Nvidia выпустила бесплатный инструмент PAIR (Personal AI Router), который объединяет компьютеры в домашней сети в один вычислительный кластер для локального ИИ. Софт сам находит совместимые устройства, соединяет их и раскидывает задачи между простаивающими видеокартами — пока ты смотришь сериал на одном ноутбуке, второй компьютер может считать за тебя ответы нейросети. Бета доступна с 3 сентября 2026 года для Windows, Linux и macOS.
Что именно выпустила Nvidia
Несмотря на название, PAIR — не физический роутер и не отдельное железо. Это open-source программа, которая сканирует локальную сеть, находит подходящие устройства и готовит их к совместной работе над агентными задачами (когда сложный запрос дробится на несколько мелких подзадач).
Работает PAIR с уже привычными инструментами для локального запуска моделей — Ollama и LM Studio. То есть сам PAIR не заменяет эти программы, а строит инфраструктуру под ними: распределяет нагрузку между несколькими компьютерами вместо одного.
Список совместимого железа у Nvidia широкий, но не универсальный:
| Устройство | Поддержка |
|---|---|
| GeForce RTX 20-й серии и новее | да |
| RTX Pro GPU | да |
| DGX Spark | да |
| Mac с чипом M4 и новее | да |
| Более старые GPU и Mac | нет |
Главная идея — использовать компьютеры именно тогда, когда они простаивают, не мешая другим задачам. Если на десктопе, который участвует в кластере, кто-то запускает игру, PAIR должен автоматически перераспределить нагрузку на другие узлы сети. По словам Nvidia, система адаптируется в реальном времени, когда устройства подключаются или выходят из кластера.
Сколько это компьютерных мощностей на самом деле
На презентации для журналистов продакт-менеджер Nvidia Сет Шнайдер привёл наглядный пример: семья из четырёх человек, где у отца есть ноутбук RTX Spark и десктоп DGX Spark, у матери — ноутбук с RTX 5090, у дочери — игровой десктоп, а у сына — MacBook Pro. По расчётам Nvidia, в таком доме простаивает около 165 терафлопс вычислительной мощности.
Шнайдер назвал это «настоящей сокровищницей бесплатных токенов», которая просто лежит без дела в домах пользователей, даже с учётом расходов на электричество в среднем американском доме. Digital Trends оценивает потенциальную экономию от такого подхода примерно в 1200 долларов в месяц по сравнению с оплатой облачных ИИ-сервисов — если считать, что иначе эти же задачи пришлось бы покупать через подписки на облачные модели.
Правда, пример с четырьмя топовыми устройствами — это скорее демонстрация потолка возможностей, чем типичный сценарий. Сам Шнайдер, отвечая на прямой вопрос, для кого на самом деле сделан PAIR, признал: Nvidia рассчитывает, что у большинства пользователей будет куда более скромная связка — один ноутбук на Windows или Mac плюс один игровой ПК.
Как это защищено и что с этим делать на практике
Подключение устройств друг к другу проходит через шестизначный код — примерно как при пэйринге Bluetooth-наушников. После этого канал связи защищается протоколом mTLS (Mutual Transport Layer Security), который шифрует трафик и проверяет подлинность обеих сторон соединения, а не только одной, как в обычном TLS.
На практике PAIR имеет смысл, если в доме уже стоит хотя бы одна мощная видеокарта Nvidia или свежий Mac, и хочется гонять локальные модели через Ollama или LM Studio без подписки на облачные сервисы. Для агентных задач — когда модель сама разбивает работу на подзадачи и выполняет их последовательно — распределение по нескольким машинам должно снижать нагрузку на единственный GPU и ускорять процесс.
Отдельно Nvidia анонсировала, что три ИИ-агентских приложения — Perplexity Portable Computer, Hermes Agent и OpenClaw — получат упрощённую настройку локального запуска на видеокартах Nvidia под Windows. Идея та же: убрать ручную конфигурацию и дать пользователю поднять локального агента за пару кликов.
Чего в анонсе Nvidia пока нет
Компания не назвала точные системные требования по объёму видеопамяти или количеству узлов, при которых кластер работает стабильно. Нет данных о реальном приросте скорости инференса (генерации ответов моделью) при подключении второго или третьего устройства — только общая оценка простаивающих терафлопс на гипотетическом примере.
Также неясно, как PAIR поведёт себя в сетях со смешанным железом разных поколений — например, если один узел на RTX 20-й серии, а другой на свежем RTX 5090. Nvidia не привела бенчмарков и не сравнила PAIR с альтернативными способами распределённого локального инференса.
Если у вас в доме уже есть игровой ПК с RTX-картой и ноутбук или Mac, попробовать PAIR стоит хотя бы из любопытства — программа бесплатная, а Ollama и LM Studio у многих энтузиастов локального ИИ и так стоят. Но ждать, что старый ноутбук превратит домашнюю сеть в полноценный дата-центр, пока рано — Nvidia сама честно называет типичный сценарий куда скромнее, чем сценарий из презентации.
