انویدیا در IFA 2026 ابزار جدیدی معرفی کرد که کارتهای گرافیک بیکار در شبکهٔ خانگی را به یک کلاستر محلی برای اجرای عاملهای هوش مصنوعی تبدیل میکند. Personal AI Router (PAIR) زیروظایف یک عامل محلی را بین سیستمهایی که چرخههای GPU آزاد دارند توزیع میکند تا از بارگذاری تمام وظایف روی یک کارت جلوگیری شود.
چگونه PAIR عملکرد را تقسیم میکند
وقتی یک عامل محلی هدفی تعیین میکند، معمولاً به چند زیروظیفه تقسیم میشود. اجرای همزمان همهٔ زیروظایف روی یک GPU باعث رقابت منابع و کندی میشود؛ PAIR هر زیروظیفه را به یکی از گرههای شرکتکننده میسپارد و نتایج را به گرهٔ اصلی بازمیگرداند. این رویکرد برای پردازشهای بلندمدت و موازی مناسب است، هزینهٔ استفاده از سرویسهای ابری را کاهش میدهد و امکان حفظ بهتر حریم خصوصی را فراهم میکند.
پراکسی برای فرانتاندهای متداول
برای هماهنگی بین گرهها، PAIR پراکسیای فراهم میکند که با فرانتاندهایی مثل Ollama سازگار است؛ همچنین با ابزارهایی مانند LM Studio کار میکند تا برنامههای محلی بتوانند بدون تغییر ساختار زیاد به کلاستر متصل شوند.
انعطافپذیری و مدیریت منابع
PAIR از سیستمهای دیگر ظرفیت از پیش رزروشده نمیگیرد. اگر صاحب یک رایانهٔ شریک برای بازی یا کار خلاقانه به GPU نیاز داشته باشد، PAIR بهصورت نرم منابع را آزاد میکند و وظایف را مجدداً برنامهریزی میکند. این قابلیت تضمین کیفیت خدمت بلادرنگ را از بین میبرد، ولی برای پردازشهای پسزمینه و کارهای غیرزمانی گزینهای عملی و اقتصادی است.
نیازمندیها و سازگاری
- پشتیبانی سختافزاری: دستگاههایی مانند DGX Spark یا GB10، کارتهای GeForce RTX سری 20 یا جدیدتر و مکهایی با پردازندهٔ سری M4 یا جدیدتر برای استنتاج.
- سیستمعامل: کلاینت PAIR برای Windows، macOS و Linux عرضه خواهد شد.
- نصب: گرههای شرکتکننده باید Ollama یا LM Studio را اجرا کنند و کلاینت PAIR نصب شده باشد؛ کشف گرهها از طریق mDNS یا ارتباط مستقیم IP انجام میشود.
مدلها و انعطافپذیری دانلود
PAIR میتواند دانلود مدلها را بین گرههای شرکتکننده توزیع کند، اما نیازی نیست همهٔ گرهها یک مدل واحد داشته باشند. هرچه تعداد گرههایی که یک مدل خاص را نگهداری میکنند بیشتر باشد، اجرای آن نوع درخواست بین گرهها سادهتر و کارآمدتر خواهد شد.
موارد کاربرد و محدودیتها
موارد مناسب: پروژههای پژوهشی خانگی، توسعهٔ محلی مدلها، پردازش دستهای طولانی و اجرای آزمایشی گلهٔ عاملها بدون وابستگی همیشگی به ابر. محدودیتها: کیفیت خدمت تضمینشده نیست و برای بارهای حساس با ضربالاجل سخت مناسب نمیباشد. همچنین باید مدیریت امنیت و دسترسی در شبکهٔ خانگی به دقت پیادهسازی شود.
نکات امنیتی و حریم خصوصی
اجرای محلی PAIR امکان نگهداری مدلها و دادهها در شبکهٔ خانگی را فراهم میکند، اما اشتراک منابع بین چند دستگاه نیازمند توجه به سطوح دسترسی و اعتماد بین اعضای شبکه است. بررسی تنظیمات شبکه، بهروزرسانی منظم نرمافزار و محدود کردن دسترسی به مدلها ضروری است.
جمعبندی و چشمانداز
PAIR با بهرهگیری از چرخههای بیکار GPU در محیطهای کوچک، بار روی یک گره را کاهش میدهد و هزینهٔ استفاده از ابر را کمتر میکند. در خانهها یا مراکزی که چند سیستم دارای GPU وجود دارد، این رویکرد میتواند تجربهٔ توسعه و اجرای محلی عاملها را بهبود دهد. برای اطلاعات رسمی معرفی در نمایشگاه IFA به وبسایت IFA مراجعه کنید: IFA و برای جزئیات فنی به وبسایت انویدیا: NVIDIA.
