微软专利：用玩家显卡跑AI训练，闲置算力能换钱

OpenAI CEO萨姆·奥尔特曼一周前在播客里直言，全球有限的内存供应链分配得很糟：数以亿计的个人电脑囤了海量内存，绝大多数时间使用率却只有5%上下。

这番话很快引来一片批评。普通PC用户买内存是浪费、给OpenAI用才算正途，这样的口气听着傲慢，可它说出的其实是硅谷的共识——算力搁在个人电脑里闲着，就是浪费。

差不多同一时间，微软一份新专利露面，核心叫“共享计算”，打算把用户闲置的算力收进一张大网。按专利描述，微软要建一个分布式计算网络，把大型AI模型的训练任务切成大量小任务，分给空闲的游戏电脑、笔记本电脑，连智能手机也在范围内。愿意出算力的用户，能拿到积分、免费软件、AI模型使用权限，甚至现金。

这个想法并非凭空冒出来。数据中心扩张与民生的矛盾已经积到一定程度，美国各地因此掀起反数据中心浪潮，AI巨头和数据中心开发商今后大概率还要面对更严的监管。它们的“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模型对算力的需求涨得比供给快，巨头们不得不在美国、欧洲、中东大规模建数据中心。如今建设很可能被按下暂停键，算力短缺就更紧迫。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，算是微软想出的一个不是办法的办法。AI模型训练总绕不开“万卡集群”这个词，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一起干活。

微软从边缘计算里取了灵感：先理清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任务，即微型任务（Micro-tasks）。系统依据各设备的GPU性能、显存容量和可用时间派活，个人终端算完把结果传回，服务器负责验证、整合，再往下推进训练。

说白了，微软要搭的是一个围绕AI模型训练的承包体系：它当总包商，把任务拆成零散片段，用户在“任务公告栏”里领适合自己设备的散单。

不同设备性能参差，会影响整体效率，微软为此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。为了把算力用足，微软计划通过Windows持续监测GPU利用率、显存占用、处理器负载、设备温度和功耗，再据此预测设备未来一段时间的可用算力。

某种意义上，微软这项专利并不新鲜，玩过PCDN、P2SP的人对它不会陌生。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，同样用利益吸引用户主动贡献带宽，把它变成PCDN的资源。微软的共享算力与PCDN的共享宽带理念接近，结局恐怕会南辕北辙。

PCDN是互联网内容平台和用户合谋薅运营商的羊毛，运营商的高价商用宽带因此流失了一大批潜在客户。微软的共享算力不同：英伟达、AMD、三星、美光等算力供应链上游如今满负荷运转，算力依然供不应求，而且微软没说要用个人电脑的算力替代数据中心。

一旦专利落地，这势必会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%的高利用率算，业界普遍预估数据中心的显卡寿命可能只有1-3年，挣的钱够不够补显卡损耗，得好好算笔账。