一份 2025 年 4 月提交、本月才公开的申请:训练任务切碎后派给闲置设备,算完记积分,可换软件、模型使用权或现金

这份申请的标题很直白:Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization,大意是「利用边缘设备的富余 GPU 做机会式微训练」。公开号 US 2026/0349820 A1,申请人是微软技术许可公司(Microsoft Technology Licensing),申请日为 2025 年 4 月 30 日,也就是说这个想法在微软内部至少已经放了一年半。
据 Insider Gaming 和 PBX Science 对文件的梳理,方案大致分三步:
参与需要用户先授权加入。加入之后,系统记录这台设备完成的计算量,每交回一份结果记一笔积分,文件列举的兑换方向包括免费软件、训练出来的模型的使用权,以及现金。设备范围写得很宽,游戏 PC、笔记本、手机都在其中。
容易被忽略的一点是,文件描述的需求方并不只是微软自己。按照 Insider Gaming 的解读,它面向的是「想训练模型、但手里没有算力」的第三方,微软站在中间撮合:一头是缺 GPU 的公司,一头是家里显卡大半时间在待机的普通人。
这个位置别人很难复制。Windows 的月活设备按微软公开的口径在十亿台以上,其中带独立显卡的游戏机器是一个现成的、已经装好客户端渠道的存量。数据中心这两年的瓶颈早就不只是买不买得到芯片,还有电力和机房建设周期;而用户桌上那块显卡的电和散热,是用户自己已经付过钱的。从账面上看,这等于把基础设施成本里最难扩的几项转移到了千家万户。
把零散电脑攒成一台大机器并不新鲜。1999 年上线的 SETI@home 让志愿者用屏保时间分析射电望远镜数据,Folding@home 靠同样的办法做蛋白质折叠模拟,2020 年新冠疫情期间其合计算力一度超过当时最快的超级计算机。这些项目能成,是因为任务天然可以切成互不相干的小块,谁先算完谁交,互相不用等。
神经网络训练不是这种任务。常规做法里,每一步参数更新都依赖上一步的结果,数据中心靠高速互联让成百上千块 GPU 保持同步;换成家用宽带,光是来回传梯度和中间结果就可能把省下的算力吃掉。专利里反复强调的「找切分点」「权衡通信成本和数据局部性」,针对的正是这个老问题。它和谷歌 2017 年前后推广的联邦学习也不是一回事:联邦学习是数据留在手机上、只上传更新,核心诉求是隐私;微软这份文件要借的是算力,数据和模型反而要发到别人的机器上去。
交叉验证同样有代价。同一份任务派给几台设备重复计算,可用算力就要相应打折,这是所有不信任参与者的分布式系统都要交的税。
申请里有公式,但没有任何真实设备网络上的运行结果。几家外媒列出的疑问大体重合:闲置时到底会占用多少 GPU,长期满载对显卡寿命有没有影响,第三方的训练任务在个人电脑上运行时隐私和安全怎么隔离,参与者是否要为此让渡一部分设备权限。
最现实的一条是钱。PBX Science 做过一个假设性的估算:如果每天多跑 4 小时、多耗 250 瓦,一个月大约多用 30 度电,按每度 0.35 美元算是 10.5 美元。这个数字随硬件和当地电价变化很大,但它点出了门槛:报酬低于电费,就没有人会开;而微软付给用户的钱如果高到接近云上 GPU 的租价,这套系统对需求方又失去了吸引力。中间那段空间有多宽,文件里没有写。
另有专利追踪网站把这份申请标为 10 月 28 日已授权,这个日期比公开日还早,相关报道并未解释,只能当作未经证实的说法。大公司每年提交的专利申请数以千计,绝大多数不会变成产品。这一份值得留意的地方在于方向:算力紧张持续到今天,连用户待机的显卡都被认真写进了技术方案。