TradeMAV menawarkan RAMDeck, perangkat hub yang menghubungkan komputer dan ponsel di rumah untuk menjalankan model kecerdasan buatan (AI) berukuran besar, ketika harga DDR5 melonjak. Alih-alih membeli RAM tambahan, pengguna dapat memanfaatkan memori dari beberapa perangkat sekaligus. Proyek ini tengah menggalang dana di Indiegogo, dengan harga early backer US$109.
Kampanye dengan skema fixed funding itu menargetkan US$10.000 dan dijadwalkan berakhir pada 8 November 2026. Namun, RAMDeck belum menjadi produk yang bisa langsung dibeli di pasaran. TradeMAV juga belum membeberkan spesifikasi teknis hub yang ditawarkan.
RAMDeck hadir saat harga DDR5 melonjak
TradeMAV mengaitkan proyeknya dengan tekanan harga memori. Perusahaan menyebut kit DDR5 64 GB yang pada Agustus 2025 berharga sekitar US$191 naik menjadi US$1.118 setahun kemudian. Data ritel Jerman dari 3DCenter, yang dikutip dalam laporan Telset.id, menunjukkan harga DDR5 pada pertengahan Agustus mencapai 486 persen dari level Juli 2025.
Tekanan pasokan juga diperkirakan tidak segera mereda. Samsung telah memberi tahu analis bahwa kelangkaan dapat bertahan hingga 2028, sementara chairman SK Group memperingatkan kondisi serupa bisa berlangsung sampai 2030. Situasi tersebut membuat gagasan memanfaatkan perangkat yang sudah dimiliki terasa menarik, terutama bagi pengguna yang ingin menjalankan model AI lokal.
RAMDeck dirancang untuk menyatukan perangkat Windows, Mac, Linux, dan ponsel Android ke dalam satu jaringan rumah. Dengan pembagian kerja itu, model yang terlalu besar untuk satu komputer dapat dijalankan dengan menempatkan sebagian model di masing-masing perangkat.
Yang dibagi adalah beban model, bukan RAM fisik
Istilah “pooling RAM” berpotensi memberi kesan bahwa seluruh memori perangkat melebur menjadi satu kumpulan hardware. Mekanisme RAMDeck tidak demikian. Lapisan model dibagi ke sejumlah mesin, dan setiap mesin menyimpan bagiannya di memori lokal. Data hasil antara kemudian dikirim melalui jaringan ketika sistem menghasilkan token.
Artinya, perangkat-perangkat itu bekerja bersama, tetapi memorinya tidak berubah menjadi satu RAM besar yang terpasang pada sebuah komputer. TradeMAV sendiri mengakui ada pertukaran antara kapasitas dan kecepatan: menggabungkan memori bisa membantu menjalankan model lebih besar, tetapi tidak otomatis membuat prosesnya lebih cepat.
Repositori GitHub publik perusahaan menunjukkan bahwa setiap perangkat yang berkontribusi menjalankan node agent dan server ggml RPC dari llama.cpp. Koordinator dapat mengendalikan perangkat melalui protokol standar llama.cpp RPC. Pengguna juga dapat memeriksa apakah sistem berfungsi menggunakan perintah llama-cli.
Nilai tambah yang ditawarkan TradeMAV berada pada lapisan pengelolaan di sekelilingnya. Fitur yang disebut mencakup penemuan perangkat otomatis, penempatan lapisan model dengan mendahulukan GPU cepat sebelum RAM sistem yang lebih lambat, pemulihan ketika terjadi kegagalan, dashboard, serta API yang kompatibel dengan OpenAI.
Hasil benchmark menunjukkan kompromi kecepatan
Dalam benchmark yang dipublikasikan TradeMAV, konfigurasi mini PC Beelink dengan RTX 3060 dan M4 Mac mini menghasilkan 39 token per detik saat menjalankan Qwen3-Coder 30B. Untuk varian REAP 40B dari Qwen3-Coder-Next, kecepatannya 16 token per detik. Model 7B yang mencapai 43 token per detik, menurut penjelasan perusahaan, berjalan pada RTX 3060.
Hasil untuk model dense lebih lambat. Model 27B hanya mencapai 1,92 token per detik pada empat perangkat. Sementara itu, gpt-oss-120b dari OpenAI berjalan pada 1,37 token per detik di klaster enam perangkat. Dalam konfigurasi lima mesin yang berbeda, model 120B mencapai 3,1 token per detik setelah proses inisialisasi sekitar tujuh menit.
Angka tersebut memperlihatkan batas pendekatan ini. Pooling dapat membantu pengguna menjalankan model yang sebelumnya gagal karena keterbatasan memori, tetapi tidak serta-merta menggantikan GPU dengan VRAM lebih besar. TradeMAV pun menyarankan pengguna yang mengejar performa mentah untuk mempertimbangkan GPU dengan VRAM lebih tinggi.
Alternatif gratis dan pertanyaan soal perangkat hub
Penggabungan perangkat untuk inferensi bukan gagasan baru. Perangkat lunak sumber terbuka exo dari Exo Labs, misalnya, telah menawarkan penemuan perangkat otomatis dan API lintas komputer, ponsel, serta single-board computer sejak setidaknya awal 2025. Pengguna yang terbiasa dengan terminal juga dapat mencoba llama.cpp RPC atau exo tanpa membayar perangkat hub.
Di sisi lain, Apple menawarkan pendekatan premium melalui Mac Studio M5 Ultra yang mendukung pengelompokan lewat Thunderbolt 5 dengan RDMA. Apple mengklaim empat mesin dapat menghasilkan kecepatan inferensi hingga tiga kali lipat dibandingkan satu mesin.
TradeMAV menonjolkan dukungan lintas platform, termasuk Windows dengan CUDA, Mac berbasis Apple Silicon, Mac Intel lama, Linux, dan Android. Namun, halaman perusahaan belum mencantumkan prosesor, kapasitas memori, port, maupun konsumsi daya RAMDeck. Karena itu, calon pendukung kampanye perlu menimbang nilai kemudahan orkestrasi dan dashboard dibandingkan opsi DIY yang tersedia gratis—serta mengingat bahwa kontribusi crowdfunding membiayai janji produk, bukan jaminan barang jadi.
