Resumo:
A Microsoft está explorando uma maneira de usar o poder computacional ocioso dos computadores comuns para treinar modelos de inteligência artificial. De acordo com um pedido de patente publicado recentemente, a Microsoft propôs estabelecer uma rede de computação distribuída para dividir tarefas de treinamento de modelos de IA em grande escala em um grande número de pequenas tarefas e distribuí-las para computadores de jogos ociosos, laptops e até smartphones. Os usuários que desejam fornecer poder computacional ao equipamento podem receber pontos, software gratuito, direitos de uso do modelo de IA e até recompensas em dinheiro.
Essa tecnologia é chamada de "Microtreinamento Oportunista em Dispositivos Edge Usando Utilização de GPU Sobressalente" (Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization) e foi submetida pela Microsoft Technology Licensing, uma empresa de licenciamento de tecnologia da Microsoft. O pedido de patente foi apresentado em 30 de abril de 2025 e publicado em 5 de novembro de 2026, com o número US 2026/0349820 A1.
A Microsoft destacou nos documentos de inscrição que a demanda por GPUs para treinamento de modelos de inteligência artificial continua crescendo, o que tem causado escassez de recursos computacionais e pressão no fornecimento de hardware. Ao mesmo tempo, muitos PCs para jogos estão equipados com placas gráficas discretas poderosas, mas esses dispositivos geralmente permanecem sob carga baixa por longos períodos quando o usuário não está jogando. A Microsoft espera integrar esse poder de computação ocioso e disperso para formar uma rede de computação distribuída que possa servir ao treinamento de IA.
A ideia básica é diferente dos grandes data centers tradicionais. Tarefas de treinamento de IA em grande escala geralmente exigem milhares ou até dezenas de milhares de GPUs para trabalharem juntas. A Microsoft propõe primeiro analisar o modelo, estabelecer dependências entre diferentes tarefas de computação e, em seguida, dividir todo o processo de treinamento em múltiplas pequenas tarefas relativamente independentes, as chamadas microtarefas.
O sistema então distribui essas tarefas aos PCs participantes da rede com base no desempenho da GPU, na capacidade de memória de vídeo e no tempo disponível dos diferentes dispositivos. Após o dispositivo concluir o cálculo, ele carrega os resultados para o sistema central, onde o servidor os verifica e integra, e continua a promover o treinamento subsequente.
Para evitar que diferenças de desempenho entre diferentes dispositivos afetem a eficiência geral, a Microsoft também desenvolveu um mecanismo dinâmico de alocação de tarefas. O sistema avaliará o custo de comunicação, sobrecarga de memória adicional e frequência de transmissão de dados entre diferentes dispositivos após a divisão de tarefas e tentará escolher um método de divisão de tarefas adequado para execução distribuída.
Um dos recursos mais importantes deste sistema é a capacidade de determinar quando o computador do usuário está realmente ocioso. A Microsoft planeja monitorar continuamente a utilização da GPU, o uso da memória de vídeo, a carga do processador, a temperatura do dispositivo e o consumo de energia, e usar esses dados para prever o poder de computação disponível do dispositivo no futuro.
Por exemplo, quando o usuário está executando um jogo grande, o sistema pode reduzir a frequência de alocação de tarefas ou até mesmo suspender completamente os cálculos; quando o computador está em espera de desktop, a temperatura da GPU está baixa e a memória de vídeo é suficiente, mais tarefas de treinamento podem ser alocadas. O sistema também ajustará a frequência de monitoramento de acordo com a situação real do equipamento para evitar encargos adicionais causados pelas próprias inspeções frequentes.
A Microsoft enfatizou especificamente que o objetivo do design de todo o mecanismo é evitar, tanto quanto possível, afetar o uso normal dos computadores pelos usuários, incluindo a redução da velocidade de execução dos aplicativos, o aumento do calor do dispositivo e o consumo de energia da bateria. As tarefas atribuídas a diferentes dispositivos também serão ajustadas dinamicamente com base nas capacidades de hardware. Dispositivos com desempenho mais fraco ou que podem ficar off-line a qualquer momento realizarão apenas tarefas computacionais menores.
Para redes de computação distribuídas, outro problema difícil é como garantir que os resultados retornados pelos dispositivos participantes sejam confiáveis. Afinal, os computadores da rede podem cometer erros de cálculo, desconectar-se inesperadamente ou até mesmo enviar resultados falsos intencionalmente.
Para esse fim, a Microsoft propôs validar cruzadamente os resultados de cálculo retornados por diferentes dispositivos e atribuir pesos diferentes aos resultados retornados com base na confiabilidade anterior do dispositivo, na consistência dos resultados com os resultados de cálculo de outros dispositivos e na novidade dos dados. Os dispositivos que apresentam desempenho consistente ao longo do tempo receberão maior credibilidade, enquanto os dispositivos que apresentam resultados anormais com frequência poderão ser rebaixados.
É claro que o que há de mais atraente nesta patente para usuários comuns de computadores é a possibilidade de serem pagos pelo fornecimento de poder computacional.
Conforme apresentado nos documentos de inscrição, os usuários precisam se registrar ativamente e autorizar explicitamente o dispositivo a participar dos cálculos. O sistema pode registrar a quantidade de trabalho computacional realizado por cada dispositivo e compensar o proprietário do dispositivo com base na contribuição. Essas compensações podem assumir a forma de pontos de conta, que os usuários podem então resgatar por software gratuito, acesso a modelos de IA em treinamento ou simplesmente receber dinheiro.
É importante notar que a Microsoft não anunciou padrões de remuneração específicos no documento, nem explicou quanta receita diferentes placas gráficas podem gerar por hora. A patente descreve apenas possíveis mecanismos de incentivo e não significa que a Microsoft esteja pronta para lançar um serviço pago para os consumidores.
Além disso, este sistema não atende necessariamente apenas aos modelos de IA da própria Microsoft. A patente também descreve um possível modelo em que uma organização terceirizada fornece tarefas de treinamento e a Microsoft é responsável por conectar solicitantes de tarefas e proprietários de dispositivos pessoais. Em outras palavras, a Microsoft tem a oportunidade de se tornar uma plataforma intermediária no mercado de poder computacional distribuído de GPU, permitindo que empresas que não possuem recursos computacionais aluguem poder ocioso de GPU em computadores de consumo comuns.
No entanto, este modelo também apresenta alguns problemas práticos. Em primeiro lugar, só porque a GPU está ociosa não significa que a execução de tarefas de computação não consuma energia. Assim que a placa gráfica começar a realizar tarefas de treinamento de IA, o consumo de energia de todo o computador poderá aumentar significativamente e o usuário precisará arcar com contas de eletricidade adicionais. Se o montante da compensação não for suficiente para cobrir o custo da electricidade, os participantes poderão não conseguir obter verdadeiramente lucro.
Em segundo lugar, a execução de tarefas de computação de alta carga por um longo período aumentará a geração de calor e a pressão de dissipação de calor da placa gráfica e também poderá afetar o uso de hardware, como ventiladores e sistemas de fonte de alimentação. Mesmo que o sistema possa ajustar dinamicamente as tarefas com base na temperatura, o efeito operacional real ainda precisa ser verificado através de testes de longo prazo.
A segurança dos dados também merece atenção. Os computadores pessoais receberão tarefas de computação de terceiros. Como isolar código externo, proteger arquivos locais e a privacidade do usuário e como evitar que tarefas maliciosas explorem vulnerabilidades de dispositivos são questões que devem ser resolvidas neste tipo de rede de computação distribuída.
Há outro detalhe que passa facilmente despercebido: embora o pedido de patente mencione o pagamento de indenização ao proprietário do equipamento, a indenização relevante não aparece em suas 20 reivindicações. Em outras palavras, a patente se concentra em como dividir tarefas de treinamento, monitorar o status ocioso do equipamento, alocar trabalho computacional e verificar resultados, enquanto o mecanismo de pagamento é apenas uma implementação opcional descrita na especificação.
Atualmente, a Microsoft não anunciou o lançamento deste serviço, nem anunciou modelos de placas gráficas suportadas, condições de participação, padrões de remuneração ou data oficial de lançamento. A publicação de um pedido de patente em si não significa que produtos relacionados entrarão definitivamente no mercado.
Se esta ideia for finalmente concretizada, o seu modelo poderá ser uma reminiscência dos primeiros projectos de computação distribuída, como o Folding@home, que utiliza o poder computacional ocioso dos computadores pessoais para participar em investigação científica. A diferença é que a Microsoft espera comercializar ainda mais esse modelo e tornar os computadores de jogos dos consumidores comuns parte da infraestrutura de computação da indústria de IA.
Para usuários com placas gráficas de alto desempenho, os computadores do futuro não poderão mais ser usados apenas para jogos, renderização e inferência local de IA. Quando o computador não está em uso, a GPU ociosa também pode se tornar um recurso computacional que pode ser alugado. No entanto, a possibilidade de formar um modelo de negócio verdadeiramente atraente ainda depende de a remuneração ser suficiente para cobrir as contas de eletricidade, as perdas de hardware e a confiança dos utilizadores na segurança e privacidade dos dispositivos.
Comentários