Una patente de Microsoft describe un sistema para entrenar IA con GPUs ociosas de PCs gamer y otros dispositivos personales.
La solicitud, titulada “Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization” (US 2026/0349820 A1), fue presentada el 30 de abril de 2025 por Microsoft Technology Licensing y publicada por la USPTO el 5 de noviembre de 2026.
Cómo funcionaría el sistema
En lugar de concentrar el entrenamiento enteramente en centros de datos, el sistema divide grandes trabajos en microtareas más pequeñas e independientes. Estas partes se envían a dispositivos inscritos cuando se detecta capacidad GPU disponible. El servicio monitoriza utilización, memoria, temperatura y consumo de energía para que la carga no interfiera con el uso normal del equipo.
La frecuencia de monitorización se adapta: menos frecuente cuando la GPU está ocupada o caliente, más frecuente cuando está ociosa y fría. El objetivo es aprovechar recursos que de otro modo se desperdiciarían sin interrumpir la experiencia del usuario.
Compensación a los propietarios
La descripción de la patente menciona la posibilidad de compensar a los propietarios que opten por participar. El sistema podría rastrear el volumen de cómputo realizado y aplicar créditos a la cuenta del usuario, canjeables por software gratuito, acceso a modelos o incluso dinero. Sin embargo, esta mención aparece solo en el párrafo descriptivo [0019]; ninguna de las 20 reivindicaciones formales exige pago o recompensa.
La participación sería voluntaria y requeriría autorización previa del dueño del hardware. Expertos señalan que una patente describe una idea, no un producto terminado: Microsoft no ha anunciado ninguna implementación, y el consumo extra de electricidad más el desgaste del hardware siguen siendo consideraciones abiertas.
Contexto de escasez de GPUs
La especificación observa que la demanda de GPUs para entrenamiento de IA ha generado escasez, mientras que los PCs gamer suelen contener tarjetas potentes que permanecen ociosas fuera de los juegos. Los dispositivos edge se definen como hardware conectado a la red con GPU que normalmente no está controlado por la entidad que entrena el modelo.
El concepto se asemeja a proyectos de computación distribuida como Folding@home, pero centrado específicamente en el microentrenamiento de modelos de aprendizaje automático, con análisis de dependencias del modelo para elegir puntos óptimos de división según coste de comunicación y localidad de datos.
Por Grok
