Nvidia PAIR fordeler lokal AI mellom PC-ene dine

Nvidia PAIR lar deg fordele lokal AI mellom flere PC-er på samme nettverk, uten å bygge en serverpark eller sende jobbene til skyen. Har du en kraftig stasjonær PC, en laptop og kanskje en Mac som står ubrukt deler av dagen, kan hver maskin ta sin del av køen.

Det gratis open source-verktøyet ble lansert i beta 3. september 2026. Navnet står for Personal AI Router, men dette er ikke enda en boks som skal stå og blinke ved siden av ruteren. PAIR er programvare som installeres på maskinene og gir AI-appene dine ett lokalt endepunkt å forholde seg til.

Det er en enkel idé som treffer et reelt problem. Lokale AI-agenter kan dele en stor oppgave i mange mindre jobber, men da blir én GPU fort en kø med dyr maskinvare på gangen. PAIR sender de separate jobbene til maskinen som har riktig modell og ledig kapasitet. Det er praktisk, forståelig og ganske vanskelig å ikke like.

Hva er Nvidia PAIR?

Nvidia PAIR er en lokal inference-ruter for to eller flere kompatible datamaskiner. Den finner noder på nettverket, holder oversikt over motorer, modeller og belastning, og tilbyr Ollama-kompatible og OpenAI-kompatible endepunkter. Nvidia lanserte betaen for Windows, macOS og Linux under IFA 2026.

Nvidias lansering beskriver PAIR som et verktøy for å bruke ledige PC-er til lokal AI. Programvaren støtter Ollama og LM Studio, og nodene kan komme og gå mens ruteren tilpasser fordelingen. The Verge omtaler lanseringen som en måte å få stasjonære og bærbare maskiner til å jobbe sammen når de ellers ikke er i bruk.

Dette passer godt inn i retningen Nvidia allerede har valgt. Selskapet vil være langt mer enn en leverandør av GPU-er. Jeg har tidligere skrevet om hvordan NemoClaw gir Nvidia en plass høyere oppe i AI-stakken, og PAIR gjør noe lignende hjemme: Nvidia legger et nytt programvarelag mellom AI-appen og maskinvaren som faktisk utfører jobben.

Hvordan fordeles AI-jobbene?

PAIR sender hver selvstendige forespørsel til én kvalifisert node. En maskin må være tilgjengelig, kjøre Ollama eller LM Studio og allerede ha modellen forespørselen ber om. Blant maskinene som oppfyller kravene, velger ruteren ut fra tilgjengelighet og belastning.

AI-appen trenger ikke å kjenne nettverket. Den snakker med et lokalt Ollama- eller OpenAI-kompatibelt endepunkt, mens PAIR velger hvilken maskin som skal svare. Ifølge Nvidias tekniske oversikt sendes hele forespørselen til den valgte noden, og svaret strømmes tilbake gjennom proxyen. I appen ser det ut som en vanlig lokal respons.

Det betyr også at samme modell må finnes på flere noder dersom de skal kunne bytte på å betjene den. PAIR deler ikke automatisk modellfilene mellom maskinene. Har bare den stasjonære PC-en modellen installert, er det bare den som kan ta akkurat den jobben. Installerer du modellen på to noder, kan begge bli kandidater.

Hvorfor er PAIR mest nyttig for AI-agenter?

PAIR gir størst gevinst når en arbeidsflyt består av flere uavhengige jobber som kan kjøre samtidig. En agent kan for eksempel starte fem underagenter for research, sortering, kodekontroll eller dokumentanalyse. I stedet for at alle fem venter på samme GPU, kan PAIR spre forespørslene mellom flere maskiner.

Nvidia demonstrerer dette med Hermes Agent og fem underagenter. Det er ikke bare en pen demo. Parallelle jobber er nettopp der ruting gir mening, fordi arbeidsmengden kan fordeles uten at én enkelt inferens må deles opp. Hovedmaskinen kan samtidig brukes til spilling, kreativt arbeid eller andre oppgaver mens en annen node tar AI-jobben.

Det er også et naturlig neste lag over agentprogramvaren. Nvidia AI-Q viser hvordan flere spesialiserte agenter kan arbeide sammen; PAIR sørger for at de separate forespørslene kan fordeles på maskinene du allerede har.

Den samme tanken kan være nyttig i små bedrifter. Et lite team trenger ikke nødvendigvis kjøpe en ny sentral AI-server hvis flere eksisterende arbeidsstasjoner allerede har passende maskinvare og står ledige i perioder. PAIR gjør ikke kapasiteten gratis – strøm, modeller og maskiner koster fortsatt – men det kan gjøre investeringen du allerede har gjort langt mer anvendelig.

Dette er også en mer jordnær side av Nvidias AI-strategi. I min guide til Nvidia og AI er det tydelig hvor viktig programvareøkosystemet er for selskapets posisjon. PAIR trenger ikke å være et enormt produkt for å styrke den posisjonen. Det holder at lokal AI blir lettere å sette opp og mer nyttig på maskinvaren folk allerede eier.

Hva PAIR ikke gjør

PAIR slår ikke sammen GPU-minnet i maskinene. To grafikkort med 16 GB minne blir ikke til ett grafikkort med 32 GB, og en modell som er for stor for hver enkelt node, passer ikke plutselig fordi du har koblet nodene sammen. Verktøyet deler heller ikke én pågående inferens mellom flere maskiner.

Dette skillet er viktig, for uttrykk som «personlig AI-datasenter» kan fort skape forventninger om en hjemmelaget superdatamaskin. Det PAIR bygger, er først og fremst en smart kø. Hver konvolutt går til én ledig medarbeider; medarbeiderne begynner ikke å dele ett tastatur. Mindre sci-fi, langt mer nyttig.

Ruteren gjør heller ikke en treg modell rask bare fordi flere maskiner er med i klyngen. Én enkelt chatforespørsel kjører fortsatt på én node med ytelsen den noden kan levere. Gevinsten kommer når flere forespørsler kan kjøre parallelt, eller når arbeid kan flyttes bort fra maskinen du vil bruke til noe annet.

Planleggeren er foreløpig ganske enkel. Den filtrerer først på om noden er tilgjengelig, kjører riktig motor og har modellen forespørselen ber om. Deretter rangerer den kvalifiserte noder etter hvor mye arbeid som venter, samtidig som proxyen teller forespørsler den nettopp har sendt ut. Det gjør at en serie samtidige jobber kan spres før neste belastningsrapport kommer inn. En forespørsel som allerede kjører, flyttes derimot ikke til en annen maskin.

Hvilke maskiner og systemer støttes?

PAIR leveres med grafisk grensesnitt og terminalgrensesnitt for Windows 11, Linux og macOS. Det finnes bygg for x64 og Arm64, mens Windows on Arm er merket som eksperimentelt. Nvidia fremhever støtte for GeForce RTX 20-serien og nyere, RTX PRO-kort fra Turing-generasjonen og nyere, DGX Spark og Apple-maskiner med M4 eller nyere.

Det er likevel forskjell på å kunne kjøre PAIR og å kunne kjøre en bestemt modell. Prosjektets dokumentasjon på GitHub understreker at Ollama og LM Studio har egne krav til operativsystem, drivere og maskinvare. Modellen må også få plass i minnet på noden som skal kjøre den. En svak maskin kan fortsatt være medlem og sende forespørsler videre, men den blir ikke magisk en egnet inference-node.

Installasjonen kommer som Windows-installer, Debian-pakke og macOS-diskbilde. PAIR kan installere og administrere Ollama eller LM Studio, men kan også oppdage en motor som allerede finnes. For å koble til en ny maskin velger du den i klyngeinnstillingene og bekrefter sammenkoblingen med en sekssifret PIN-kode.

Forblir dataene virkelig lokale?

Forespørsler og svar kan forbli på lokalnettet, men bare når hele kjeden er lokal. Det gjelder klienten, modellen, inference-motoren og alle nodene som brukes. Kobler appen eller arbeidsflyten inn en skytjeneste, gjør ikke PAIR den delen lokal av ren viljestyrke.

Trafikken mellom sammenkoblede noder er kryptert med gjensidig TLS, og medlemskap etableres eksplisitt gjennom invitasjon og PIN-kode. Selve endepunktet lytter bare lokalt på maskinen som kjører PAIR. Forsøk på å bruke det direkte fra en annen maskin på nettverket blir avvist. Derfor må PAIR kjøre også på maskinen der appen sender forespørselen, selv om den maskinen ikke har egen GPU eller inference-motor.

Det er en fornuftig sikkerhetsgrense, men en sekssifret PIN-kode er en enkel oppstartsmekanisme, ikke et tryllepulver for nettverkssikkerhet. Nvidia anbefaler å koble sammen maskiner bare på nettverk du stoler på. Ikke eksponer endepunktene mot internett, og ikke behandle et delt eller ukjent lokalnett som om ordet «lokal» automatisk betyr trygt.

Dette er den riktige typen gratis AI-verktøy

Jeg liker retningen. Mange AI-lanseringer prøver å selge oss enda et abonnement eller enda en maskin. PAIR prøver i stedet å få mer arbeid ut av maskinene som allerede står der. Det er open source under Apache 2.0-lisensen, gratis å laste ned og konkret nok til at nytten kan forklares uten en halvtime med markedsføringståke.

For én bruker med én maskin og én chat om gangen er dette neppe revolusjonerende. For folk som kjører Ollama eller LM Studio på flere maskiner, bygger lokale agentarbeidsflyter eller vil holde sensitive oppgaver unna skyen, er PAIR langt mer spennende. Da løser det et faktisk orkestreringsproblem uten at alle appene må bygges om.

Beta betyr selvfølgelig beta. Planleggeren er enkel, maskinene må klargjøres med motorer og modeller, og PAIR kan ikke trylle fram felles GPU-minne. Men Nvidia har truffet et godt nivå her: mindre løfte om en «AI-superdatamaskin i hjemmet», mer praktisk rørleggerarbeid som får lokale agenter til å flyte bedre. Akkurat det trenger lokal AI mer av.

Ofte stilte spørsmål