Microsoft ha presentado una solicitud de patente que describe una posible forma de ampliar la capacidad de computación disponible para entrenar modelos de inteligencia artificial (IA). La propuesta utilizaría, con autorización de sus propietarios, la GPU de dispositivos de consumo cuando estén inactivos y contempla compensar a los participantes con créditos, dinero u otras recompensas. Sin embargo, se trata únicamente de una solicitud: no está aprobada ni confirma que Microsoft vaya a lanzar el sistema.
Cómo funcionaría la propuesta
La solicitud, titulada «microentrenamiento oportunista en dispositivos periféricos aprovechando GPU sobrante», fue presentada por Microsoft Technology Licensing el 30 de abril de 2025 y se publicó el 5 de noviembre. En ella se plantea repartir partes del trabajo de entrenamiento de IA entre distintos equipos de usuarios, en lugar de depender exclusivamente de centros de datos o de una única infraestructura de computación.
Tareas pequeñas distribuidas entre dispositivos
El sistema dividiría las cargas de trabajo intensivas en tareas de menor tamaño, que podrían ejecutarse en equipos como ordenadores para videojuegos, portátiles y teléfonos inteligentes. La patente señala los PC de gaming como un ejemplo de dispositivos cuya GPU puede quedar infrautilizada cuando el propietario no está jugando.
Cada tarea se adaptaría a la capacidad del equipo y a la previsibilidad de su disponibilidad. El sistema asignaría trabajo cuando detectara que el dispositivo está libre y, después, se encargaría de validar y combinar los resultados recibidos de los distintos participantes.
Supervisión del estado del dispositivo
Para decidir si un equipo puede recibir tareas, la tecnología analizaría diferentes indicadores, entre ellos:
- El uso de la GPU y de la CPU.
- La memoria disponible.
- La temperatura del dispositivo.
- El consumo eléctrico y el ancho de banda.
- La carga de trabajo o la cola de cómputo.
La patente también contempla límites para evitar que las tareas ocupen demasiados recursos. Por ejemplo, la memoria utilizada podría limitarse a un máximo del 80 % de la capacidad total, con un margen de seguridad adicional.
Ajustes para proteger la experiencia del usuario
El sistema podría reducir o detener el trabajo si el equipo se calienta demasiado o si el usuario abre una aplicación que necesita más recursos. La intención es que las tareas de IA se ejecuten de manera flexible y oportunista, dando prioridad al uso habitual del dispositivo.
Además, cada equipo tendría una puntuación de fiabilidad. Esta serviría para determinar qué tipo de tareas puede recibir. Si la puntuación cae por debajo de cierto umbral, el dispositivo dejaría de recibir trabajo.
Autorización y posibles recompensas
La propuesta indica que el propietario tendría que dar su autorización expresa y registrarse para participar. Por tanto, el uso de la GPU no se plantea como algo automático o impuesto a los usuarios.
A cambio de aportar capacidad de computación, los participantes podrían recibir créditos, que eventualmente se canjearían por opciones como:
- Software gratuito.
- Créditos para acceder al modelo de IA entrenado.
- Pagos en dinero.
- Otras recompensas similares.
La patente no concreta cómo se calcularía la compensación ni qué condiciones tendría. Esos detalles dependerían de cómo se diseñara un eventual servicio.
Dudas y desafíos pendientes
Uno de los principales interrogantes es el coste energético. Aunque el sistema monitorizaría el consumo y otros parámetros del equipo, la solicitud no explica cómo compensaría el gasto adicional de electricidad que podría generar el uso de la GPU.
También quedarían por resolver cuestiones prácticas como el impacto en el rendimiento, el desgaste del hardware, la privacidad, la seguridad de las tareas y la forma de calcular una compensación justa. En cualquier caso, al tratarse de una solicitud de patente aún no aprobada, no se puede dar por hecho que la propuesta vaya a convertirse en un producto o servicio comercial.
Un interés creciente por aprovechar equipos inactivos
La idea de utilizar dispositivos de usuarios cuando no están en uso no es exclusiva de Microsoft. El artículo señala que, durante el mismo año, las startups Far Labs y Evolving Edge también plantearon propuestas para pagar por utilizar ordenadores inactivos en tareas de inferencia de IA.
Aunque el entrenamiento y la inferencia son actividades distintas, ambas propuestas reflejan un interés común: aprovechar recursos de computación que ya existen, pero que permanecen desocupados durante parte del tiempo.
Consejos para emprendedores y negocios
Evaluar los costes antes de ofrecer recompensas
Antes de lanzar un programa de computación distribuida, conviene calcular el coste total para todas las partes: electricidad, desgaste del equipo, conectividad, soporte y compensaciones. Una recompensa atractiva puede no ser sostenible si no se compara con el valor real de la capacidad aportada.
Diseñar un consentimiento claro y revocable
La participación debería basarse en un consentimiento informado, con explicaciones sencillas sobre qué recursos se utilizarán, cuándo se ejecutarán las tareas y cómo puede el usuario abandonar el programa. La confianza puede ser tan importante como la tecnología.
Dar prioridad al usuario
Un servicio de este tipo debería detener o limitar automáticamente las tareas cuando el dispositivo se caliente, se quede sin recursos o el usuario inicie una actividad exigente. Para un negocio, proteger la experiencia cotidiana del cliente ayuda a evitar reclamaciones y pérdida de confianza.
Explicar la compensación con transparencia
Es recomendable definir desde el principio cómo se calcula el pago o la recompensa: por tiempo de uso, capacidad aportada, energía consumida u otro criterio. Las reglas claras facilitan que los usuarios comparen el beneficio con el coste y el desgaste potencial de su equipo.
Incorporar controles de seguridad y privacidad
Las empresas que distribuyan cargas de trabajo entre equipos externos deberían analizar cómo se protegen los datos, cómo se verifica cada resultado y qué información puede conocer el propietario del dispositivo. La seguridad, la privacidad y la validación de resultados son elementos esenciales para que el modelo sea viable.
Probar el modelo con proyectos piloto
Antes de desplegar el servicio a gran escala, puede ser útil realizar pruebas limitadas con equipos y usuarios voluntarios. Un piloto permite medir el consumo, detectar problemas de rendimiento y comprobar si la compensación propuesta resulta atractiva para los participantes.
Conclusiones
La patente de Microsoft describe un sistema para repartir tareas de entrenamiento de IA entre GPU de dispositivos de usuarios que estén inactivos, con controles para adaptarse a la disponibilidad, la temperatura y la carga de cada equipo. La participación requeriría autorización y podría incluir créditos, dinero u otras recompensas.
La propuesta muestra una posible vía para ampliar la capacidad de computación disponible, pero todavía plantea preguntas sobre el consumo eléctrico, la compensación, la seguridad y el desgaste del hardware. Por ahora, es solo una solicitud de patente y no una confirmación de que el sistema vaya a implementarse.