要約:
マイクロソフトは、一般の消費者向けコンピューターのアイドル状態のコンピューティング能力を人工知能モデルのトレーニングに利用する方法を模索しています。最近公開された特許出願によると、マイクロソフトは、大規模な AI モデルのトレーニング タスクを多数の小さなタスクに分割し、アイドル状態のゲーム用コンピューター、ラップトップ、さらにはスマートフォンに分散する分散コンピューティング ネットワークを確立することを提案しました。機器のコンピューティング能力を提供する意欲のあるユーザーは、ポイント、無料ソフトウェア、AI モデルの使用権、さらには現金の報酬を受け取ることができます。
このテクノロジーは「予備 GPU 使用率を使用したエッジ デバイスでの Opportunistic Micro-training」 (予備 GPU 使用率を使用したエッジ デバイスでの Opportunistic Micro-training) と呼ばれ、Microsoft テクノロジー ライセンス会社である Microsoft Technology Licensing によって提出されました。この特許出願は 2025 年 4 月 30 日に提出され、2026 年 11 月 5 日に公開され、番号 US 2026/0349820 A1 が付けられました。
Microsoft は申請書類の中で、人工知能モデルのトレーニング用の GPU の需要が増大し続けており、それがコンピューティング リソースの不足とハードウェア供給への圧力を引き起こしていると指摘しました。同時に、多くのゲーム用 PC には強力なディスクリート グラフィックス カードが装備されていますが、これらのデバイスは、ユーザーがゲームをプレイしていないとき、長時間にわたって低負荷のままであることがよくあります。 Microsoft は、これらの分散したアイドル状態のコンピューティング能力を統合して、AI トレーニングを提供できる分散コンピューティング ネットワークを形成したいと考えています。
基本的な考え方は、従来の大規模データセンターとは異なります。大規模な AI トレーニング タスクでは通常、数千、さらには数万の GPU が連携して動作する必要があります。 Microsoft は、最初にモデルを分析し、さまざまなコンピューティング タスク間の依存関係を確立し、次にトレーニング プロセス全体を複数の比較的独立した小さなタスク (いわゆるマイクロタスク) に分割することを提案しています。
システムは、GPU パフォーマンス、ビデオ メモリ容量、さまざまなデバイスの利用可能時間に基づいて、ネットワークに参加している PC にこれらのタスクを分散します。デバイスが計算を完了すると、結果が中央システムにアップロードされ、そこでサーバーが結果を検証して統合し、その後のトレーニングを促進し続けます。
さまざまなデバイス間のパフォーマンスの違いが全体の効率に影響を与えるのを防ぐために、Microsoft は動的なタスク割り当てメカニズムも設計しました。システムは、タスク分割後の通信コスト、追加メモリ オーバーヘッド、異なるデバイス間のデータ送信頻度を評価し、分散実行に適したタスク分割方法の選択を試みます。
このシステムの最も重要な機能の 1 つは、ユーザーのコンピュータがいつ本当にアイドル状態になるかを判断できることです。 Microsoft は、GPU 使用率、ビデオ メモリ使用量、プロセッサ負荷、デバイス温度、電力消費を継続的に監視し、これらのデータを使用してデバイスで利用可能な将来のコンピューティング能力を予測する予定です。
たとえば、ユーザーが大規模なゲームを実行している場合、システムはタスク割り当ての頻度を減らしたり、計算を完全に停止したりすることさえできます。コンピューターがデスクトップ スタンバイ状態にあり、GPU の温度が低く、ビデオ メモリが十分である場合は、より多くのトレーニング タスクを割り当てることができます。また、機器の実際の状況に応じて監視頻度を調整し、頻繁な点検自体による追加の負担を回避します。
Microsoft は、メカニズム全体の設計目標は、アプリケーションの実行速度の低下、デバイスの発熱、バッテリー電力の消費など、ユーザーの通常のコンピューター使用への影響をできる限り回避することであると特に強調しました。さまざまなデバイスに割り当てられたタスクも、ハードウェア機能に基づいて動的に調整されます。パフォーマンスが低いデバイス、またはいつでもオフラインになる可能性があるデバイスは、小規模なコンピューティング タスクのみを実行します。
分散コンピューティング ネットワークの場合、もう 1 つの難しい問題は、参加しているデバイスから返される結果が信頼できるものであることを確認する方法です。結局のところ、ネットワーク上のコンピュータは計算エラーを起こしたり、予期せず切断されたり、意図的に誤った結果を送信したりする可能性があります。
この目的を達成するために、マイクロソフトは、さまざまなデバイスから返された計算結果を相互検証し、デバイスの過去の信頼性、他のデバイスの計算結果との結果の一貫性、およびデータの新しさに基づいて、返された結果に異なる重み付けを与えることを提案しました。長期間にわたって一貫して動作するデバイスには高い信頼性が与えられますが、異常な結果を頻繁に送信するデバイスには格下げされる可能性があります。
もちろん、一般のコンピュータ ユーザーにとってこの特許の最も魅力的な点は、コンピューティング能力の提供に対して報酬が得られる可能性があることです。
申請書類で提出されたとおり、ユーザーは積極的に登録し、デバイスが計算に参加することを明示的に許可する必要があります。このシステムは、各デバイスによって行われたコンピューティング作業の量を記録し、その貢献に基づいてデバイスの所有者に補償することができます。これらの報酬はアカウント ポイントの形を取ることができ、ユーザーはそのポイントを無料ソフトウェアと引き換えたり、トレーニング中の AI モデルにアクセスしたり、あるいは単に現金を受け取ったりすることができます。
Microsoft が文書内で具体的な報酬基準を発表しておらず、さまざまなグラフィックス カードが 1 時間あたりどれくらいの収益を得ることができるかについても説明していないことは注目に値します。この特許は、考えられるインセンティブのメカニズムを説明しているだけであり、Microsoft が消費者向けに有料サービスを開始する準備ができていることを意味するものではありません。
さらに、このシステムは必ずしも Microsoft 独自の AI モデルのみを提供するわけではありません。この特許では、サードパーティ組織がトレーニング タスクを提供し、Microsoft がタスクの要求者と個人のデバイス所有者を結び付ける役割を担うというモデルの可能性についても説明されています。言い換えれば、Microsoft には、分散型 GPU コンピューティング能力市場の中間プラットフォームとなる機会があり、コンピューティング リソースが不足している企業が、一般の消費者向けコンピューターで使用されていない GPU 能力を借りることができるようになります。
しかし、このモデルには実際上の問題もいくつかあります。まず、GPU がアイドル状態だからといって、コンピューティング タスクの実行で電力が消費されないというわけではありません。グラフィックス カードが AI トレーニング タスクの実行を開始すると、コンピューター全体の消費電力が大幅に増加する可能性があり、ユーザーは追加の電気料金を負担する必要があります。補償金額が電気代を賄うのに十分でない場合、参加者は真の利益を得ることができない可能性があります。
第 2 に、高負荷のコンピューティング タスクを長時間実行すると、グラフィックス カードの発熱と放熱圧力が増加し、ファンや電源システムなどのハードウェアの使用にも影響を与える可能性があります。システムが温度に基づいてタスクを動的に調整できる場合でも、実際の動作効果は長期間のテストを通じて検証する必要があります。
データのセキュリティも注目に値します。パーソナルコンピュータはサードパーティからコンピューティングタスクを受け取ります。外部コードを隔離する方法、ローカル ファイルとユーザーのプライバシーを保護する方法、悪意のあるタスクによるデバイスの脆弱性の悪用を防ぐ方法はすべて、このタイプの分散コンピューティング ネットワークで解決する必要がある問題です。
見落とされがちな詳細がもう 1 つあります。特許出願には機器所有者への補償金の支払いについて言及されていますが、関連する補償金はその 20 件の請求項に記載されていません。言い換えれば、この特許は、トレーニングタスクの分割方法、機器のアイドル状態の監視方法、コンピューティング作業の割り当て方法、および結果の検証方法に焦点を当てており、支払いメカニズムは仕様書に記載されているオプションの実装にすぎません。
現時点では、Microsoft はこのサービスの開始を発表しておらず、サポートされているグラフィックス カードのモデル、参加条件、報酬基準、正式な開始時期も発表していません。特許出願自体が公開されたからといって、関連製品が確実に市場に投入されるわけではありません。
このアイデアが最終的に実現すれば、そのモデルは、科学研究に参加するためにパーソナル コンピュータのアイドル状態のコンピューティング能力を使用する Folding@home など、初期の分散コンピューティング プロジェクトを彷彿とさせるものになるかもしれません。違いは、Microsoft がこのモデルをさらに商品化して、一般消費者のゲーム用コンピューターを AI 業界のコンピューティング インフラストラクチャの一部にしたいと考えていることです。
高性能グラフィックス カードを搭載したユーザーにとって、将来のコンピューターは、ゲーム、レンダリング、ローカル AI 推論のみに使用されることはなくなるかもしれません。コンピュータが使用されていないときは、アイドル状態の GPU もレンタル可能なコンピューティング リソースになる場合があります。しかし、本当に魅力的なビジネスモデルを最終的に形成できるかどうかは、その報酬が電気代、ハードウェアの損失、デバイスのセキュリティとプライバシーに対するユーザーの信頼をカバーするのに十分であるかどうかにかかっています。
コメント