Zusammenfassung:
Microsoft erforscht eine Möglichkeit, die ungenutzte Rechenleistung gewöhnlicher Verbrauchercomputer zum Trainieren von Modellen der künstlichen Intelligenz zu nutzen. Laut einer kürzlich veröffentlichten Patentanmeldung schlug Microsoft vor, ein verteiltes Computernetzwerk einzurichten, um umfangreiche Trainingsaufgaben für KI-Modelle in eine große Anzahl kleiner Aufgaben aufzuteilen und diese auf inaktive Gaming-Computer, Laptops und sogar Smartphones zu verteilen. Benutzer, die bereit sind, die Rechenleistung ihrer Ausrüstung zur Verfügung zu stellen, können Punkte, kostenlose Software, Nutzungsrechte für KI-Modelle und sogar Geldprämien erhalten.
Diese Technologie heißt „Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization“ (Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization) und wurde von Microsoft Technology Licensing, einem Microsoft-Technologielizenzierungsunternehmen, eingereicht. Die Patentanmeldung wurde am 30. April 2025 eingereicht und am 5. November 2026 unter der Nummer US 2026/0349820 A1 veröffentlicht.
Microsoft wies in den Bewerbungsunterlagen darauf hin, dass die Nachfrage nach GPUs für das Modelltraining künstlicher Intelligenz weiter wächst, was zu einer Verknappung der Rechenressourcen und einem Druck auf die Hardwareversorgung geführt hat. Gleichzeitig sind viele Gaming-PCs mit leistungsstarken separaten Grafikkarten ausgestattet, allerdings bleiben diese Geräte oft über längere Zeiträume unter geringer Last, wenn der Benutzer keine Spiele spielt. Microsoft hofft, diese verstreute ungenutzte Rechenleistung zu einem verteilten Computernetzwerk zu integrieren, das dem KI-Training dienen kann.
Die Grundidee unterscheidet sich von herkömmlichen großen Rechenzentren. Für groß angelegte KI-Trainingsaufgaben ist in der Regel die Zusammenarbeit von Tausenden oder sogar Zehntausenden GPUs erforderlich. Microsoft schlägt vor, zunächst das Modell zu analysieren, Abhängigkeiten zwischen verschiedenen Rechenaufgaben festzustellen und dann den gesamten Trainingsprozess in mehrere relativ unabhängige kleine Aufgaben, sogenannte Mikroaufgaben, aufzuteilen.
Das System verteilt diese Aufgaben dann basierend auf der GPU-Leistung, der Videospeicherkapazität und der verfügbaren Zeit der verschiedenen Geräte auf die am Netzwerk teilnehmenden PCs. Nachdem das Gerät die Berechnung abgeschlossen hat, lädt es die Ergebnisse in das zentrale System hoch, wo der Server sie überprüft und integriert und das anschließende Training weiter fördert.
Um zu verhindern, dass Leistungsunterschiede zwischen verschiedenen Geräten die Gesamteffizienz beeinträchtigen, hat Microsoft außerdem einen Mechanismus zur dynamischen Aufgabenzuweisung entwickelt. Das System bewertet die Kommunikationskosten, den zusätzlichen Speicheraufwand und die Häufigkeit der Datenübertragung zwischen verschiedenen Geräten nach der Aufgabenteilung und versucht, eine für die verteilte Ausführung geeignete Aufgabenteilungsmethode auszuwählen.
Eines der wichtigsten Merkmale dieses Systems ist seine Fähigkeit, festzustellen, wann der Computer des Benutzers wirklich inaktiv ist. Microsoft plant, die GPU-Auslastung, die Videospeichernutzung, die Prozessorauslastung, die Gerätetemperatur und den Stromverbrauch kontinuierlich zu überwachen und diese Daten zu nutzen, um die verfügbare Rechenleistung des Geräts in Zukunft vorherzusagen.
Wenn der Benutzer beispielsweise ein großes Spiel ausführt, kann das System die Häufigkeit der Aufgabenzuweisung reduzieren oder Berechnungen sogar ganz aussetzen; Wenn sich der Computer im Desktop-Standby befindet, die GPU-Temperatur niedrig ist und der Videospeicher ausreichend ist, können mehr Trainingsaufgaben zugewiesen werden. Das System passt außerdem die Überwachungshäufigkeit an die tatsächliche Situation der Ausrüstung an, um zusätzliche Belastungen durch häufige Inspektionen selbst zu vermeiden.
Microsoft betonte ausdrücklich, dass das Designziel des gesamten Mechanismus darin besteht, die normale Nutzung von Computern durch Benutzer so weit wie möglich nicht zu beeinträchtigen, einschließlich der Reduzierung der Ausführungsgeschwindigkeit von Anwendungen, der Erhöhung der Gerätewärme und des Verbrauchs von Batteriestrom. Die den verschiedenen Geräten zugewiesenen Aufgaben werden außerdem basierend auf deren Hardwarefähigkeiten dynamisch angepasst. Geräte mit schwächerer Leistung oder die möglicherweise jederzeit offline sind, übernehmen nur kleinere Rechenaufgaben.
Bei verteilten Computernetzwerken besteht ein weiteres schwieriges Problem darin, sicherzustellen, dass die von den teilnehmenden Geräten zurückgegebenen Ergebnisse vertrauenswürdig sind. Schließlich können Computer im Netzwerk Rechenfehler machen, unerwartet die Verbindung trennen oder sogar absichtlich falsche Ergebnisse übermitteln.
Zu diesem Zweck schlug Microsoft vor, die von verschiedenen Geräten zurückgegebenen Berechnungsergebnisse gegenseitig zu validieren und den zurückgegebenen Ergebnissen basierend auf der früheren Zuverlässigkeit des Geräts, der Konsistenz der Ergebnisse mit den Berechnungsergebnissen anderer Geräte und der Aktualität der Daten unterschiedliche Gewichtungen zuzuweisen. Geräte, die über einen längeren Zeitraum eine konstante Leistung erbringen, erhalten eine höhere Glaubwürdigkeit, während Geräte, die häufig abnormale Ergebnisse liefern, möglicherweise herabgestuft werden.
Das Attraktivste an diesem Patent für normale Computernutzer ist natürlich die Möglichkeit, für die Bereitstellung von Rechenleistung bezahlt zu werden.
Gemäss den Bewerbungsunterlagen müssen sich Nutzer aktiv registrieren und das Gerät explizit zur Teilnahme an Berechnungen berechtigen. Das System kann die von jedem Gerät geleistete Rechenarbeit aufzeichnen und den Gerätebesitzer entsprechend dem Beitrag entschädigen. Diese Vergütungen können in Form von Kontopunkten erfolgen, die Benutzer dann gegen kostenlose Software, Zugang zu trainierten KI-Modellen oder einfach gegen Bargeld einlösen können.
Es ist erwähnenswert, dass Microsoft in dem Dokument keine spezifischen Vergütungsstandards bekannt gegeben hat und auch nicht erklärt hat, wie viel Umsatz verschiedene Grafikkarten pro Stunde erzielen können. Das Patent beschreibt lediglich mögliche Anreizmechanismen und bedeutet nicht, dass Microsoft bereit ist, einen kostenpflichtigen Dienst für Verbraucher zu starten.
Außerdem bedient dieses System nicht unbedingt nur Microsofts eigene KI-Modelle. Das Patent beschreibt auch ein mögliches Modell, bei dem eine Drittorganisation Schulungsaufgaben bereitstellt und Microsoft für die Verbindung von Aufgabenanforderern und Besitzern persönlicher Geräte verantwortlich ist. Mit anderen Worten: Microsoft hat die Möglichkeit, eine Zwischenplattform auf dem Markt für verteilte GPU-Rechenleistung zu werden, die es Unternehmen, denen es an Rechenressourcen mangelt, ermöglicht, ungenutzte GPU-Leistung in gewöhnlichen Verbrauchercomputern zu mieten.
Allerdings weist dieses Modell auch einige praktische Probleme auf. Nur weil die GPU im Leerlauf ist, heißt das nicht, dass die Ausführung von Rechenaufgaben keinen Strom verbraucht. Sobald die Grafikkarte beginnt, KI-Trainingsaufgaben auszuführen, kann der Stromverbrauch des gesamten Computers deutlich ansteigen und der Benutzer muss zusätzliche Stromrechnungen tragen. Reicht der Entschädigungsbetrag nicht aus, um die Stromkosten zu decken, können die Teilnehmer möglicherweise keinen wirklichen Gewinn erzielen.
Zweitens erhöht die Ausführung von Rechenaufgaben mit hoher Auslastung über einen längeren Zeitraum die Wärmeerzeugung und den Wärmeableitungsdruck der Grafikkarte und kann sich auch auf die Nutzung von Hardware wie Lüftern und Stromversorgungssystemen auswirken. Auch wenn das System Aufgaben dynamisch an die Temperatur anpassen kann, muss der tatsächliche Betriebseffekt noch durch Langzeittests überprüft werden.
Auch die Datensicherheit verdient Aufmerksamkeit. Personalcomputer erhalten Rechenaufgaben von Dritten. Wie man externen Code isoliert, lokale Dateien und die Privatsphäre der Benutzer schützt und wie man verhindert, dass böswillige Aufgaben Geräteschwachstellen ausnutzen, sind alles Probleme, die in dieser Art von verteilten Computernetzwerken gelöst werden müssen.
Es gibt noch ein weiteres Detail, das leicht übersehen wird: Obwohl in der Patentanmeldung die Zahlung einer Entschädigung an den Gerätebesitzer erwähnt wird, erscheint die entsprechende Entschädigung nicht in den 20 Ansprüchen. Mit anderen Worten: Das Patent konzentriert sich auf die Aufteilung von Trainingsaufgaben, die Überwachung des Leerlaufstatus von Geräten, die Zuweisung von Rechenarbeit und die Überprüfung von Ergebnissen, während der Zahlungsmechanismus nur eine optionale Implementierung ist, die in der Spezifikation beschrieben wird.
Derzeit hat Microsoft weder den Start dieses Dienstes noch die unterstützten Grafikkartenmodelle, Teilnahmebedingungen, Vergütungsstandards oder den offiziellen Startzeitpunkt bekannt gegeben. Die Veröffentlichung einer Patentanmeldung allein bedeutet nicht, dass verwandte Produkte definitiv auf den Markt kommen.
Wenn diese Idee endlich verwirklicht wird, erinnert ihr Modell möglicherweise an frühe verteilte Computerprojekte wie Folding@home, das die ungenutzte Rechenleistung von Personalcomputern nutzt, um an wissenschaftlicher Forschung teilzunehmen. Der Unterschied besteht darin, dass Microsoft hofft, dieses Modell weiter zu kommerzialisieren und die Gaming-Computer gewöhnlicher Verbraucher zu einem Teil der Computerinfrastruktur der KI-Industrie zu machen.
Für Benutzer mit leistungsstarken Grafikkarten dürfen Computer künftig nicht mehr nur für Spiele, Rendering und lokale KI-Inferenz verwendet werden. Wenn der Computer nicht verwendet wird, kann die ungenutzte GPU auch zu einer Rechenressource werden, die gemietet werden kann. Ob am Ende jedoch ein wirklich attraktives Geschäftsmodell entstehen kann, hängt immer noch davon ab, ob die Vergütung ausreicht, um Stromrechnungen, Hardwareverluste und das Vertrauen der Nutzer in Gerätesicherheit und Datenschutz zu decken.
Kommentare