Microsoft хочет использовать свободную мощность домашних видеокарт для обучения ИИ и платить владельцам ПК

Мощная видеокарта в игровом компьютере большую часть времени может простаивать. Когда пользователь работает с документами, смотрит видео или вообще отходит от компьютера, графический процессор зачастую использует лишь небольшую часть своих возможностей. Microsoft предложила превратить этот резерв в дополнительный источник вычислительной мощности для искусственного интеллекта. Владельцы устройств потенциально смогут получать вознаграждение за участие в обучении моделей ИИ.

Идея описана в патенте Microsoft под названием «Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization» — «Оппортунистическое микрообучение на периферийных устройствах с использованием свободных ресурсов GPU». Документ предполагает распределение небольших вычислительных задач между компьютерами, ноутбуками и смартфонами, которые в данный момент не загружены работой.

Впрочем, речь пока не идёт о готовом сервисе, который можно включить в Windows и начать зарабатывать. Microsoft описала возможную архитектуру системы, но не объявляла о запуске программы, не назвала поддерживаемые видеокарты и не раскрыла размер вознаграждения.

Что именно запатентовала Microsoft

Патентная разработка называется «Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization» и имеет номер US 2026/0349820 A1. Заявку подала компания Microsoft Technology Licensing 30 апреля 2025 года. Документ был опубликован 5 ноября 2026 года, а в официальном бюллетене USPTO от 10 ноября появился уже выданный патент US 12,792,414 B2.

Основная идея заключается в том, чтобы использовать вычислительные ресурсы устройств, которые не принадлежат непосредственно компании, обучающей модель искусственного интеллекта. Вместо того чтобы выполнять всю работу на нескольких крупных серверах, система разбивает вычислительную задачу на небольшие независимые фрагменты и распределяет их между большим количеством устройств.

В качестве потенциальных участников рассматриваются:

• игровые настольные компьютеры с производительными видеокартами;
• обычные домашние ПК, оснащённые подходящими GPU;
• ноутбуки с дискретной графикой;
• смартфоны и другие устройства с доступными вычислительными ресурсами.

Владелец устройства должен явно согласиться на участие. После этого система сможет определять периоды, когда оборудование располагает свободной вычислительной мощностью, и назначать ему подходящие задачи.

Оригинальный документ можно изучить в официальной публикации USPTO — US 12,792,414 B2. Первоначальная публикация заявки также доступна по номеру US20260349820A1 в Google Patents.

Как будет работать распределённое обучение ИИ

Обучение современных моделей машинного обучения требует огромного количества вычислений. Обычно для этого используются специализированные ускорители в дата-центрах, объединённые в высокоскоростные вычислительные кластеры. Однако Microsoft предлагает дополнить такую инфраструктуру распределённой сетью устройств пользователей.

Главная техническая задача — правильно разделить большую вычислительную работу. Не каждую операцию обучения можно безболезненно перенести на отдельный компьютер: некоторые этапы требуют обмена значительными объёмами данных, синхронизации результатов и доступа к определённым частям модели.

Поэтому патент предусматривает анализ зависимостей между компонентами модели и выбор точек, в которых вычисления можно разделить на самостоятельные фрагменты.

При выборе способа разделения учитываются три основных фактора:

• Стоимость передачи данных. Система оценивает, сколько информации придётся пересылать между устройствами при разделении задачи.
• Дополнительная нагрузка на память. Учитывается объём оперативной и видеопамяти, необходимый для временного хранения результатов и промежуточных данных.
• Локальность данных. Чем чаще устройству приходится обращаться к данным, которые находятся на другом компьютере, тем выше дополнительные издержки.

После анализа система выбирает подходящие точки разделения и формирует небольшие задания — micro-tasks. Каждое из них можно выполнить независимо от других вычислений в пределах выбранного фрагмента.

Затем задания распределяются между доступными устройствами. Результаты возвращаются в систему, проверяются и используются для обновления параметров модели.

Такой подход позволяет задействовать оборудование с разной производительностью. Например, мощная игровая видеокарта может получить более сложную задачу, тогда как ноутбук или смартфон — небольшой фрагмент, соответствующий его возможностям.

Как система определит, что компьютер простаивает

Одна из важнейших частей разработки — механизм определения доступных вычислительных ресурсов. Microsoft предполагает, что система будет постоянно оценивать состояние устройства и назначать задания только тогда, когда дополнительная нагрузка не должна заметно мешать владельцу.

Для этого предлагается отслеживать несколько параметров:

• загрузку графического процессора (GPU);
• загрузку центрального процессора (CPU);
• использование оперативной и видеопамяти;
• температуру компонентов;
• энергопотребление;
• доступность вычислительных ресурсов и характер текущей нагрузки.

Если пользователь запускает игру, программу для монтажа видео или другое требовательное приложение, система должна уменьшить объём назначаемой работы либо полностью приостановить вычисления.

Аналогично дополнительная нагрузка должна ограничиваться при повышении температуры, нехватке памяти или других признаках того, что устройство работает близко к пределу своих возможностей.

В патенте также рассматривается динамическая корректировка частоты мониторинга. Например, при высокой нагрузке или повышенной температуре система может реже проверять состояние GPU, а при простое и нормальной температуре — чаще оценивать доступные ресурсы.

Однако важно понимать: патент описывает предполагаемый механизм управления нагрузкой, а не доказывает, что готовая программа сможет безошибочно определять все ситуации. Реальная эффективность таких ограничений станет понятна только после появления работающего продукта и независимого тестирования.

За использование видеокарты могут платить деньгами или выдавать кредиты

Самая интересная для владельцев компьютеров часть патента связана с возможным вознаграждением. Система может учитывать объём вычислений, выполненных конкретным устройством, и начислять соответствующие кредиты на счёт пользователя.

В документе перечислены несколько вариантов компенсации:

• денежные выплаты;
• кредиты, которые можно обменять на бесплатное программное обеспечение;
• доступ к модели искусственного интеллекта, в обучении которой участвовало устройство;
• другие виды вознаграждений, предусмотренные оператором системы.

Таким образом, Microsoft рассматривает не только добровольную передачу вычислительных ресурсов ради научных исследований, но и коммерческую модель, в которой владелец оборудования получает определённую выгоду.

При этом в документе нет конкретной формулы начисления вознаграждений. Неизвестно, будет ли оплата зависеть от времени работы видеокарты, количества выполненных операций, производительности GPU или качества полученных результатов.

Есть и ещё одна важная деталь: компенсация упоминается в описании возможной системы, но не является гарантированной частью коммерческого предложения. Сам факт выдачи патента не обязывает Microsoft запускать выплаты.

Зачем Microsoft нужна распределённая сеть домашних компьютеров

Интерес к свободным вычислительным ресурсам связан с быстро растущими потребностями индустрии искусственного интеллекта. Обучение крупных моделей требует большого количества GPU, оперативной памяти, электроэнергии и инфраструктуры для передачи данных.

Строительство дата-центров обходится дорого, а производство специализированных ускорителей ограничено возможностями полупроводниковой промышленности. Дополнительные вычислительные ресурсы позволяют потенциально снизить зависимость от расширения собственных серверных мощностей.

Игровые компьютеры в этом отношении представляют интерес: многие из них оснащены производительными видеокартами, которые используются далеко не круглосуточно. Если объединить достаточно большое количество таких устройств, можно получить заметный совокупный вычислительный ресурс.

Microsoft фактически предлагает создать дополнительный слой инфраструктуры между владельцами оборудования и компаниями, которым необходимы мощности для обучения моделей. В такой схеме сама компания или оператор платформы может выступать организатором распределения задач, проверки результатов и расчётов с участниками.

Однако домашние компьютеры не способны полностью заменить дата-центры. Серверные кластеры обеспечивают высокоскоростное соединение между ускорителями, централизованное хранение данных, предсказуемую доступность оборудования и управляемые условия эксплуатации. Сеть пользовательских устройств значительно менее однородна: компьютеры могут отключаться, менять скорость соединения и иметь совершенно разные характеристики.

Поэтому наиболее реалистичный сценарий — не перенос всего обучения на домашние ПК, а использование их свободных ресурсов для тех этапов, которые действительно можно разделить на независимые задания.

Microsoft не первая: SETI@home, BOINC и Folding@home

Идея объединения вычислительных ресурсов множества пользовательских компьютеров появилась задолго до бума искусственного интеллекта.

Одним из самых известных примеров стал проект SETI@home, запущенный в 1999 году Калифорнийским университетом в Беркли. Его участники добровольно предоставляли свободное время своих компьютеров для анализа радиосигналов, полученных в ходе поиска возможных признаков внеземных цивилизаций.

Вместо обработки всей информации на ограниченном количестве суперкомпьютеров научные данные разделялись на небольшие задания. Пользовательская программа выполняла расчёты в свободное время и отправляла результаты обратно исследователям.

Позднее похожий принцип получил развитие в платформе BOINC — открытой инфраструктуре распределённых вычислений. Она позволяет научным проектам использовать ресурсы добровольцев по всему миру.

Ещё один известный пример — Folding@home. Этот проект использует распределённые вычисления для изучения сворачивания белков и связанных с ним биомедицинских задач.

Модель Microsoft отличается от подобных инициатив прежде всего коммерческой составляющей. В SETI@home и Folding@home пользователи предоставляют ресурсы добровольно, поддерживая научные исследования. В предлагаемой Microsoft схеме вычислительная мощность может стать товаром, за который владелец устройства получает вознаграждение.

Есть сходство и с майнингом криптовалют: в обоих случаях пользователь предоставляет вычислительные ресурсы для выполнения задач внешней системы. Но характер вычислений, алгоритмы, требования к оборудованию и механизм вознаграждения могут существенно различаться.

Сколько можно заработать и окупится ли дополнительная нагрузка

Пока Microsoft не назвала расценки, оценить доходность проекта невозможно. Более того, даже при наличии денежных выплат участие может оказаться невыгодным, если вознаграждение не покрывает дополнительные расходы.

Главный прямой расход — электроэнергия. Дополнительная нагрузка на видеокарту увеличивает потребление энергии, а вместе с ним и стоимость эксплуатации компьютера.

Для приблизительной оценки можно использовать простую формулу:

Расход электроэнергии (кВт·ч) =
Мощность дополнительной нагрузки (кВт) × Время работы (ч)

Например, если дополнительная нагрузка увеличивает потребление компьютера на 200 Вт и выполняется по четыре часа ежедневно, за 30 дней получится:

0,2 кВт × 4 часа × 30 дней = 24 кВт·ч

Это только пример расчёта, а не прогноз потребления конкретной видеокарты. Реальная разница зависит от модели GPU, характера вычислений, эффективности блока питания, настроек энергопотребления и того, насколько сильно система загружает остальные компоненты.

Кроме электроэнергии следует учитывать и другие факторы:

• Износ видеокарты. Дополнительные часы работы увеличивают суммарное время эксплуатации GPU, вентиляторов и системы охлаждения.
• Температура. Более продолжительная нагрузка повышает требования к охлаждению и может увеличить шум компьютера.
• Срок службы компонентов. Нельзя утверждать, что любая дополнительная нагрузка быстро выведет видеокарту из строя, но постоянная работа под нагрузкой увеличивает эксплуатационную нагрузку на оборудование.
• Стоимость интернета. Передача заданий и результатов может потреблять заметный объём трафика, особенно при больших моделях и промежуточных данных.
• Потеря производительности. Даже если система пытается работать только в простое, неудачное распределение ресурсов может влиять на отзывчивость компьютера.

Для владельца дорогой игровой видеокарты особенно важно сравнивать потенциальный доход не только с затратами на электричество, но и с альтернативной стоимостью использования оборудования. Если вознаграждение окажется небольшим, постоянная дополнительная нагрузка может не иметь экономического смысла.

Пока нет тарифов, списка совместимых устройств и реальных измерений энергопотребления, говорить о заработке на свободной мощности GPU преждевременно.

Безопасность и конфиденциальность: что будет происходить на компьютере

Передача вычислительных ресурсов сторонней системе поднимает вопросы не только производительности, но и безопасности. Пользователь должен понимать, какое программное обеспечение получает доступ к его оборудованию, какие данные передаются по сети и какие действия разрешены оператору платформы.

В распределённой системе важно разделять выполнение вычислений и доступ к личным данным. Для обучения модели не обязательно предоставлять удалённому оператору полный доступ к файлам пользователя. Задачи можно организовать так, чтобы устройство получало только необходимые данные и исполняло ограниченный набор операций.

Но конкретная реализация должна предусматривать механизмы изоляции, контроля доступа и проверки программного обеспечения. В противном случае дополнительный вычислительный сервис может стать ещё одной точкой риска.

Не менее важна проверка результатов. Участник сети может использовать нестабильное оборудование, отправлять ошибочные данные или намеренно подменять результаты, чтобы получить вознаграждение без реального выполнения вычислений.

В патенте Microsoft предусмотрено сравнение результатов выполнения одинаковых заданий на разных устройствах. Также предлагается учитывать надёжность конкретного компьютера и достоверность возвращаемых результатов. На вес результата могут влиять оценка проверки, время выполнения и история успешных заданий устройства.

Это помогает снизить риск ошибок и манипуляций, но не снимает всех вопросов безопасности. В реальном сервисе потребуются прозрачные правила обработки данных, понятные разрешения, возможность немедленно прекратить участие и независимая проверка защитных механизмов.

Почему патент не означает скорый запуск сервиса Microsoft

Патентование технической идеи не равнозначно анонсу нового продукта. Компании регистрируют множество разработок, которые впоследствии не превращаются в коммерческие сервисы. Иногда патент нужен для защиты перспективной технологии, иногда он описывает один из возможных вариантов реализации, а иногда разработка так и остаётся экспериментом.

В данном случае Microsoft действительно получила патент на механизм распределения микроопераций обучения между периферийными устройствами. Однако это не подтверждает, что в ближайшем обновлении Windows появится функция, позволяющая сдавать видеокарту в аренду.

На момент публикации новости компания не объявляла:

• о запуске программы для владельцев Windows-компьютеров или Xbox;
• о перечне поддерживаемых видеокарт и процессоров;
• о минимальных требованиях к оперативной и видеопамяти;
• о размере и способе выплаты вознаграждения;
• о странах, в которых будет доступен потенциальный сервис;
• о сроках начала тестирования или коммерческого запуска.

Поэтому воспринимать новость как возможность уже сейчас получать деньги за простаивающую видеокарту не стоит. Пока это описание возможной модели использования распределённых вычислений, а не предложение для пользователей.

Выводы

Microsoft запатентовала технологию, которая позволяет использовать свободные вычислительные ресурсы домашних компьютеров, ноутбуков и других устройств для обучения моделей искусственного интеллекта. Большие вычислительные задачи предлагается разделять на небольшие независимые фрагменты и распределять между устройствами, которые в данный момент не заняты основной работой.

Владельцы оборудования потенциально смогут получать вознаграждение в виде денег, программных кредитов или доступа к моделям ИИ. Система должна контролировать загрузку GPU и CPU, использование памяти, температуру и энергопотребление, чтобы дополнительная работа не мешала обычному использованию компьютера.

Идея выглядит логичным продолжением распределённых вычислений, известных по SETI@home и Folding@home. Однако коммерческая модель требует ответа на гораздо большее количество вопросов: сколько будут платить, кто оплатит электричество, как будет учитываться износ оборудования и насколько безопасно запускать сторонние вычислительные задания на домашнем ПК.

Пока Microsoft не представила готовую программу и не раскрыла экономические условия. Поэтому владельцам видеокарт не стоит рассчитывать на скорый дополнительный доход. Если подобная система действительно появится, её успех будет зависеть не столько от самой технологии распределения задач, сколько от прозрачности условий, безопасности и размера вознаграждения.

Часто задаваемые вопросы