NVIDIA PAIRとは？複数PCのOllama・LM Studioへ推論を振り分ける仕組み

NVIDIA PAIR（Personal AI Router）は、同じローカルネットワーク上にある複数のPCやMacへ、ローカルAIの独立した推論要求を振り分けるソフトウェアだ。

NVIDIAが2026年9月3日に発表したベータ版では、Windows、Linux、macOSの対応マシンを接続し、OllamaまたはLM Studioで処理する推論要求を利用可能なマシンへ割り当てられる。

PAIRは複数GPUのVRAMを合算する仕組みではない。1つのモデルを複数PCへ分割する機能もなく、1回の推論を複数PCにまたがって処理することもない。

1つの推論要求は、条件を満たす1台へ割り当てられ、そのマシン上のOllamaまたはLM Studioが最後まで処理する。PAIRで増やせるのは、1モデルに使えるメモリ容量ではなく、複数の独立した推論を同時に処理できる余地である。

PAIRが向く環境

利用状況	PAIRとの相性	理由
デスクトップとAI用ノートなど、対応PCが複数ある	高い	空いているマシンへ別の推論要求を回せる
複数のAIエージェントやサブエージェントを並列実行する	高い	同時に発生する推論要求を別々のマシンへ割り当てられる
OllamaやLM Studioをすでに利用している	高い	公開時点で両方が対応する推論バックエンドに含まれる
メインPCのGPUをゲームや制作にも使う	条件次第で有効	GPU負荷の低い別マシンを推論先にできる
32GB GPUを2台使い、60GB級のモデルを1回の推論で動かしたい	向かない	VRAMの合算やモデル分割は行わない
1つの長い生成だけを高速化したい	効果が小さい	1回の推論は1台の中で完結する
PCが1台しかない	利点が少ない	振り分け先そのものを増やせない

GPUを追加する場合も、PAIRを前提にVRAMを単純合算することはできない。ローカルAI向けGPUは16GB・24GB・32GBのどれを選ぶ？で、まず1台のPCが必要なモデルを実行できる容量を確保する必要がある。

推論要求は1台ずつ割り当てられる

アプリやAIエージェントから送られた要求は、PAIRのAPIを経由して処理可能なマシンへ振り分けられる。実際のモデル実行を担当するのはPAIR自身ではなく、そのマシン上のOllamaまたはLM Studioだ。

公式資料では、新しい要求を割り当てる際に、接続したマシンや推論ソフトの状態を確認する仕組みが説明されている。主な判断材料は次の通りだ。

• マシンがオンラインで、新しい要求を受けられるか
• 必要な推論ソフトが有効になっているか
• 指定されたモデルがそのマシンに存在するか
• 現在処理しているジョブ数などの負荷
• GPU使用率

同じモデルを複数台に置けば、そのモデルを処理できる候補が増える。一方、あるモデルが1台にしかない場合、そのモデルを指定した要求の振り分け先は実質的にその1台へ限られる。

メインPCでゲームや映像処理を始めてGPU負荷が高くなったとき、新しいAI処理を別の空いているマシンへ回す、といった使い方もPAIRの設計に合う。

複数PCで短縮できるのは並列処理がある場合

NVIDIAはPAIRの技術ブログで、Hermes Desktopが5つのサブエージェントを動かすデモを公開している。Qwen 3.6 35B A3Bを使った同社の測定では、RTX Spark搭載ノートPC 1台で平均18分だった処理が、RTX Spark搭載ノートPC、DGX Spark、RTX 5090搭載PCの3台構成では平均8分48秒になった。

この数値は特定構成でのデモであり、一般的な性能倍率や台数に比例した高速化を示すものではないこともNVIDIA自身が明記している。

処理時間が短くなった理由も、1回のQwen推論を3台へ分割したためではない。Hermesから発生した複数の独立した推論要求を、それぞれ別のマシンで並行処理できたためだ。

PAIRの効果が出やすいのは、複数の推論要求が重なる環境になる。

• 複数のサブエージェントが同時にLLMへ問い合わせる
• コーディングAgentを複数セッション並行で動かす
• 複数端末から同じローカルAI環境を利用する
• メインPCで別のGPU処理をしながらローカルLLMも使う
• モデルごとにPCの役割を分けている

1つのプロンプトを送り、長い回答が終わるまで次の要求を出さない使い方では、PAIRが利用できる並列性が少ない。

32GB + 32GBでも64GB VRAMにはならない

VRAM 32GBのGPUを2台用意しても、PAIRから64GBの1枚GPUとして扱えるわけではない。

PAIRの公式リポジトリでは、次のような処理を行わないことが明記されている。

• 複数GPUのメモリをまとめて1つの大きなGPUメモリとして扱う
• 1つのモデルを複数マシンへ分割する
• 実行中の1回の推論を複数マシンへ分割する

そのため、たとえば約50GBの重みをGPUメモリ上へ置く必要があるモデルは、32GB GPUを2台PAIRで接続しただけでは収まらない。要求を受けた1台が、そのモデルを単独で実行できる構成を持つ必要がある。

モデルの重みを量子化して必要メモリを下げる処理はAIの量子化とは？なぜVRAMが減り、なぜ品質に影響するのかで扱っている。PAIRが担当するのは、その後の「独立した推論要求をどのマシンで処理するか」という部分になる。

PAIRの8GB RAM要件はモデルの必要メモリではない

NVIDIAの製品ページでは、PAIR自体のシステム要件として8GB以上のRAMが示されている。

この8GBは、ローカルLLMのモデルを実行するための共通最低メモリではない。公式リポジトリでも、PAIRを動かすための要件と、OllamaやLM Studioでモデルを実行するための要件は分けて扱われている。

各マシンでは、次の2点を別々に確認する必要がある。

1. PAIRへ参加できるOS・ハードウェア条件を満たしているか
2. そのマシン単独で、割り当てたいモデルをOllamaまたはLM Studioから実行できるか

GPUやRAMを新しく用意する場合は、PAIR本体の8GBではなく、2番目のモデル実行条件が容量選びの基準になる。

対応ハードウェアとOS

2026年9月5日時点のNVIDIA公式情報では、PAIRの主な対象ハードウェアとして次が案内されている。

• GeForce RTX 20シリーズ以降
• RTX PROワークステーションGPU
• DGX Spark / GB10
• Apple M4以降

ベータ版はWindows、Linux、macOS向けに提供され、公式リポジトリではx64とArm64を扱う。Windows on Armは実験的対応とされている。

PAIRへ参加できることと、そのマシンが目的のモデルを十分な速度で動かせることは別の条件になる。古いRTX搭載PCでもPAIRへ追加できる場合はあるが、重いモデルを単独で実行できなければ、そのモデルの処理先にはならない。小さいモデルや軽量なエージェント処理であれば、性能の低いサブPCにも役割を持たせやすい。

Ollama・LM Studioを置き換えるソフトではない

PAIRはOllamaやLM Studioの代替となる推論ランタイムではない。公開時点では、OllamaとLM Studioを実際のモデル実行に使い、その手前で推論要求を振り分ける構成になっている。

公式リポジトリではOllama互換APIとOpenAI互換APIを使う接続方法が案内されている。既存アプリがこれらのAPIへ接続している場合、アプリごとに独自の複数PC対応を実装するのではなく、PAIRのAPIを入口にする形を取れる。

AIエージェント / アプリ
        ↓
      PAIR
        ↓
  推論先を選択
   ├─ PC A → Ollama → モデルA
   ├─ PC B → Ollama → モデルA
   └─ PC C → LM Studio → モデルB

同じモデルAをPC AとPC Bの両方に置けば、どちらも処理候補になる。モデルBがPC Cにしかない場合、モデルBを指定した要求はPC Cで処理される。

セットアップは各PCへモデルを置いてから接続する

公式リポジトリの基本的な流れは次のようになっている。

1. 対応する各マシンへPAIRをインストールする
2. PAIRからOllamaまたはLM Studioを有効にする
3. 利用するモデルを各マシンへ配置する
4. 2台目以降を同じローカルネットワーク上で接続する
5. AIエージェントやアプリの接続先をPAIRのAPIへ向ける
6. Jobsやmetrics画面で、どのマシンへ処理されたか確認する

近くの対応マシンはmDNSで検出でき、IPアドレスを指定して追加する方法も用意されている。接続時にはユーザー承認が必要で、NVIDIAはマシン間通信にmTLSと生成した証明書を利用すると説明している。

PAIR自体がローカル推論を前提としていても、組み合わせるAIエージェント、Web検索、MCP、外部APIなどが通信すれば、その部分までオフラインになるわけではない。機密情報を扱う場合は、PAIRだけでなく処理全体の外部通信を確認する必要がある。

2台目のPCはPAIRのためだけに買う必要はない

すでに複数のPCやMacを持ち、一部のGPUが空いている時間が長い環境では、PAIRを導入することで既存の計算資源を再利用できる。

一方、これからローカルAI用PCを1台目から用意する場合は、先に必要なモデルを単独で実行できる構成を確保した方が選択肢を広げやすい。

同じ予算で16GB GPU搭載PCを2台用意する構成と、24GBまたは32GB GPUを1台用意する構成では、後者の方が1回の推論で扱えるモデルの範囲が広くなる場合がある。PAIRを導入しても、このVRAM容量の差は解消されない。

PCそのものを新調する段階では、ローカルAI用PCはBTOと自作どっち？費用・保証・拡張性で選ぶも含め、まず1台目の構成を決める方が優先度は高い。

2台目以降の価値が上がるのは、次のような条件が実際に出てからになる。

• 同時に複数のAIエージェントを動かす
• 推論待ちのキューが頻繁に発生する
• 既存のサブPCやMacを再利用できる
• モデルごとに実行するPCを分けたい
• メインPCのGPUを制作やゲームにも残したい

PAIRと複数GPU推論は役割が違う

方式	複数GPU・PCの使い方	1つの大きなモデルへの効果
PAIR	独立した推論要求を別のマシンへ振り分ける	原則なし。1回の推論は1台で完結する
1台の複数GPU対応ランタイム	モデルの層やテンソルなどを同じPC内の複数GPUへ分割する	ランタイムとモデルが対応すれば有効
CPU・RAMへのオフロード	一部の重みや処理をシステムRAM・CPU側へ移す	GPU VRAM不足を補える場合がある
高VRAM GPU 1台	1枚のGPUへより大きなモデルを載せる	モデルをGPU内へ収められる範囲を直接広げやすい

PAIRは分散処理の一種ではあるが、目的はモデル並列ではなく、独立した推論要求を複数マシンへ振り分けることにある。

ベータ版では対応範囲の変化に注意

2026年9月5日時点ではPAIRはベータ版で、公式GitHubの最新リリースはv0.1.1となっている。v0.1.1はソースからのビルド周辺を修正したリリースで、公開済みのv0.1.0インストーラーとは機能上同等と説明されている。

対応する推論ソフト、振り分け方式、ハードウェア条件、画面、セキュリティ仕様は今後変わる可能性がある。

現行仕様でPAIRが解決するのは、1台では足りないVRAMではなく、複数マシンに分散できる同時推論の待ち時間と遊休計算資源である。複数PCをすでに持ち、独立した推論が重なる環境では導入候補になる。