Ha az egyik PC-n fut az Ollama, a laptop pedig közben szinte semmit sem csinál, a helyi AI eddig nemigen tudta kihasználni a második gép szabad kapacitását. Az NVIDIA Personal AI Router, vagyis PAIR ezen változtat: a helyi hálózaton lévő kompatibilis számítógépek között osztja szét az egymástól független AI kéréseket.
A PAIR nem új AI futtatókörnyezet, és nem is helyettesíti az Ollamát vagy az LM Studiót. Ezek továbbra is az egyes gépeken végzik a számítást, a PAIR pedig eldönti, melyik elérhető számítógép kapja az adott feladatot.
Az Ollama és az LM Studio már meglévő felületeit kezeli, ezért a rájuk épülő alkalmazásokat és AI asszisztenseket nem kell egy új klaszter API használatára átírni. Az NVIDIA műszaki bemutatója szerint minden új kérésnél azt is ellenőrzi, hogy az adott gép elérhető-e, fut-e rajta a szükséges AI motor, rendelkezésre áll-e a kért AI, illetve mennyire terhelt éppen a rendszer és a GPU.
Ez főleg akkor számít, ha egyszerre több helyi AI feladat fut. Ilyen lehet több párhuzamos asszisztens, automatizált feladat vagy egy olyan AI agent, amely egy nagyobb munkát több, egymástól független részre bont. Az egyik kérés mehet például az asztali PC-re, egy másik a notebookra, egy harmadik pedig egy további gépre. Ha valamelyik számítógép kikapcsol, alvó állapotba kerül vagy éppen másra használja erősen a GPU-t, a PAIR ezt figyelembe tudja venni az új feladatok kiosztásakor.
Van azonban egy nagyon fontos korlát. A PAIR nem adja össze a gépek videomemóriáját, nem kapcsol össze több GPU-t egyetlen nagy gyorsítóvá, és egyetlen AI kérést sem bont szét több számítógép között. Egy feladat elejétől a végéig ugyanazon a kiválasztott gépen fut. Emiatt egyetlen hosszú, nagy erőforrásigényű kérés nem lesz automatikusan gyorsabb attól, hogy három PC található a hálózaton; az előny akkor jelenik meg, ha több, egymástól független munka vár végrehajtásra.
Az NVIDIA egy konkrét példát is közölt. A Hermes Desktop öt párhuzamos részfeladatos tesztjében, Qwen 3.6 35B A3B használatával egyetlen RTX Spark notebook átlagosan 18 perc alatt végzett. Egy RTX Spark notebookból, DGX Sparkból és RTX 5090-es gépből álló háromgépes PAIR-rendszer ugyanezt átlagosan 8 perc 48 másodperc alatt teljesítette. Ez nem általános teljesítményteszt: az NVIDIA külön kiemeli, hogy az eredmény az adott konfigurációra és feladatra vonatkozik, a gyorsulás pedig többek között a párhuzamosíthatóságtól, a hardvertől és az aktuálisan rendelkezésre álló gépektől függ.
A gépek felderítése automatikusan történhet a helyi hálózaton mDNS segítségével, de IP-címmel kézzel is hozzáadhatók. A párosítást jóvá kell hagyni, utána a gépek közötti kapcsolat mTLS-t használ, vagyis mindkét oldal tanúsítvánnyal hitelesíti a másikat, és a kommunikáció titkosított. A PAIR-t eleve helyi használatra tervezték: az AI kérések, fájlok és az asszisztensek kontextusa a helyi hálózaton maradhat, működés közben pedig internetkapcsolatra sincs szükség. Letöltésekhez természetesen kell hálózati kapcsolat.
Windows alatt Windows 11 támogatott, de Linux és macOS gépek szintén bevonhatók, ráadásul a különböző operációs rendszert használó számítógépek egymással is párosíthatók. A validált konfigurációk között minden GeForce RTX 20-as vagy újabb sorozat, a DGX Spark/GB10 és az Apple M4 vagy újabb hardver szerepel. A megadott rendszerigény 8 GB vagy több RAM, tárhelyből pedig 20 GB vagy több az ajánlott érték. Attól, hogy maga a PAIR fut egy gépen, az Ollama vagy az LM Studio még nem feltétlenül tud rajta minden AI t futtatni, ezek saját hardver- és memóriaigénye továbbra is érvényes.
A PAIR nyilvános bétáját 2026. szeptember 3-án jelentette be az NVIDIA. A projekt nyílt forráskódú, Apache 2.0 licenc alatt érhető el, a kész telepítők pedig letölthetők a hivatalos PAIR oldalról és a GitHub kiadások közül. A GitHubon jelenleg a 0.1.1-es kiadás szerepel legfrissebbként; ez a 0.1.0-hoz képest csak a forrásból történő x64-es fordítás egyik hibáját javítja, maga az alkalmazás nem változott.
