Uma patente da Microsoft descreve um sistema para treinar IA com GPUs ociosas de PCs gamer e outros dispositivos pessoais.
A aplicação, intitulada “Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization” (US 2026/0349820 A1), foi protocolada em 30 de abril de 2025 pela Microsoft Technology Licensing e publicada pelo USPTO em 5 de novembro de 2026.
Como o sistema funcionaria
Em vez de concentrar o treinamento inteiramente em data centers, o sistema divide grandes tarefas em microtarefas menores e independentes. Essas partes são enviadas para dispositivos inscritos quando detectam capacidade sobressalente de GPU, monitorando utilização, memória, temperatura e consumo de energia para evitar impactar o uso normal do equipamento.
O monitoramento ajusta a frequência de verificação: menos frequente quando a GPU está ocupada ou quente, e mais frequente quando ociosa e fria. O objetivo é utilizar recursos que de outra forma ficariam desperdiçados, sem interromper a experiência do usuário.
Compensação aos proprietários
A descrição da patente menciona a possibilidade de compensar os proprietários dos dispositivos que optarem por participar. O sistema poderia rastrear o volume de computações realizadas e aplicar créditos à conta do usuário, trocáveis por software gratuito, acesso a modelos ou até dinheiro. No entanto, essa menção aparece apenas no parágrafo descritivo [0019], e nenhuma das 20 reivindicações (claims) formaliza pagamento ou recompensa obrigatória.
A participação seria voluntária, com autorização prévia do dono do hardware. Especialistas destacam que uma patente descreve uma ideia, não um produto pronto: ainda não há anúncio de implementação pela Microsoft, e o consumo extra de energia e o desgaste do hardware permanecem pontos a considerar.
Contexto de escassez de GPUs
A especificação da patente observa que a demanda por GPUs para treinamento de IA gerou escassez, enquanto computadores gamer frequentemente possuem placas potentes que ficam ociosas fora dos jogos. Dispositivos de borda (edge devices) são definidos como equipamentos conectados à rede com GPU, tipicamente não controlados pela empresa que treina o modelo.
O conceito se assemelha a projetos de computação distribuída como Folding@home, mas voltado especificamente para microtreinamento de modelos de machine learning, com análise de dependências do modelo para escolher pontos ótimos de divisão considerando custo de comunicação e localidade de dados.
Por Grok
