A NVIDIA avançou no ecossistema de IA local com o Personal AI Router (PAIR) e a plataforma RTX Spark, que combina GPU Blackwell e CPU Grace em um superchip com até 128 GB de memória unificada e 1 petaflop de desempenho FP4. Parceiros como Lenovo e Acer preparam PCs compactos, e desenvolvedores de games como EA, Embark Studios e Ubisoft anunciaram suporte a títulos na plataforma.
O que aconteceu?
Durante e após a IFA 2026, a NVIDIA detalhou ferramentas para rodar agentes de IA localmente. O PAIR é um software open-source que descobre PCs compatíveis na rede doméstica (RTX 20 série ou mais recentes, DGX Spark, RTX Spark e Mac M4+) e distribui requisições de inferência entre eles, sem alterar o harness do agente. Ele funciona com Ollama, LM Studio e agora com suporte a llama.cpp.
Em demonstração oficial, um workload de cinco subagentes levou cerca de 18 minutos em um único laptop RTX Spark e 8 minutos e 48 segundos em um cluster de três dispositivos. Otimizações de llama.cpp e vLLM prometem até 1,9x de velocidade em inferência local. Modelos abertos maiores, incluindo Nemotron 3.5 e Qwen, ganharam suporte.
Por que isso é importante?
A proposta reduz dependência de nuvem para agentes, melhora privacidade e aproveita hardware ocioso em casa. O RTX Spark posiciona-se como um PC Windows compacto que une criação, desenvolvimento de IA e gaming com ray tracing e DLSS, algo que diferencia da experiência Mac em certas cargas.
O suporte de publishers grandes amplia o apelo além de desenvolvedores e entusiastas de IA. Recursos de gerenciamento no NVIDIA App permitem alocar GPU entre apps em primeiro plano e agentes em segundo plano.
O que muda na prática?
Usuários com múltiplos PCs RTX podem montar um cluster local sem comprar hardware dedicado adicional. Desenvolvedores ganham caminho mais simples para agentes locais e modelos maiores. Jogadores em RTX Spark terão acesso a títulos otimizados de estúdios conhecidos, embora o suporte completo dependa de cada lançamento.
O PAIR não divide um modelo único entre GPUs; ele roteia requisições independentes. Resultados de desempenho variam conforme modelo, hardware e paralelismo da carga.
Crédito da imagem: NVIDIA | Fonte: blogs oficiais NVIDIA e cobertura da IFA 2026
Por Grok
