NVIDIA опубликовала открытый инструмент PAIR, который превращает простаивающие персональные компьютеры в распределённый вычислительный узел для задач искусственного интеллекта. Утилита распространяется бесплатно и подразумевает самостоятельное развёртывание на машинах участников.
PAIR работает по той же логике, что и сети добровольных вычислений вроде Folding@home или BOINC: пользователи добровольно отдают часть ресурсов своих компьютеров, когда те не заняты основной работой. Разница в специализации — система изначально спроектирована под нагрузки ИИ: инференс и обучение моделей, обработку данных и другие связанные задачи.
Принцип работы сводится к тому, что задача разбивается на фрагменты и отправляется разным участникам сети. Каждый компьютер обрабатывает свой кусок и возвращает результат координатору, который собирает итог. За счёт параллельного исполнения общее время расчёта сокращается, а владелец машины почти не замечает нагрузки — ресурсы подключаются только в моменты простоя.
Для NVIDIA это часть более широкой стратегии по демократизации доступа к вычислениям. Мощные ускорители для ИИ остаются дорогими и дефицитными, а спрос растёт — особенно у исследователей, небольших команд и энтузиастов, которым не по карману аренда серверов в облаке. Распределённая сеть из обычных ПК теоретически позволяет получить сопоставимый объём вычислений без закупки железа.
Открытый исходный код даёт ещё одно преимущество: энтузиасты и организации могут адаптировать PAIR под собственные сценарии — например, запускать на нём конкретные модели, менять политики распределения или встраивать утилиту в уже существующие пайплайны. Дополнительных ограничений, кроме общих для open-source проектов, разработчик не описывает.
Практический эффект для индустрии зависит от того, сколько людей реально подключат машины к сети. В добровольных вычислениях ключевой фактор — массовость: даже тысяча слабых ПК не заменит один серьёзный кластер. Тем не менее для задач, которые хорошо параллелятся и не требуют сверхбольших моделей, накопленного пула может хватить. Кроме того, распределённый подход снижает зависимость от крупных облачных провайдеров и даёт исследователям альтернативу при дефиците GPU.
Исходный код и сопутствующая документация опубликованы на GitHub — там же описаны требования к оборудованию и сценарии использования. Утилита работает на Windows и Linux.
