Présentation

Nvidia a présenté au salon IFA 2026 à Berlin un outil nommé Personal AI Router (PAIR). Il s’adresse aux passionnés d’agents d’intelligence artificielle qui souhaitent exploiter les ordinateurs inactifs d’une maison – PC Windows, Linux ou Mac – pour exécuter des modèles de langage de petite taille et accélérer les charges de travail agentiques.

Le client PAIR, actuellement en version bêta, fonctionne sous macOS, Windows et Linux. Il accepte tout système équipé d’un DGX Spark, d’une carte GeForce RTX 20‑series ou plus récente, ainsi que les Mac dotés de processeurs M4‑series ou ultérieurs. L’installation se résume à télécharger le logiciel et à le lancer sur chaque machine.

Architecture et mécanisme de répartition

PAIR crée un nœud principal qui orchestre les sous‑tâches d’un agent. La découverte des machines se fait automatiquement via mDNS ou adresses IP, sans configuration manuelle. Chaque nœud installé agit comme un proxy compatible avec les interfaces frontales d’IA telles que LM Studio ou Ollama, ce qui permet aux applications de se connecter au cluster sans modification.

Le moteur de répartition analyse les sous‑tâches générées par l’agent, identifie les modèles disponibles sur chaque appareil et associe chaque sous‑tâche à la ressource GPU la plus adaptée. Si un nœud possède un modèle différent, PAIR l’utilise quand même, en adaptant la charge à la capacité du matériel présent.

Analyse des performances et contraintes

En répartissant les sous‑tâches sur plusieurs GPU domestiques, le temps d’exécution diminue proportionnellement au nombre de nœuds actifs, à condition que le réseau local supporte le débit requis. La latence introduite par le transfert des données entre les machines reste faible dans un réseau Ethernet ou Wi‑Fi 6, mais elle peut devenir un facteur limitant pour des modèles très volumineux.

Le système est conçu pour être élastique : lorsqu’un ordinateur devient occupé (jeu, rendu, autre IA), PAIR réaffecte immédiatement la charge aux nœuds libres ou la renvoie au nœud principal. Cette flexibilité améliore l’efficacité des tâches longues qui ne sont pas soumises à des contraintes de temps strictes, tout en acceptant une variation de la qualité de service.

Limites et perspectives

Parce que PAIR dépend de la disponibilité des GPU domestiques, il ne peut garantir une performance constante. Les scénarios où les machines sont fréquemment sollicitées réduisent le gain de parallélisme. De plus, l’exposition des GPU sur le réseau domestique soulève des questions de sécurité : le trafic doit être chiffré et les autorisations strictement contrôlées.

À l’avenir, Nvidia pourrait enrichir l’orchestrateur avec des algorithmes de planification plus avancés, prendre en charge la synchronisation de modèles hétérogènes et offrir des API de monitoring pour mieux gérer les SLA. Une intégration avec des solutions d’orchestration edge‑cloud permettrait de combiner les ressources locales avec des serveurs distants, élargissant ainsi le spectre d’applications possibles.