Форм-фактор SFF

ASUS Ascent GX10

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Grace Blackwell

Объем видеопамяти 128 ГБ

Процессоры

NVIDIA GB10

Количество ядер 20 Arm

RAM Объединена с VRAM

Форм-фактор SFF

А если нужен обычный ПК или мобильная система

Не всем нужен отдельный DGX Spark. Для разработки, демонстраций и работы с ИИ вне стационарного места NVIDIA продвигает платформу RTX Spark.

RTX Spark в DigitalRazor — компактные системы на архитектуре Grace Blackwell с единой памятью до 128 ГБ в форм-факторе ноутбука. Они рассчитаны на локальный запуск языковых моделей, разработку ИИ-приложений и генеративные задачи.

Для PAIR это особенно интересный вариант: мобильную RTX Spark-систему можно использовать как один из узлов локальной ИИ-инфраструктуры, а не держать её изолированно от остальных компьютеров.

В итоге получается несколько уровней:

• обычные ПК с RTX — для дополнительных параллельных задач;
• RTX Spark — компактный мобильный узел для локального ИИ;
• DGX Spark — специализированная система с 128 ГБ единой памяти;
• GPU-серверы — когда требуется уже полноценная многокарточная инфраструктура и высокая параллельная нагрузка.

Мнение DigitalRazor

NVIDIA PAIR интересен не тем, что внезапно превращает несколько домашних компьютеров в один суперкомпьютер. Этого он не делает.

Ценность PAIR в другом: компания предлагает простой способ с пользой использовать уже имеющиеся вычислительные ресурсы. Если в сети есть несколько достаточно мощных компьютеров, их можно заставить работать вместе — прежде всего для параллельного инференса и агентных сценариев.

Для одного пользователя это может быть несколько ПК и Mac дома. Для разработчика — рабочая станция плюс отдельный ИИ-компьютер. Для небольшой команды — несколько локальных AI-узлов вместо постоянной аренды облачных GPU.

Именно поэтому связка PAIR с компактными системами вроде DGX Spark выглядит особенно логично: отдельный компьютер становится не просто машиной для запуска моделей, а частью масштабируемой локальной ИИ-инфраструктуры.

Если же нагрузка уже выходит за рамки независимых инференс-запросов и требует распределения одной большой модели между несколькими GPU, потребуется другой класс решений — полноценная multi-GPU рабочая станция или GPU-сервер. В таких случаях конфигурацию лучше подбирать уже под конкретную модель, объём VRAM и характер нагрузки.

AMD Ryzen AI Halo

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Radeon 8060S

Объем видеопамяти 64 ГБ

Процессоры

Ryzen AI Max+ 395

Количество ядер 16 Zen 5

RAM Объединена с VRAM

Форм-фактор SFF

NVIDIA DGX Spark

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Grace Blackwell

Объем видеопамяти 128 ГБ

Процессоры

NVIDIA GB10

Количество ядер 20 Arm

RAM Объединена с VRAM

Форм-фактор SFF

NVIDIA RTX Spark

Для каких задач Запуск и дообучение больших языковых моделей до 200 млрд локально

Подробнее

Видеокарты

Grace Blackwell

Объем видеопамяти 128 ГБ

Процессоры

NVIDIA Grace

Количество ядер 20 Arm

RAM Объединена с VRAM

Форм-фактор Laptop