Microsoft brevette l'entraînement d'IA sur des cartes graphiques inactives, avec rémunération

Imaginez : vous fermez votre jeu et partez dîner, et pendant ce temps votre carte graphique calcule un petit morceau du réseau de neurones de quelqu'un d'autre. À votre retour, le jeu se lance comme d'habitude, les ventilateurs sont silencieux et des points sont arrivés sur votre compte. C'est à peu près ce schéma que Microsoft a décrit dans la demande de brevet Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization.

La demande a été déposée par la division Microsoft Technology Licensing en avril 2025, et elle est apparue dans la base de l'USPTO le 5 novembre 2026. Pour l'instant, ce n'est que du papier : l'entreprise n'a communiqué ni date de lancement ni tarifs.

Quel problème il s'agit de résoudre, et comment ça fonctionne

L'entraînement des modèles se heurte à la pénurie et au coût des GPU dans les centres de données. Pourtant, des millions de personnes possèdent chez elles des cartes graphiques puissantes, inutilisées la plupart de la journée. Le brevet propose de les rassembler dans un pool unique.

Le schéma est le suivant. Les serveurs d'entraînement découpent une grande tâche en de nombreuses micro-tâches et les envoient via Internet vers des PC, des ordinateurs portables et même des smartphones. L'application cliente surveille en permanence la charge du GPU, la mémoire vidéo occupée, la température de la puce et la consommation électrique. Si vous lancez un jeu ou un rendu, la charge diminue ou le calcul se met en pause. Si la carte commence à trop chauffer, il se passe la même chose.

La vérification des résultats est décrite à part. Les ordinateurs domestiques ne sont pas protégés contre les erreurs de calcul aléatoires comme le matériel de serveur. C'est pourquoi les serveurs de la plateforme revérifient ce qu'ils reçoivent des utilisateurs, afin que l'erreur d'un seul portable ne corrompe pas le modèle principal.

Le travail est rémunéré par des points internes. Selon les auteurs, ils pourraient être échangés contre de l'argent réel, des logiciels sous licence ou un accès gratuit à des services d'IA commerciaux. Dans l'esprit, c'est Folding@home, mais sur une base commerciale et pour des tâches d'apprentissage automatique.

Est-ce rentable pour le propriétaire de la carte graphique ?

Faisons le calcul sur un exemple. Supposons qu'un ordinateur en charge consomme 250 W de plus que d'habitude pendant quatre heures par jour. Cela donne 0,25 kW × 4 heures × 30 jours = 30 kWh par mois. Avec un tarif de 0,35 $ le kWh (ce qui existe dans certaines régions des États-Unis et d'Europe), la facture d'électricité augmente de 10,50 $ par mois.

À cette somme, il faut ajouter l'usure de la carte graphique et des ventilateurs. Pour que la participation ait un sens, les paiements doivent couvrir à la fois l'électricité et l'amortissement. Il n'y a pas de tarifs, donc impossible aujourd'hui de calculer le gain. Même le propriétaire du PC ne peut pas estimer combien de points il obtiendrait pour 30 kWh.

Ce qui compte ici pour les développeurs et les product managers

D'abord, une réserve. Dans la description du brevet dont nous disposons, il n'y a pas de réponse à la principale question d'ingénierie : comment entraîner un grand modèle si les GPU sont reliés par un Internet domestique ordinaire. L'entraînement classique exige des échanges de données rapides entre les cartes, alors que les connexions domestiques ont une latence élevée et un faible débit. Les « micro-tâches » du titre correspondent donc probablement à un petit fine-tuning ou à des sous-tâches facilement parallélisables. C'est notre interprétation, et non une affirmation de la demande.

Les conclusions pratiques sont les suivantes :

• N'intégrez pas un tel service dans vos plans. Un brevet n'est pas un produit, et beaucoup de demandes restent des demandes.
• Si vous développez une application de bureau avec une charge GPU en arrière-plan, prenez le schéma du brevet comme checklist. Surveillez la charge, la VRAM, la température et la puissance, et cédez immédiatement les ressources aux processus prioritaires.
• Tout calcul sur des clients non fiables doit être vérifié. Un recalcul par échantillonnage côté serveur coûte généralement moins cher qu'un modèle empoisonné ou corrompu.
• Les fondateurs devraient suivre le marché de la location de GPU. Si un grand acteur lance sérieusement un pool distribué, cela fera pression sur les prix de la capacité cloud. Pour l'instant, le signal est faible.

Il reste aussi des questions ouvertes auxquelles la demande de brevet, dans le résumé dont nous disposons, ne répond pas. Quelles données et quels poids de modèles arriveront sur les ordinateurs d'autrui ? Comment seront-ils protégés contre l'extraction ? Qu'en est-il de la responsabilité juridique si la carte tombe en panne ? Les réponses détermineront si l'idée deviendra un service ou restera un joli schéma dans la base de l'USPTO.

En résumé : Microsoft a montré qu'elle considère les millions de GPU domestiques comme une ressource de plus pour l'IA. Pour l'industrie, c'est un signal curieux de la faim de puissance de calcul, mais pas une raison de changer quoi que ce soit à ses plans dès aujourd'hui.