NVIDIA 开源 PAIR：把家里几台电脑拼成一台本地 AI 服务器

一句话结论：NVIDIA 免费开源了 PAIR（Personal AI Router），能自动把局域网里多台电脑的空闲算力拼成一个「本地推理池」，官方实测把五智能体任务从 18 分钟压缩到 8 分 48 秒，对想在家跑本地大模型、又嫌单卡太慢的人是个实打实的利好。

AI 摘要

• 发生了什么：NVIDIA 于 9 月 7 日开源 PAIR，一个把家庭多台 PC 组成本地 AI 推理池的免费软件。
• 核心变化：本地 AI 从「单卡硬扛」变成「多设备自动组网、按空闲调度」。
• 影响对象：跑 Ollama/LM Studio 的本地 AI 玩家、小型工作室、隐私敏感用户。
• 下一步观察：RTX Spark 整机几周内上市，Hermes Agent 等工具将内置 PAIR 支持。

PAIR 到底是什么？

PAIR 全称 Personal AI Router，是一个免费开源的本地调度软件。它做的事很具体：自动发现同一局域网里装了 AI 推理服务（Ollama、LM Studio）的电脑，然后把每个独立的推理请求，路由到当前最有空闲算力的那台机器上。它不像分布式训练那样把多块 GPU「焊」成一块大加速器，而是更像一个轻量级的任务调度器——每台设备还是各跑各的，只是谁的显卡闲着，谁就接活。官方仓库 NVIDIA/Personal-AI-Router 上线几天已经拿到 900 多 star。

它解决了本地 AI 的什么痛点？

本地跑大模型有个尴尬：Agent 工作流喜欢把复杂任务拆成若干并行子任务，但家用电脑往往只有一张显卡，所有子请求抢同一块卡，性能反而掉下来。这正是 PAIR 瞄准的问题。你在单台 RTX Spark 笔记本上跑 Qwen 3.6-35 B 模拟收件箱分类，平均要 18 分钟；同样的任务摊到三台设备上（笔记本 + DGX Spark + RTX 5090 台式），8 分 48 秒就完事。对隐私敏感、不想把数据送上云的场景，这种「多台家用机凑出接近小服务器」的思路，恰好卡在本地与云端之间的空白。

效果有多好？18 分钟到 8 分 48 秒的数字可信吗？

这组数字来自 NVIDIA 自己的 benchmark，属于厂商自测，需要打个折扣看。但方向是明确的：并行子任务越多、设备越多，收益越明显。软件层面的配套也在跟上——llama.cpp 后端在 RTX 5090 上做到最高 1.9 倍吞吐（靠 kernel 优化、投机解码和更快的 prefill），vLLM 在 RTX PRO 6000 Blackwell 上 1.2 倍，双 DGX Spark 集群最高 1.4 倍。PAIR 的价值不只在「组网」，还叠加了推理引擎层面的提速。对想在家跑本地大模型的玩家，可以参考我们之前拆解的 slotstream 如何在 48 GB Mac 上跑 105 GB 的 Qwen，本地推理的瓶颈和解法其实是一体的。

哪些硬件能跑？

门槛比想象低。PAIR beta 支持 Windows、macOS、Linux 三平台，GPU 兼容 GeForce RTX 20 系列及以上、RTX PRO 工作站卡、DGX Spark，还支持 Apple M 4 芯片。想搞懂这些本地 Agent 底层的 harness 机制，可参考 learn-claude-code 17 章课程解读。哪怕你手头是几台不同年代、不同系统的旧机器，只要装了 Ollama 或 LM Studio，就能被 PAIR 拉进同一个推理池。NVIDIA 还宣布 Hermes Agent、OpenClaw、Perplexity Portable Computer 将内置简化版 PAIR 支持，等于把「多设备组网」下沉成这些本地 Agent 的默认能力。

为什么说它是「调度器」而不是「分布式训练」

理解 PAIR 的定位，能帮你判断它到底适不适合自己。分布式训练/推理（tensor parallelism）是把一个超大模型切块，分到多块 GPU 上协同算，对带宽和硬件一致性要求极高，家庭网络根本吃不消。PAIR 走的是相反的路：它不切模型，只切「请求」——每台设备完整跑自己的推理，调度器负责把独立请求分给空闲设备。优点是家庭千兆网也能用、设备可随时加入退出；缺点是对「单个超大模型」帮不上忙，你必须能在一台设备上装得下这个模型。这个区别，也是它和云上「多卡集群」不一样的地方。

这对普通用户意味着什么？

短期看，PAIR 让「家里多台电脑」第一次有了被 AI 复用的理由——尤其适合有两三台设备、又想跑中等规模开源模型的人。中期变量是 RTX Spark 整机：IFA 2026 上 NVIDIA 确认，搭载 20 核 Grace CPU + RTX Blackwell GPU、最高 128 GB 统一内存的 RTX Spark Windows PC 几周内上市，ASUS、Dell、HP、Lenovo 等厂商都会出。如果这类「AI 整机」普及，PAIR 的组网价值会被进一步放大。而本地 AI 这条线，与云端大模型（比如刚全量上线的 GPT-6 Astra 所代表的「云端超大算力」路线）并非对立，而是互补——一个赢在隐私和长期成本，一个赢在峰值能力。

智盒判断

PAIR 是本地 AI 基础设施里一块小而实的好补丁。它没有吹「重新定义」，就是老老实实解决「单卡并行子任务抢资源」的工程问题，开源、免费、跨平台、门槛低。对开发者，如果你的工作流已经绕不开本地模型，PAIR 值得花一个下午试一下；但对只用云端 API 的人，它暂时没什么吸引力。

风险与不确定性

• 性能数字是 NVIDIA 自测，缺乏第三方独立复现。
• 目前是 beta 阶段，跨设备调度的稳定性待观察。
• 依赖局域网内设备常开，家庭场景的实用性受限于设备数量与摆放。

FAQ

PAIR 是免费的吗？

是。NVIDIA/Personal-AI-Router 已开源，beta 阶段免费，支持 Windows、macOS、Linux 三平台。

我需要几台电脑才能用？

最少一台也能跑（可先体验调度逻辑），但要看到明显提速，需要 2 台及以上都装了 Ollama 或 LM Studio 的设备。

它能跑多大的模型？

PAIR 本身不切模型，模型必须能装进单台设备的显存。它的价值是把「多个独立推理请求」分摊到多台设备，而不是让单台设备跑更大的模型。

和云推理比有什么优势？

数据不离开家，隐私更好，长期成本可能更低；缺点是峰值算力远不如云端集群，也跑不动真正的大模型。

参考来源

• NVIDIA/Personal-AI-Router（GitHub README）
• gcn.com《NVIDIA releases free PAIR software to pool multiple home PCs for local AI agents》2026-09-07