Elige un compañero y descubre su opinión sobre esta noticia
Artículos relacionados
Nvidia ha lanzado Personal AI Router (PAIR), una herramienta de software gratuita y de código abierto que conecta varios ordenadores de tu red doméstica en un grupo de inferencia local compartido, permitiéndote ejecutar modelos de lenguaje e imagen más grandes de lo que cualquier máquina individual podría gestionar por sí sola.
Puntos clave
PAIR es software, no hardware. A pesar de su nombre, es una aplicación de código abierto, no un router de red físico.
Funciona con Ollama y LM Studio, dos de los ejecutores de modelos locales más utilizados por los creadores de arte con IA en la actualidad.
Las máquinas inactivas aportan cómputo. Un portátil enchufado pero sin uso puede ceder ciclos de GPU y CPU a una tarea de inferencia más exigente que se ejecute en otra máquina.
Sin tarifas en la nube ni datos que salgan de tu red. Toda la inferencia permanece en local, algo importante para los creadores que trabajan con estilos propietarios o imágenes de referencia sensibles.
Las GPU RTX tienen prioridad en la planificación, aunque la herramienta también puede utilizar máquinas solo con CPU como nodos secundarios.
Cómo PAIR distribuye la inferencia entre máquinas
PAIR actúa como una capa de orquestación local: un software que se sitúa entre tu ejecutor de modelos (Ollama, LM Studio o un endpoint de API compatible) y los propios modelos. Cuando envías un prompt, PAIR comprueba qué máquina conectada dispone de cómputo disponible y le asigna la tarea, o la divide entre varios nodos si el modelo lo permite. Piensa en él como un director de tráfico para los ciclos de GPU no utilizados de tu red doméstica.
Las implicaciones prácticas para los creadores de arte con IA son significativas. Ejecutar hoy en local un modelo de texto de 70 000 millones de parámetros requiere normalmente una GPU con 40 GB o más de VRAM —hardware costoso— o aceptar una generación lenta basada únicamente en CPU. PAIR permite a un creador que disponga, por ejemplo, de un escritorio con RTX 4070 y un portátil más antiguo con RTX 3060 combinar sus presupuestos de VRAM, haciendo accesibles tamaños de modelos que antes eran inviables sin necesidad de pagar una factura de API en la nube.
Interfaz gráfica de Nvidia PAIR que muestra las máquinas domésticas conectadas y el enrutamiento de inferencia activo.
Qué significa en la práctica la integración con Ollama y LM Studio
Tanto Ollama como LM Studio exponen un endpoint de API local compatible con OpenAI —una interfaz estandarizada con la que ya pueden comunicarse muchos pipelines de generación de imágenes y herramientas de prompts—. PAIR se integra en esa misma capa, por lo que cualquier flujo de trabajo ya apuntado a un servidor Ollama local debería funcionar con PAIR delante sin necesidad de reescribir prompts ni cambiar las configuraciones de los modelos. La transición se parece más a un cambio de ajustes que a una revisión completa del flujo de trabajo.
Un prompt enrutado a través de PAIR hacia el modelo Hermes, mostrando cómo la herramienta distribuye la tarea de inferencia.
Para los creadores que ejecutan pipelines de generación de imágenes que utilizan un LLM local para la expansión de prompts o el refinamiento de descripciones —un patrón habitual en los flujos de trabajo de ComfyUI— esto podría significar una respuesta más rápida en ese paso de preprocesamiento, ya que la GPU de una segunda máquina se encarga de él mientras la GPU principal permanece centrada en la difusión.
Según The Verge, PAIR también admite MacBooks como nodos, lo que amplía el conjunto de máquinas que un creador ya podría tener y puede incorporar al clúster.
La arquitectura de Nvidia PAIR, que ilustra cómo el escritorio, el portátil y otros dispositivos forman un grupo de cómputo local unificado.
Contexto del hardware RTX y lo que deben saber los usuarios que no tienen Nvidia
Nvidia optimiza de forma natural la planificación de PAIR para sus propias GPU RTX —la misma familia de hardware tratada en el lanzamiento de Nvidia DLSS 5 a principios de este año—. Las tarjetas RTX se benefician de la inferencia acelerada por CUDA, por lo que procesarán tokens y latentes más rápido por vatio que los nodos basados únicamente en CPU. Dicho esto, las máquinas sin GPU no quedan excluidas; se unen al grupo como colaboradores de menor prioridad, lo que resulta útil para descargar tareas de preprocesamiento más pequeñas.
Los usuarios de GPU AMD e Intel se encuentran en una posición menos clara. La naturaleza de código abierto de PAIR significa que podrían surgir controladores de la comunidad para ROCm u OpenCL, pero Nvidia no ha confirmado compatibilidad oficial con arquitecturas de GPU de la competencia en el lanzamiento.
Para los creadores que ya exploran la ejecución de modelos en local a través de las guías de Charmloop, PAIR representa un camino concreto para escalar sin necesidad de adquirir nuevo hardware. El límite de lo que puedes ejecutar en local acaba de desplazarse —hasta dónde depende de cuántas máquinas tengas inactivas en tu red.
