Nvidia PAIR : vos PC inutilisés réunis en cluster d'IA locale
Dévoilé jeudi à l'IFA 2026, Nvidia PAIR est un logiciel gratuit et open source qui répartit l'IA locale sur les PC et Mac déjà présents dans le foyer.
Nvidia a dévoilé jeudi 3 septembre, à l'occasion de l'IFA 2026 de Berlin, son Personal AI Router, ou PAIR : un logiciel gratuit et open source qui réunit les ordinateurs d'un même foyer en un cluster d'inférence d'IA locale. Malgré son nom, ce n'est pas une boîte à acheter : PAIR est un programme, publié sous licence Apache 2.0 sur GitHub.
L'idée part d'un constat de l'éditeur : plus d'un foyer américain sur deux possède au moins deux PC, et une bonne partie de cette puissance reste inutilisée une grande partie de la journée. Or les agents d'IA fonctionnent par rafales : une seule demande peut se découper en dizaines de requêtes de modèle, qui s'empilent sur la même machine pendant que le laptop du salon dort sur ses réserves.
Ce que PAIR fait vraiment, et ce qu'il ne fait pas
PAIR découvre automatiquement les machines compatibles du réseau local, puis présente aux applications un point de connexion unique, compatible avec les interfaces d'Ollama et de LM Studio. PAIR n'est pas un nouveau moteur d'inférence : Ollama ou LM Studio exécutent toujours le modèle sur chaque machine, PAIR décide seulement quelle requête part sur quel appareil.
Un PC de jeu peut se retirer du cluster quand une partie démarre, un laptop quand il part en veille, et y revenir sans réglage.
Le dépôt GitHub le dit noir sur blanc : PAIR ne mutualise pas la mémoire des GPU, ne combine pas plusieurs cartes en un GPU logique, ne distribue pas un modèle sur plusieurs machines et ne partage pas une requête en cours entre deux appareils. Les tâches très séquentielles tireront donc peu de bénéfice du dispositif.
Le matériel qu'il faut, machine par machine
Les configurations validées par Nvidia excluent les machines anciennes. Voici le détail relevé sur la page produit et les billets officiels.
| Machine | Condition requise |
|---|---|
| PC sous Windows ou Linux | GPU GeForce RTX série 20 ou plus récent |
| Station de travail | GPU RTX PRO (architecture Turing ou plus récente) |
| DGX Spark | Le système DGX Spark, basé sur la puce GB10 |
| Mac | Puce Apple M4 ou plus récente |
PAIR tourne sur Windows 11, Linux et macOS, en x64 et arm64 (Windows on ARM encore expérimental). Nvidia demande 8 Go de RAM au minimum, recommande 20 Go d'espace disque, et l'inférence tourne sans connexion, internet ne servant qu'à télécharger les modèles. Au 4 septembre, l'interface n'existe qu'en anglais.
Inutile d'installer le moteur à la main : PAIR propose de télécharger et de configurer Ollama ou LM Studio depuis son interface. Désinstaller PAIR n'efface pas les poids des modèles.
Un code à six chiffres, puis un canal chiffré
L'appairage de deux machines passe par un code à six chiffres : la machine qui invite affiche le code, l'autre le saisit pour rejoindre le cluster. Avant cette étape, toute communication entre nœuds est bloquée ; ensuite, les échanges sont sécurisés en mTLS avec des certificats générés à l'installation.
Les prompts, les fichiers et le contexte des agents restent sur le réseau domestique, un argument que Nvidia place au centre du produit. Le dépôt apporte une nuance honnête : cette promesse vaut quand tous les maillons de la chaîne (clients, sources de modèles, moteurs, nœuds) sont locaux.
Hermes, OpenClaw et Perplexity s'installent en un clic
L'annonce dépasse le seul PAIR. Nvidia, Microsoft et leurs partenaires ont précisé à l'IFA que trois applications d'agents vont offrir une installation locale simplifiée sur les GPU Nvidia sous Windows : Hermes Agent (développé par Nous Research), OpenClaw (plus de 380 000 étoiles sur GitHub, selon Nvidia) et Perplexity Portable Computer. Objectif affiché : détecter le GPU, choisir un modèle et le lancer en quelques clics.
Vos appareils sont plus forts ensemble. 🖥️🤝🖥️ Tout juste annoncé à l'IFA, NVIDIA PAIR relie automatiquement les systèmes de votre réseau local et envoie les requêtes d'inférence là où de la capacité est disponible, pour aider les agents à fonctionner plus efficacement.Voir le post sur X
En point presse, le chef de produit Nvidia Seth Schneider a brossé le tableau d'une maison bien équipée (un laptop RTX Spark et un DGX Spark, un laptop RTX 5090, un PC de jeu, un MacBook Pro) : environ 165 téraflops de puissance dormante, même en tenant compte du coût de l'électricité.
C'est vraiment un trésor de tokens gratuits qui dort aujourd'hui dans les foyers.Seth Schneider, chef de produit Nvidia, en point presse (via The Verge)
Dans une démonstration de Nvidia, cinq sous-agents Hermes demandaient 18 minutes sur un seul laptop RTX Spark, contre 8 minutes et 48 secondes sur un cluster de trois machines, une démonstration ponctuelle selon l'éditeur, pas un benchmark général. Le contrepoint vient de CNET, pour qui PAIR est une solution intelligente à un problème que beaucoup d'usagers n'ont pas, du moins pas encore.
Ce que ça change pour un foyer français
Les chiffres de Nvidia sont américains, mais sa configuration la plus réaliste est modeste : un laptop (Mac ou Windows) et un PC de jeu forment déjà un cluster de deux nœuds.
PAIR ne remplace pas non plus le choix du modèle. Notre guide sur le Mac Studio ou notre couverture de l'investissement de Nvidia dans Hugging Face montrent que l'écosystème des modèles locaux est déjà riche. PAIR ajoute la couche de la répartition. Avec la fiche LM Studio et Ollama, deux des moteurs supportés dès le lancement, on peut commencer sur une machine et étendre ensuite.
Questions fréquentes
Nvidia PAIR est-il gratuit ?
Oui. Nvidia le décrit comme un outil gratuit et open source, publié sous licence Apache 2.0 sur GitHub.
PAIR remplace-t-il un gros GPU ?
Non. PAIR ne fusionne ni les GPU ni leur mémoire : chaque requête est exécutée par une seule machine, du début à la fin.
Quels appareils sont compatibles ?
Les GPU GeForce RTX série 20 et plus récents, les stations RTX PRO, le DGX Spark et les Mac à puce M4 ou plus récente, avec 8 Go de RAM minimum.
Mes données restent-elles chez moi ?
C'est l'objectif affiché : prompts, fichiers et contexte des agents restent sur le réseau local, à condition que tous les maillons de la chaîne soient locaux.
