微软专利：用玩家显卡跑AI训练，闲置算力换报酬

OpenAI CEO萨姆·奥尔特曼一周前在播客节目里直言，全球有限的内存供应链资源分配非常糟糕——数以亿计的个人电脑囤着海量内存，绝大多数时间里使用率却只有5%左右。普通PC用户买内存是浪费、给OpenAI用才算正途，这番傲慢的“地图炮”很快一石激起千层浪。不过他说出口的其实是硅谷的共识：算力闲置在个人电脑里就是浪费。

差不多同一时间，微软一份新专利浮出水面，核心是“共享计算”，打算把用户闲置的算力收进一张大网。专利描述的是建立一个分布式计算网络，把大型AI模型训练任务拆成大量小型任务，分派给空闲的游戏电脑、笔记本电脑乃至智能手机。愿意贡献算力的用户，能拿到积分、免费软件、AI模型使用权限，甚至现金报酬。

微软这个想法并非空穴来风。数据中心扩张与民生的矛盾早已积累到一定程度，最终演变成美国各地掀起的反数据中心浪潮，AI巨头和数据中心开发商未来大概率还要面对更严的监管。他们的“算力焦虑”不再是杞人忧天，而是近在眼前的危机。

过去两年，AI模型对算力的需求增速远超供给，巨头们不得不在美国、欧洲、中东大规模兴建数据中心。如今数据中心建设极可能被按下暂停键，算力短缺就更紧迫了。可相关厂商已经为AI砸下海量资金，没人敢无视这笔庞大的沉没成本。让用户电脑里的显卡参与训练AI模型，对微软来说算得上一个不是办法的办法。

AI模型训练常与“万卡集群”这个词绑在一起：动辄千万亿参数规模的训练，通常要数千甚至数万张计算卡协同工作。微软从边缘计算里汲取了灵感：先建立不同计算任务之间的依赖关系，再把整个训练过程拆成多个相对独立的小型任务，也就是微型任务（Micro-tasks）。系统依据各设备的GPU性能、显存容量和可用时间，把任务分给参与网络的个人终端；终端算完上传结果，由服务器验证、整合，并继续推进后续训练。

说白了，微软要建的是一个围绕AI模型训练的承包体系：它当总包商，把任务拆成一个个零散片段，用户在“任务公告栏”里领适合自己设备的散单。为避免设备性能差异拖累整体效率，微软还设计了一套动态任务分配机制，评估任务拆分后的通信成本、额外内存开销以及数据在设备间传输的频率，尽量挑适合分布式执行的切分方式。

当然，天上不会白掉馅饼，想靠接单赚零花钱的人得留意。为了把算力用到极致，微软计划通过Windows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，再依据这些数据预测设备未来一段时间的可用计算能力。

从某种意义上说，微软这个专利并不新鲜，玩过PCDN、P2SP的人对它肯定很熟悉。PCDN的原理也是把集中部署在数据中心的内容拆成无数小块，让用户电脑充当微型服务器。比如有人想看一部热播剧，平台不必从千里之外的数据中心拉流，先问问附近有没有“好心人”缓存了相关内容。

打着“人人为我，我为人人”旗号的PCDN，同样是以利诱之，吸引用户主动贡献带宽充当资源。微软的共享算力和PCDN的共享宽带理念接近，结局恐怕南辕北辙。PCDN是内容平台和用户合谋薅运营商羊毛，运营商的高价商用宽带因此流失了一大批潜在客户；微软的共享算力则不同——英伟达、AMD、三星、美光等上游供应链如今满负荷运转，算力依然供不应求，而且微软可没说要用个人电脑的算力替代数据中心。

所以一旦专利落地，这势必成为普通人赚零花钱的好机会。唯一的问题是费显卡：AI模型训练会让显卡长时间接近满载，晶体管开关次数剧增，老化随之加速。按60%-70%的高利用率计算，业界普遍预估数据中心显卡寿命可能只有1-3年，挣的钱够不够补显卡损耗，得算笔账。