มีคอมพิวเตอร์หลายเครื่องอยู่ในบ้าน แต่บางเครื่องไม่ได้ใช้งานเต็มกำลัง? NVIDIA กำลังหาวิธีเปลี่ยนพลังที่เหลือเหล่านั้นให้กลายเป็นกำลังประมวลผลสำหรับ AI ด้วย Personal AI Router หรือ PAIR (แพร์) ซอฟต์แวร์แบบ Open Source ที่สามารถกระจายงาน Local AI ไปยังคอมพิวเตอร์หลายเครื่องภายในเครือข่ายเดียวกันได้
หลักการทำงานของ PAIR ค่อนข้างตรงไปตรงมา
ซอฟต์แวร์จะตรวจสอบว่าเครื่องใดกำลังว่างและพร้อมรับงาน จากนั้นจึงส่งงาน AI ไปประมวลผลบนเครื่องนั้นโดยอัตโนมัติ เช่น หากคอมพิวเตอร์หลักกำลังเล่นเกมหรือใช้ GPU ทำงานหนัก แพร์ ก็สามารถหลีกเลี่ยงเครื่องดังกล่าวและส่งงานไปยังโน้ตบุ๊กหรือพีซีอีกเครื่องที่ว่างกว่าแทน
อย่างไรก็ตาม แพร์ ไม่ได้ทำงานด้วยการนำการ์ดจอหลายใบมารวมเป็น GPU ขนาดใหญ่ และไม่ได้รวม VRAM ของแต่ละเครื่องเข้าด้วยกัน ดังนั้นการมี RTX 5070 สองเครื่องไม่ได้หมายความว่าจะกลายเป็น GPU ตัวเดียวที่มี VRAM เพิ่มเป็นสองเท่า แต่ละงานยังถูกส่งไปประมวลผลบนเครื่องใดเครื่องหนึ่งตั้งแต่ต้นจนจบ
ประโยชน์อยู่ที่งานประเภทที่สามารถ
แบ่งออกเป็นหลายงานย่อยและประมวลผลพร้อมกัน ได้ เช่น การใช้งาน AI Agent หลายตัว หรือการรันงาน AI หลายชุดในเวลาเดียวกัน ซึ่งเป็นรูปแบบงานที่สามารถใช้ประโยชน์จากคอมพิวเตอร์หลายเครื่องได้มากกว่า
อย่างไรก็ตาม NVIDIA ระบุว่าตัวเลขดังกล่าวเป็น เดโมจากระบบชุดหนึ่ง ไม่ใช่ Benchmark มาตรฐาน จึงไม่ควรนำไปตีความว่าการเพิ่มจำนวนเครื่องจะทำให้ทุกงานเร็วขึ้นในสัดส่วนเดียวกัน
ในช่วงเปิดตัว แพร์ รองรับแพลตฟอร์ม Ollama และ LM Studio และสามารถเชื่อมต่อคอมพิวเตอร์ที่ใช้ Windows, Linux และ macOS เข้าด้วยกันได้ โดยฮาร์ดแวร์ที่ NVIDIA ระบุว่ารองรับในขณะนี้ ได้แก่ GeForce RTX 20 Series ขึ้นไป, RTX PRO สถาปัตยกรรม Turing ขึ้นไป, DGX Spark และ Mac ที่ใช้ชิป M4 ขึ้นไป
อีกประเด็นที่น่าสนใจคือการจัดการข้อมูล แพร์ ถูกออกแบบให้การสื่อสารระหว่างเครื่องเกิดขึ้นภายในเครือข่าย โดยหากโมเดลและบริการทั้งหมดทำงานแบบ Local ก็ไม่จำเป็นต้องส่งข้อมูลขึ้น Cloud ขณะที่การเชื่อมต่อระหว่างเครื่องหลังจากจับคู่กันแล้วได้รับการป้องกันด้วย mTLS หรือระบบรักษาความปลอดภัยสำหรับการสื่อสารระหว่างเครื่อง
ปัจจุบัน แพร์ ยังอยู่ในสถานะ Beta และระบบ Scheduler ยังไม่ได้ฉลาดถึงขั้นวิเคราะห์ทุกปัจจัย เช่น รุ่น GPU, VRAM ที่เหลืออยู่ หรือความซับซ้อนของคำสั่งแต่ละงาน ทำให้การนำเครื่องที่มีประสิทธิภาพแตกต่างกันมากมารวมกันอาจไม่ได้ช่วยลดเวลาอย่างเห็นได้ชัดในทุกกรณี
tags : nvidia
