Nvidias PAIR lar flere hjemme-PC-er dele på lokale KI-oppgaver

Nvidias annonseringer på IFA 2026 gjør strategien for lokal KI til en mer komplett plattform: enklere utrulling av KI-agenter, raskere inferens på én maskin, koordinering av flere maskiner i hjemmet og en ny Windows-PC-klasse for større private modeller. Fellesnevneren er at forespørsler, filer, modeller og agentkontekst skal kunne bli på brukerens eget nettverk – samtidig som lokal KI blir mer praktisk i vanlig bruk.1215

PAIR gjør hjemmenettverket til en kø av tilgjengelige maskiner

Det mest konkrete nye verktøyet er NVIDIA Personal AI Router (PAIR), som er gratis og åpen kildekode. Programmet gir apper ett lokalt endepunkt, oppdager kompatible systemer på hjemmenettverket og ruter hver enkelt, uavhengige inferensforespørsel fra blant annet Ollama eller LM Studio til en maskin som er tilgjengelig.1216

Det kan være nyttig når en KI-agent deler arbeidet i flere parallelle underoppgaver, eller når man vil bruke datakraft som ellers står ubrukt på andre maskiner i huset. Apper og agentrammeverk trenger i utgangspunktet ikke å bygges om, fordi PAIR presenterer et grensesnitt som de eksisterende inferensverktøyene allerede forstår.124

Men det er en viktig begrensning: PAIR setter ikke sammen GPU-er og minne fra flere maskiner slik at én enkelt modellforespørsel kan bruke dem som én stor, distribuert akselerator. Den enkelte forespørselen kjøres på én maskin som PAIR velger. Gevinsten er derfor først og fremst bedre kapasitet ved samtidige, uavhengige oppgaver og kortere ventetid i kø – ikke at en modell som er for stor for alle enkeltmaskinene plutselig får plass på tvers av flere PC-er.12

PAIR er oppgitt å fungere med kompatible RTX-baserte Windows-maskiner, DGX Spark og macOS-enheter. Nvidia har egne krav til støttet maskinvare og operativsystemer, og tilgjengeligheten er i beta.41217

Mindre oppsettarbeid for lokale agenter

Nvidia forsøker også å fjerne en annen terskel for lokal KI: konfigurasjon. Hermes Agent, OpenClaw og Perplexity Portable Computer skal få forenklet oppsett av lokale modeller på Nvidia-GPU-er. Målet er at brukeren i mindre grad skal måtte velge modell, inferensmotor og innstillinger manuelt.714

Dette er strategisk viktig fordi installasjon og finjustering ofte har vært en større hindring enn selve GPU-tilgangen for folk som vil kjøre KI lokalt. Perplexity Portable Computer er blant løsningene Nvidia omtaler som en lokal, privat agentløsning på DGX Spark, med mulighet til å veksle mellom lokale modeller og skymodeller.8

Raskere inferens – og mer minne til større modeller

Selskapet sier at nye optimaliseringer i llama.cpp og vLLM kan gi opptil 1,9 ganger raskere lokal inferens. Forbedringene er tilgjengelige direkte og gjennom LM Studio og Ollama, med flere Ollama-oppdateringer planlagt.714

Det gir Nvidia et tydelig ytelsesargument i en programvarestabel der både modeller og brukergrensesnitt i stor grad kan være basert på åpen kildekode.

På maskinvaresiden skal Windows-baserte RTX Spark-systemer med Nvidias ARM-baserte N1X-plattform komme i oktober. Toppkonfigurasjonen er oppgitt med en 20-kjerners Grace-prosessor, Blackwell RTX-GPU, opptil 128 GB samlet minne og opptil én petaflops KI-ytelse.1215

Særlig 128 GB samlet minne kan være relevant for større lokale språkmodeller og agentarbeidsflyter som er vanskelige å få plass til i minnet på vanlige forbruker-GPU-er. Lenovo og Acer er blant produsentene som er ventet å levere RTX Spark-maskiner, og Nvidia posisjonerer dem både for KI og mer tradisjonell PC-bruk, inkludert spill.12

Hva satsingen egentlig betyr

Sammen peker lanseringene mot et lokalt KI-oppsett der en agent kan installeres med færre manuelle valg, kjøre raskere på én PC og sende separate underoppgaver til andre kompatible maskiner på samme nettverk. PAIR er dermed ikke en erstatning for én kraftig maskin når én modell må få plass i ett minneområde. Det er heller en måte å utnytte flere maskiner bedre når arbeidsmengden kan deles opp.

Det er samtidig verdt å behandle ytelsestallene og den tidlige PAIR-funksjonaliteten med varsomhet. Reell gevinst vil avhenge av modellstørrelse, nettverksforsinkelse, hvilke enheter som inngår, og om agentoppgavene faktisk kan brytes ned i uavhengige forespørsler. Kildene gir heller ikke en fullstendig, autoritativ oversikt over alle spill eller alle RTX-optimaliserte modeller som vil være tilgjengelige ved lansering.