微软正在探索一种利用普通消费者电脑闲置算力训练人工智能模型的方式。根据近日公开的一份专利申请，微软提出建立一个分布式计算网络，将大型AI模型训练任务拆分成大量小型任务，分配给处于空闲状态的游戏电脑、笔记本电脑，甚至智能手机。愿意提供设备算力的用户，则可能获得积分、免费软件、AI模型使用权限，甚至现金报酬。
[Ran/D\. 
/!p}H'jl 这项技术名为“利用闲置GPU资源在边缘设备上进行机会式微型训练”（Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization），由微软技术授权公司Microsoft Technology Licensing提交。专利申请于2025年4月30日提交，并于2026年11月5日公开，编号为US 2026/0349820 A1。
?pd /cj^ 1Id"|/b%$ 微软在申请文件中指出，人工智能模型训练对GPU的需求持续增长，已经造成计算资源紧张和硬件供应压力。与此同时，许多游戏电脑配备了性能强大的独立显卡，但这些设备在用户不玩游戏时往往长期处于低负载状态。微软希望将这些分散的闲置算力整合起来，形成一个可以服务于AI训练的分布式计算网络。
=kK%,Mr psz0q| 其基本思路与传统大型数据中心有所不同。大型AI训练任务通常需要数千甚至数万块GPU协同工作，而微软提出先对模型进行分析，建立不同计算任务之间的依赖关系，再将整个训练过程拆分成多个相对独立的小型任务，也就是所谓的微型任务（Micro-tasks）。
aZtM
_ 4mX?PKvbn 系统随后根据不同设备的GPU性能、显存容量以及可用时间，将这些任务分配给参与网络的个人电脑。设备完成计算后，再将结果上传至中央系统，由服务器进行验证、整合，并继续推进后续训练工作。
AqaM i 
yO7#n0q 
vO/ 3bu} 为了避免不同设备之间的性能差异影响整体效率，微软还设计了一套动态任务分配机制。系统会评估任务拆分后的通信成本、额外内存开销以及数据在不同设备之间传输的频率，尽可能选择适合分布式执行的任务切分方式。
HRu;*3+%>F qss )5a/x. 这套系统最重要的特点之一，是能够判断用户的电脑什么时候真正处于空闲状态。微软计划持续监测GPU利用率、显存占用、处理器负载、设备温度以及功耗，并根据这些数据预测设备未来一段时间的可用计算能力。
JB. U& pe3;pRh' 例如，当用户正在运行大型游戏时，系统可以降低任务分配频率，甚至完全暂停计算；当电脑处于桌面待机状态，GPU温度较低且显存充足时，则可以分配更多训练任务。系统还会根据设备的实际情况调整监测频率，避免频繁检查本身产生额外负担。
Y
ZuA"l Y
fWi/mK3c 微软特别强调，整个机制的设计目标是尽可能避免影响用户正常使用电脑，包括降低应用程序运行速度、增加设备发热以及消耗电池电量等问题。分配给不同设备的任务也会根据其硬件能力动态调整，性能较弱或者随时可能离线的设备只会承担规模更小的计算工作。
Unb3
Gv#O # ##>0( n 对于分布式计算网络而言，另一个难题是如何确保参与设备返回的结果可信。毕竟，网络中的电脑可能出现计算错误、意外断线，甚至有人故意提交虚假结果。
ja&m-CFK k{UeY[,jb 为此，微软提出对不同设备返回的计算结果进行交叉验证，并根据设备过去的可靠性、结果与其他设备计算结果的一致程度，以及数据的新旧程度，对返回结果赋予不同权重。长期表现稳定的设备将获得更高的可信度，而经常提交异常结果的设备则可能被降低权重。
gA@Zx%0j Un
T\6u 当然，这项专利最吸引普通电脑用户的地方，还是提供算力可能获得报酬。
O.xtY @'" Q[|*P ] w 申请文件提出，用户需要主动注册并明确授权设备参与计算。系统可以记录每台设备完成的计算工作量，并根据贡献向设备所有者提供补偿。这些补偿可以采用账户积分的形式，用户随后能够用积分兑换免费软件、访问正在训练的AI模型，或者直接获得现金。
Y#=MN ~##t Y|
ch ; 值得注意的是，微软并没有在文件中公布具体的报酬标准，也没有说明不同显卡每小时能够获得多少收入。专利描述的只是可能采用的激励机制，并不意味着微软已经准备推出一项面向消费者的付费服务。
S3E5^n\\ Nv6 "c<(L= 此外，这套系统并不一定只服务于微软自己的AI模型。专利还描述了由第三方机构提供训练任务、微软负责连接任务需求方与个人设备所有者的可能模式。换句话说，微软有机会成为一个分布式GPU算力市场的中间平台，让缺乏计算资源的企业租用普通消费者电脑中的闲置GPU能力。
6f
?,v5 b >k 2@ 不过，这种模式也存在一些现实问题。首先，GPU处于空闲状态并不意味着运行计算任务不消耗电力。显卡一旦开始执行AI训练任务，整台电脑的功耗就可能明显增加，用户需要承担额外电费。如果补偿金额不足以覆盖电力成本，参与者就未必能够真正获利。
!7MRHI/0C WLfDXx 2A 其次，长期运行高负载计算任务会增加显卡的发热和散热压力，也可能影响风扇、供电系统等硬件的使用状况。即使系统能够根据温度动态调整任务，实际运行效果仍然需要通过长期测试验证。
pv-c>8Wb6 rzLW @k 数据安全同样值得关注。个人电脑将接收来自第三方的计算任务，如何隔离外部代码、保护本地文件和用户隐私，以及如何防止恶意任务利用设备漏洞，都是这类分布式计算网络必须解决的问题。
N>] J$[j
^M; #x$Y? 还有一个容易被忽视的细节：专利申请中虽然提到了向设备所有者支付报酬，但相关补偿并没有出现在其20项权利要求之中。也就是说，专利重点保护的是如何拆分训练任务、监测设备空闲状态、分配计算工作以及验证结果，而付费机制只是说明书中描述的一种可选实施方式。
b`^Q ':^A n&?)gKL0g 目前，微软并未宣布推出这项服务，也没有公布支持的显卡型号、参与条件、报酬标准或正式上线时间。专利申请公开本身并不代表相关产品一定会进入市场。
+"=ydF.9 W7!iYxO 如果这一设想最终实现，其模式可能让人联想到早期的分布式计算项目，例如利用个人电脑闲置算力参与科学研究的Folding home。不同之处在于，微软希望将这种模式进一步商业化，让普通消费者的游戏电脑成为AI产业计算基础设施的一部分。
g%!U7CM6h 8Gnf_ lkI 对于拥有高性能显卡的用户来说，未来电脑可能不再只有游戏、渲染和本地AI推理等用途。在不使用电脑的时候，闲置GPU或许也能成为一种可以出租的计算资源。不过，最终能否形成真正有吸引力的商业模式，仍取决于报酬是否足以覆盖电费、硬件损耗，以及用户对设备安全和隐私的信任程度。
mdEl
CC0
微博帐号登录