
En plena IFA 2026, NVIDIA ha presentat una d'aquelles propostes que canvien la manera d'entendre la intel·ligència artificial local. Es diu Personal AI Router, o PAIR per als amics, i el seu objectiu és aprofitar els ordinadors que ja tenim per casa per executar tasques de IA de manera conjunta. No és un router físic ni un nou motor d'inferència, sinó una eina que actua com a intermediari entre les aplicacions d'IA i els diferents equips d'una xarxa local.
La idea és senzilla: si tens un PC gaming, una estació de treball o fins i tot un MacBook amb un xip modern, és molt probable que bona part de la capacitat de còmput estigui desaprofitada moltes hores al dia. PAIR el que fa és detectar aquests equips, connectar-los de manera segura i repartir entre ells les peticions d'inferència que generen els agents d'IA, de manera que la feina no s'embussi en una sola targeta gràfica.
Què és exactament NVIDIA PAIR?
PAIR és un programari gratuït i de codi obert que funciona com un proxy entre les aplicacions d'IA i els motors d'inferència instal·lats a cada equip. Quan un agent llança diverses subtasques alhora, PAIR decideix quina màquina de la xarxa es pot encarregar de cadascuna, tenint en compte si té carregat el model sol·licitat, la càrrega actual de la GPU i si l'equip està disponible. Per a l'usuari, l'experiència és transparent: només hi veu una connexió única, mentre que per darrere el trànsit es distribueix entre els nodes participants.
Una de les claus és que no substitueix Ollama ni LM Studio , sinó que s'hi recolza. De fet, PAIR pren el control dels ports que usen aquests motors per defecte per rebre les peticions i reenviar-les al node més adequat. Això significa que les aplicacions existents poden continuar funcionant sense canvis, cosa que redueix moltíssim la barrera d'entrada per a qui ja té muntat el seu entorn d'IA local.
Com funciona el repartiment de tasques
El descobriment d'equips es fa mitjançant mDNS, el mateix protocol que fa servir una impressora per aparèixer a la xarxa . Després de la instal·lació, cada màquina anuncia la seva disponibilitat i les altres la detecten automàticament. Per afegir un node també es pot utilitzar la vostra adreça IP directament, però el procés habitual és que la màquina principal mostri un PIN de sis dígits que l'altre equip ha d'introduir per establir l'aparellament.
Un cop connectats, la comunicació entre nodes viatja xifrada amb mTLS, és a dir, amb certificats mutus que garanteixen que el trànsit no surti de la xarxa privada . Això és important per als que manegen informació sensible, ja que les indicacions i les dades dels agents es queden a casa, sense passar per cap servidor extern. Això sí, els responsables del projecte adverteixen que cal revisar la seguretat de xarxes LAN abans de fer-lo servir en xarxes compartides o no fiables, perquè obre endpoints HTTP locals i permet descobriment a la LAN.
Rendiment i demostracions
La pregunta del milió és si realment millora els temps. NVIDIA va compartir una demostració no oficial amb l'agent Hermes Desktop i Ollama executant el model Qwen 3.6 35B A3B. Una tasca de cinc subagents que trigava una mitjana de 18 minuts en una sola portàtil RTX Spark es va completar en 8 minuts i 48 segons usant un clúster de tres equips : la portàtil, una DGX Spark i una RTX 5090. Aquesta millora de poc més de 2x s'explica perquè les subtasques poden executar-se en paral·lel.
La companyia insisteix que no es tracta d'un benchmark general ni d'una promesa d'escalat lineal . El resultat depèn molt del tipus de càrrega, del model utilitzat, de la configuració de la xarxa i de quins nodes estiguin disponibles. Les tasques molt seqüencials, o aquelles on només un equip té el model sol·licitat, obtindran pocs beneficis. A més, PAIR no agrupa la memòria de les diferents targetes gràfiques, així que no és la solució per carregar un model que no hi cap en una sola GPU.
Compatibilitat i requisits
La beta de PAIR està disponible per a Windows 11, Linux i macOS , amb suport per a arquitectures x64 i arm64 (encara que Windows a ARM es considera experimental). Pel que fa al maquinari, es requereixen GPU GeForce RTX Sèrie 20 o posteriors, RTX PRO basades en Turing o superiors, DGX Spark o xips Apple M4 o més nous. També calen almenys 8 GB de RAM i 20 GB d'espai en disc, i no cal connexió a Internet per funcionar, només per descarregar els models.
Un detall interessant és que PAIR no es limita a productes NVIDIA ; qualsevol equip que pugui executar Ollama o LM Studio pot participar, incloent sistemes amb Apple Silicon. De fet, s'ha provat amb èxit en xarxes de fins a 18 GPU. La flexibilitat perquè els nodes entrin i surtin quan vulguin —per exemple, si una portàtil se suspèn o un PC comença a jugar— és una altra de les seves senyes d'identitat, ja que el planificador va adaptant el repartiment en temps real.
RTX Spark i altres novetats
PAIR arriba en un moment en què NVIDIA també ultima el llançament dels primers PC amb RTX Spark, previst per a l'octubre. Aquests equips combinen una GPU Blackwell amb una CPU Grace de 20 nuclis i fins a 128 GB de memòria unificada, i estan pensats per executar agents de IA de manera local. A la IFA s'han vist propostes de Lenovo (Ioga Pro 9n i Ioga 9n), Acer (concepte de sobretaula compacte) i s'espera que tant Dell com HP, ASUS, MSI i Microsoft en treguin els models.
Amb PAIR, NVIDIA ha anunciat simplificacions per a altres projectes d'agents. Perplexity Portable Computer arribarà a GPUs RTX amb almenys 24 GB de VRAM tant a Windows com a Linux, permetent executar fluxos complets sense gastar crèdits i amb permís previ per enviar dades al núvol. Hermes Agent incorporarà una configuració amb un clic que detecta la GPU automàticament, i OpenClaw també tindrà una opció similar a Windows.
Pel que fa a rendiment, les optimitzacions en llama.cpp permeten fins a 1,9 vegades més throughput en una GeForce RTX 5090 , mentre que vLLM millora 1,2x en una RTX PRO 6000 Blackwell i fins a 1,4x en clústers de dos DGX Spark. Aquestes millores ja estan disponibles a través de LM Studio, Ollama i els mateixos motors.
Tot això apunta a una tendència clara: moure el gruix del treball d'IA fora del núvol i aprofitar el maquinari que ja tenim a casa. PAIR és una peça més d'aquest puzle, i encara que està en fase beta, val la pena provar-ho si tens més d'un equip amb una certa potència. La versió final encara no té data, però la comunitat ja el pot descarregar i contribuir amb millores des de GitHub.
Índex








