NVIDIA PAIR permette di usare più PC della stessa rete per gestire meglio carichi di AI locale, ma non trasforma due schede video in una GPU più grande e non somma la VRAM. È questa la distinzione più importante da capire prima di installarlo.
Il software, presentato da NVIDIA a IFA 2026, funziona come un router per l’inferenza: scopre i computer compatibili nella rete locale e inoltra ogni richiesta a una macchina che può eseguirla. Il vantaggio cresce quando un agente o un’applicazione genera più richieste indipendenti in parallelo. Se invece vuoi caricare un singolo modello troppo grande per la VRAM di un solo PC, PAIR non risolve quel limite.
Aggiornamento 13 ottobre 2026: NVIDIA PAIR esce dalla beta
NVIDIA ha annunciato oggi la disponibilità della versione stabile di PAIR. Il router per l’AI locale rimane gratuito e open source, ma il nuovo rilascio introduce il supporto a llama.cpp, il download diretto dei modelli da Hugging Face, impostazioni personalizzabili per i motori di inferenza e la compatibilità con RTX Spark. NVIDIA cita anche miglioramenti all’inferenza e all’esperienza d’uso. La novità riguarda il software di orchestrazione: non modifica il limite fondamentale illustrato qui sotto, perché PAIR continua a distribuire richieste fra PC e non somma la VRAM per eseguire un singolo modello più grande.
La comunicazione ufficiale NVIDIA del 13 ottobre distingue la disponibilità odierna di PAIR da altre novità previste nei giorni successivi, come il modello Nemotron 3.5 Bolt annunciato per il 15 ottobre. Per gli utenti italiani non è indicato un listino a pagamento di PAIR: è un progetto software gratuito, mentre l’hardware compatibile resta un requisito a parte.
NVIDIA PAIR in breve: cosa fa e cosa non fa
| Domanda | Risposta |
|---|---|
| Somma la VRAM di due GPU? | No |
| Divide un singolo modello fra più PC? | No |
| Divide una singola richiesta fra più GPU? | No |
| Distribuisce richieste indipendenti? | Sì |
| Può aumentare quante richieste esegui contemporaneamente? | Sì |
| Funziona con Ollama e LM Studio? | Sì |
| È disponibile su Windows, macOS e Linux? | Sì, versione stabile dal 13 ottobre 2026 |
La documentazione ufficiale di NVIDIA Personal AI Router è esplicita: ogni richiesta viene eseguita interamente su un singolo nodo. PAIR non crea memoria video condivisa e non spezza il modello fra macchine diverse.
Perché PAIR non somma la VRAM
Immagina di avere un PC con 8 GB di VRAM e un secondo PC con 12 GB. Con PAIR non ottieni un’unica GPU virtuale da 20 GB. Un modello che richiede, per esempio, più memoria di quanta ne abbia ciascun nodo continuerà a non poter essere caricato semplicemente mettendo in rete le due macchine.
PAIR lavora a un livello diverso. Se arrivano cinque richieste indipendenti, alcune possono andare al primo PC e altre al secondo. È quindi un sistema di routing e bilanciamento dei carichi, non una tecnologia di pooling della memoria video.
Questa differenza spiega anche perché aggiungere un secondo computer non rende automaticamente più veloce la risposta a un singolo prompt. Aumenta soprattutto la capacità di servire più lavori contemporaneamente.
Quando due PC diventano davvero utili
Il caso ideale è un workflow agentico. Un agente può scomporre un compito in più sotto-attività: analizzare documenti, classificare file, produrre una sintesi, controllare codice o elaborare richieste parallele. Se tutto passa da un solo server di inferenza, i lavori finiscono in coda. Con PAIR possono essere instradati verso nodi diversi.
NVIDIA descrive proprio questo scenario nel proprio annuncio ufficiale di PAIR: il software scopre i PC compatibili nella LAN, controlla la capacità disponibile e distribuisce richieste indipendenti fra i sistemi.
Per chi usa già un modello sul proprio computer, può essere utile partire dalla nostra guida su come installare LM Studio su Windows 11. PAIR non sostituisce il motore di inferenza: si posiziona davanti a strumenti come LM Studio e Ollama e decide a quale nodo inviare il lavoro.
PAIR con Ollama e LM Studio: come funziona in pratica
Ogni macchina partecipante esegue PAIR e mette a disposizione un motore di inferenza. Il software può rilevare installazioni esistenti di Ollama o LM Studio e, durante la configurazione, può anche aiutare ad avviare il motore e preparare i modelli.
Le applicazioni compatibili puntano poi all’endpoint locale di PAIR invece di parlare direttamente con un singolo PC. Il router mantiene la vista dei nodi disponibili e inoltra ogni nuova richiesta a una macchina idonea.
C’è però un dettaglio pratico: il modello deve essere disponibile sul nodo che dovrà eseguirlo. PAIR non conserva modelli in proprio e non trasferisce magicamente i pesi da una GPU all’altra al momento della richiesta.
Quali PC sono compatibili con NVIDIA PAIR
NVIDIA PAIR supporta Windows, macOS e Linux; il rilascio stabile è stato annunciato il 13 ottobre 2026. NVIDIA indica come piattaforme compatibili:
- GeForce RTX 20 Series e successive;
- RTX PRO basate su architettura Turing o più recente;
- DGX Spark;
- Mac con chip Apple M4 o successivo.
Questo significa che una rete PAIR può essere eterogenea anche a livello di sistema operativo. Non significa però che qualsiasi combinazione offra lo stesso risultato.
PC molto diversi fra loro: funziona, ma con un limite
La documentazione del progetto chiarisce un limite interessante della versione attuale. Lo scheduler considera la coda e un segnale semplificato dell’utilizzo della GPU, ma non valuta ancora in modo completo il modello di GPU, la memoria disponibile, se il modello è già caldo in memoria o quanto sarà costosa una richiesta.
Per questo NVIDIA considera oggi PAIR più adatto a nodi relativamente simili rispetto a un cluster composto da macchine molto diverse. Un PC molto potente e uno molto lento possono comunque partecipare, ma il bilanciamento non è ancora sofisticato come quello di un’infrastruttura server dedicata.
PAIR rende più veloce l’AI locale?
Dipende da cosa intendi per veloce. Se misuri il tempo di una singola richiesta, aggiungere altri PC non la divide fra più GPU e quindi non produce automaticamente più token al secondo.
Se invece hai molte richieste contemporanee, il vantaggio può essere concreto: invece di aspettare che una GPU completi il lavoro precedente, PAIR può utilizzare un altro nodo libero. Il miglioramento è quindi soprattutto sul throughput complessivo e sulla concorrenza.
Prima di aggiungere altri computer conviene anche verificare il limite reale della macchina che già possiedi. Nella guida su AI locale con 8, 16 o 32 GB di RAM abbiamo distinto memoria di sistema, dimensione dei modelli e scenari pratici.
Privacy: i dati restano davvero in casa?
Il vantaggio di base è che il routing avviene nella rete locale e l’inferenza può restare sui dispositivi dell’utente. Questo riduce la necessità di inviare prompt e documenti a un servizio cloud, ma locale non significa automaticamente sicuro.
PAIR espone endpoint HTTP locali, usa discovery nella LAN, un meccanismo di associazione con PIN e comunicazioni di cluster. NVIDIA raccomanda esplicitamente di leggere la documentazione di sicurezza prima di usarlo su reti condivise o non fidate. Una rete Wi-Fi domestica ben protetta è quindi parte del modello di sicurezza.
A chi conviene usare NVIDIA PAIR
PAIR ha senso soprattutto se possiedi già due o più computer compatibili e utilizzi workload che producono richieste parallele. È interessante per sviluppatori, agenti locali, automazioni, elaborazione batch e laboratori domestici nei quali parte della potenza resta spesso inutilizzata.
È molto meno utile se il tuo obiettivo è uno solo: far entrare un modello troppo grande nella VRAM disponibile. In quel caso servono un modello più piccolo o quantizzato, una GPU con più memoria, tecniche di offload supportate dal motore oppure una soluzione progettata realmente per distribuire un modello.
La sintesi è quindi semplice: NVIDIA PAIR non unisce le GPU, unisce la capacità di servire più richieste. Per l’AI locale multi-agente può essere una differenza importante, purché non venga confuso con un sistema capace di creare una singola GPU virtuale più grande.
Entra nella conversazione
Condividi il tuo punto di vista: non serve creare un account. I contributi restano soggetti alla moderazione editoriale.