NVIDIA avanzó en el ecosistema de IA local con el Personal AI Router (PAIR) y la plataforma RTX Spark, que combina una GPU Blackwell y una CPU Grace en un superchip con hasta 128 GB de memoria unificada y 1 petaflop de rendimiento FP4. Socios como Lenovo y Acer preparan PCs compactos, y desarrolladores de juegos como EA, Embark Studios y Ubisoft anunciaron soporte de títulos en la plataforma.
¿Qué pasó?
Durante y después de la IFA 2026, NVIDIA detalló herramientas para ejecutar agentes de IA localmente. PAIR es software open-source que descubre PCs compatibles en la red doméstica (RTX serie 20 o más recientes, DGX Spark, RTX Spark y Mac M4+) y distribuye solicitudes de inferencia entre ellos sin cambiar el harness del agente. Funciona con Ollama, LM Studio y ahora tiene soporte para llama.cpp.
En una demostración oficial, una carga de cinco subagentes tardó unos 18 minutos en un solo portátil RTX Spark y 8 minutos y 48 segundos en un clúster de tres dispositivos. Las optimizaciones de llama.cpp y vLLM prometen hasta 1,9x de velocidad en inferencia local. Modelos abiertos más grandes, incluidos Nemotron 3.5 y Qwen, ganaron soporte.
¿Por qué importa?
La propuesta reduce la dependencia de la nube para agentes, mejora la privacidad y aprovecha hardware ocioso en casa. RTX Spark se posiciona como un PC Windows compacto que une creación, desarrollo de IA y gaming con ray tracing y DLSS, diferenciándose de la experiencia Mac en ciertas cargas.
El soporte de publishers grandes amplía el atractivo más allá de desarrolladores y entusiastas de IA. Las funciones de gestión en la NVIDIA App permiten asignar la GPU entre apps en primer plano y agentes en segundo plano.
¿Qué cambia en la práctica?
Los usuarios con múltiples PCs RTX pueden montar un clúster local sin comprar hardware dedicado adicional. Los desarrolladores ganan un camino más simple hacia agentes locales y modelos más grandes. Los jugadores en RTX Spark tendrán acceso a títulos optimizados de estudios conocidos, aunque el soporte completo depende de cada lanzamiento.
PAIR no divide un modelo único entre GPUs; enruta solicitudes independientes. Los resultados de rendimiento varían según el modelo, el hardware y el paralelismo de la carga.
Crédito de la imagen: NVIDIA | Fuente: blogs oficiales de NVIDIA y cobertura de la IFA 2026
Por Grok
