算力荒近在眼前，微软准备用玩家的显卡跑 AI

一周前，OpenAI CEO 萨姆 · 奥尔特曼曾在播客节目中吐槽道，" 当我们审视全球有限的内存供应链时，会发现资源分配非常糟糕。全球数以亿计的个人电脑中，囤积了海量的内存，但在绝大多数时间里，这些内存的使用率仅仅只有 5% 左右 "。

普通 PC 用户买内存是浪费，OpenAI 用才是正途，奥尔特曼这番傲慢的 " 地图炮 " 很快就一石激起千层浪。然而，他随口说出的却是硅谷的共识，算力闲置在个人电脑里简直是浪费。

几乎在同一时间，微软的一份新专利浮出水面，核心是 " 共享计算 "，他们准备将用户闲置的算力纳入一张大网。

这一专利显示，微软提出建立一个分布式计算网络，将大型 AI 模型训练任务拆分成大量小型任务，分配给处于空闲状态的游戏电脑、笔记本电脑，甚至是智能手机。愿意向这一网络提供算力的用户，则会获得积分、免费软件、AI 模型使用权限，甚至是现金报酬。

事实上，微软这个想法并非空穴来风。如今数据中心的扩张与民生矛盾早已积累到了一定的地步，最终演化成美国各地掀起的反数据中心浪潮，并且 AI 巨头和数据中心开发商未来大概率要面对更为严厉的监管。所以他们的 " 算力焦虑 " 已经不再是杞人忧天，而是成为近在眼前的危机。

过去两年间，AI 模型对算力的需求增长速度远超供给，使得这些巨头不得不在美国、欧洲、中东大规模兴建数据中心。现在随着数据中心的建设极有可能会被按下暂停键，就让算力短缺变得更为紧迫。可是相关厂商已经为 AI 投入了海量资金，没人敢无视这笔庞大的沉没成本。

微软试图让用户电脑里的显卡参与训练 AI 模型，算得上是一个不是办法的办法。

众所周知，AI 模型的训练往往关联着一个词，那就是 " 万卡集群 "，动辄千万亿参数规模的 AI 模型训练，通常需要数千甚至数万张计算卡协同工作。

为此，微软从边缘计算这一概念中汲取到了灵感，通过建立不同计算任务之间的依赖关系，再将整个训练过程拆分成多个相对独立的小型任务，也就是所谓的微型任务（Micro-tasks）。系统根据不同设备的 GPU 性能、显存容量以及可用时间，将这些任务分配给参与网络的个人终端。完成计算后，个人终端再将结果上传，由服务器进行验证、整合，并继续推进后续的训练工作。

简单来说，微软是要建立一个围绕 AI 模型训练的承包体系，他们作为总包商将任务拆解成一个个零散片段，用户则在 " 任务公告栏 " 里领取适合自己设备的散单。

为了避免不同设备之间性能差异影响整体效率，微软还设计了一套动态任务分配机制。系统会评估任务拆分后的通信成本、额外内存开销以及数据在不同设备间传输的频率，尽可能选择适合分布式执行的任务切分方式。

当然，天上没有白掉的馅饼，想要靠接单赚零花钱的朋友需要注意。为了最大限度地使用算力，微软计划通过 Windows 持续监测 GPU 利用率、显存占用、处理器负载、设备温度以及功耗，并根据这些数据预测设备未来一段时间的可用计算能力。

其实从某种意义来说，微软的这个专利并不新鲜，许多玩过 PCDN、P2SP 的朋友对它肯定非常熟悉。

PCDN 的原理，也是将集中部署在数据中心的内容拆成无数小块，让用户的电脑当做微型服务器。比如，当有人想看一部热播剧时，平台就不需要从远在千里之外的数据中心拉流，而是先问问附近有没有 " 好心人 " 已经缓存了相关内容。

" 打着人人为我，我为人人 " 旗号的 PCDN，同样也是对用户诱之以利，从而吸引用户主动贡献自己的宽带来作为 PCDN 的资源。虽然微软的共享算力和 PCDN 的共享宽带理念接近，但两者的结局恐怕会是南辕北辙。

由于 PCDN 是互联网内容平台和用户合谋薅运营商的羊毛，以至于运营商的高价商用宽带损失了一大批潜在客户。而微软的共享算力不一样，英伟达、AMD、三星、美光等算力供应链的上游如今处于满负荷状态，算力依然供不应求，并且微软可没说用个人电脑的算力来替代数据中心。

所以一旦微软这个专利开始落地，势必会成为普通人赚零花钱的好机会。唯一的问题，是这种操作比较费显卡。因为 AI 模型训练会让显卡长时间接近满载运行，晶体管开关次数剧增就将加速老化。按照 60%-70% 的高利用率计算，业界普遍预估数据中心的显卡寿命可能只有 1-3 年，所以挣的钱够不够显卡损耗就需要算笔账了。

【本文图片来自网络】