Ein Microsoft-Patent beschreibt ein System zum Training von KI mit ungenutzten GPUs auf Gaming-PCs und anderen persönlichen Geräten.
Die Anmeldung mit dem Titel „Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization“ (US 2026/0349820 A1) wurde am 30. April 2025 von Microsoft Technology Licensing eingereicht und am 5. November 2026 vom USPTO veröffentlicht.
Wie das System funktionieren würde
Anstatt das Training vollständig in Rechenzentren zu konzentrieren, zerlegt das System große Aufträge in kleinere, unabhängige Mikroaufgaben. Diese Teile werden an registrierte Geräte gesendet, wenn freie GPU-Kapazität erkannt wird. Der Dienst überwacht Auslastung, Speicher, Temperatur und Stromverbrauch, damit die Last den normalen Gebrauch des Geräts nicht stört.
Die Überwachungsfrequenz passt sich an: seltener, wenn die GPU beschäftigt oder heiß ist, häufiger, wenn sie im Leerlauf und kühl ist. Ziel ist es, ansonsten ungenutzte Ressourcen zu verwenden, ohne die Nutzererfahrung zu beeinträchtigen.
Vergütung für Eigentümer
Die Patentbeschreibung erwähnt die Möglichkeit, Geräteeigentümer zu entschädigen, die sich beteiligen. Das System könnte das Volumen der durchgeführten Berechnungen verfolgen und Gutschriften auf dem Nutzerkonto anwenden, die gegen kostenlose Software, Modellzugriff oder sogar Geld eingelöst werden können. Diese Erwähnung erscheint jedoch nur im beschreibenden Absatz [0019]; keine der 20 formellen Ansprüche erfordert Zahlung oder Belohnung.
Die Teilnahme wäre freiwillig und erforderte vorherige Genehmigung des Hardware-Eigentümers. Experten weisen darauf hin, dass ein Patent eine Idee beschreibt, kein fertiges Produkt: Microsoft hat keine Implementierung angekündigt, und zusätzlicher Stromverbrauch sowie Hardware-Verschleiß bleiben offene Überlegungen.
Kontext von GPU-Engpässen
Die Spezifikation stellt fest, dass die Nachfrage nach GPUs für KI-Training Engpässe verursacht hat, während Gaming-Computer oft leistungsstarke Karten enthalten, die außerhalb von Spielen ungenutzt bleiben. Edge-Geräte werden als netzwerkverbundene Hardware mit GPUs definiert, die typischerweise nicht von der das Modell trainierenden Einheit kontrolliert werden.
Das Konzept ähnelt verteilten Computing-Projekten wie Folding@home, konzentriert sich aber speziell auf das Mikrotraining von Machine-Learning-Modellen, mit Analyse von Modellabhängigkeiten zur Wahl optimaler Teilungspunkte basierend auf Kommunikationskosten und Datenlokalität.
Von Grok
