NVIDIA PAIR exploite vos PC domestiques inactifs pour créer un cluster d’IA local et éliminer les factures de cloud à 1200€ par mois

NVIDIA dévoile PAIR, un outil logiciel capable de répartir les charges de travail d’inférence IA sur tous les ordinateurs d’un domicile. Le but est d’exploiter la puissance de calcul souvent inutilisée des PC, sans nécessiter d’achat de matériel supplémentaire.

Un potentiel de calcul inexploité à domicile

Le postulat de NVIDIA est simple : les foyers abritent une quantité importante de puissance de calcul pour l’IA qui reste dormante. Selon l’entreprise, la majorité des foyers américains possèdent plusieurs PC, dont l’utilisation moyenne quotidienne ne dépasse pas 17%, soit un peu plus de quatre heures. Cumulée et sous-utilisée, cette puissance représente environ 165 TFLOPs par foyer.

Avec une utilisation à 60% pour exécuter un modèle comme QWEN 3.8 27B, cela représente environ 120 millions de tokens inutilisés chaque jour. En termes économiques, cette puissance gaspillée équivaut à près de 1200€ par mois en crédits d’API cloud, auxquels s’ajoutent environ 120€ de coût en électricité. La majeure partie de cette puissance provient des PC de jeux, dotés de GPU dédiés conséquents. La question est de savoir comment la partager efficacement.

C’est là qu’intervient PAIR. NVIDIA le présente comme un routeur IA personnel, un simple logiciel qui répartit les tâches d’inférence entre les appareils du domicile pour maximiser leur potentiel, sans aucun matériel dédié.

Comment fonctionne-t-il ?

PAIR est un logiciel à installer sur chaque PC du foyer. L’utilisateur garde le contrôle et décide quels appareils restent connectés au réseau. Le logiciel découvre automatiquement les autres machines via le protocole mDNS, les associe via un code sécurisé à six chiffres, et établit une communication chiffrée (MTLS).

Dans une démonstration, NVIDIA montre comment une requête d’inférence entrante est distribuée à un nœud disponible sur le réseau. Le logiciel vérifie également la charge de travail du nœud. Si un PC est utilisé pour jouer, PAIR évite ce nœud et dirige la tâche vers d’autres ressources disponibles.

• Aucune nouvelle API : PAIR fait office de proxy pour les interfaces Ollama et LM Studio existantes.
• Clients élastiques : Les systèmes compatibles contribuent à la puissance de calcul quand ils sont disponibles et se retirent si besoin (mise en veille, extinction).
• Contrôle local : PAIR est conçu pour garder les requêtes, données et trafic d’inférence sur le réseau local de l’utilisateur.

Le logiciel est conscient des GPU. Il utilise le proxying via Ollama et LM Studio, éliminant toute configuration manuelle de la part de l’agent. PAIR ne partage pas de modèle ni n’utilise le parallélisme tensoriel ; il transfère simplement la requête d’inférence complète avec sa configuration vers un autre PC. Actuellement, l’ordonnancement en version bêta se base principalement sur la profondeur de la file d’attente et l’utilisation du GPU, mais NVIDIA prévoit de l’améliorer.

Compatibilité

Lors de son lancement, PAIR sera compatible avec Windows, Linux et macOS. Le logiciel sera open-source sous licence Apache 2.0. La première version sera une bêta, avec une version finale à suivre.

PAIR peut :

• Router des tâches indépendantes sur les systèmes disponibles du réseau local.
• Réduire les temps d’attente dans les files.
• Améliorer le temps de complétion pour des charges de travail parallélisables.
• Libérer le PC principal pour le jeu, la création ou d’autres tâches interactives.
• Maintenir une approche locale et familière du workflow.

PAIR ne peut pas :

• Fusionner les GPU ou regrouper la VRAM en un seul accélérateur.
• Fragmenter un modèle unique ou répartir une seule requête d’inférence sur plusieurs machines.

PAIR prend en charge tout appareil répondant aux exigences minimales d’Ollama et LM Studio. Ainsi, même un ancien portable avec un iGPU peut participer. Le logiciel fonctionne avec tous les GPU compatibles, pas seulement ceux de NVIDIA. L’entreprise a testé jusqu’à 18 appareils simultanément, mais le nombre peut être supérieur.

Pour chaque nouvelle requête, PAIR évalue plusieurs facteurs :

• Si un nœud associé est en ligne et prêt.
• Si un moteur d’inférence pris en charge est activé.
• Si le modèle demandé est présent.
• La charge de travail actuelle du nœud et du moteur.
• L’utilisation actuelle du GPU (par exemple, si une application graphique est en cours).

Les besoins réseau sont faibles, car PAIR ne transmet qu’une commande API REST (texte), ce qui n’interfère pas avec d’autres services comme le streaming.

Cas d’utilisation

NVIDIA présente trois cas d’usage principaux : les workflows multi-agents, le multitâche et le délestage système.

Pour les workflows multi-agents, prenons l’exemple d’un agent principal avec cinq sous-agents. Sans PAIR, leurs requêtes s’empilent dans la file d’attente d’un seul nœud, exécutées séquentiellement. Avec PAIR, chaque tâche de sous-agent peut être répartie sur différents nœuds du domicile (un PC portable RTX Spark, une carte RTX 5090, un DGX Spark…), permettant d’accélérer considérablement le processus.

Les résultats sont tangibles. Dans une démonstration non officielle utilisant le modèle Qwen3.6 35B A3B, un workflow à cinq sous-agents prenait en moyenne 6 minutes 18 secondes sur une seule RTX 5090. Sur un cluster PAIR avec deux RTX 5090, le temps est tombé à 3 minutes 48 secondes.

Utilisant Qwen3.6 35B A3B sur une RTX 5090, le même workflow à cinq sous-agents a pris en moyenne 6 minutes 18 secondes. Un cluster PAIR à deux appareils contenant deux RTX 5090 l’a terminé en 3 minutes 48 secondes en moyenne. Il s’agit d’une démonstration non officielle et spécifique à une configuration, et non d’un benchmark général.

Le multitâche bénéficie également de PAIR en exécutant plusieurs sessions en parallèle sur différents appareils. Enfin, le délestage système permet de rediriger un workflow d’inférence IA vers un autre appareil lorsque le PC principal est utilisé pour une activité gourmande comme le jeu, libérant ainsi ses ressources.

PAIR est une idée simple mais bien exécutée : elle exploite la puissance de calcul inutilisée que possèdent déjà la plupart des foyers, sans nouveaux boîtiers, nouvelles API ou envoi de données vers le cloud. Open-source, multiplateforme et compatible avec le matériel NVIDIA ou autre, c’est une solution pratique pour tirer un réel bénéfice IA des ordinateurs que vous possédez déjà.