الملخص:
تستكشف مايكروسوفت طريقة لاستخدام قوة الحوسبة الخاملة لأجهزة الكمبيوتر الاستهلاكية العادية لتدريب نماذج الذكاء الاصطناعي. وفقا لطلب براءة اختراع تم نشره مؤخرا، اقترحت مايكروسوفت إنشاء شبكة حوسبة موزعة لتقسيم مهام التدريب على نماذج الذكاء الاصطناعي واسعة النطاق إلى عدد كبير من المهام الصغيرة وتوزيعها على أجهزة الكمبيوتر المخصصة للألعاب، وأجهزة الكمبيوتر المحمولة، وحتى الهواتف الذكية. يمكن للمستخدمين الذين يرغبون في توفير قوة حوسبة المعدات الحصول على نقاط وبرامج مجانية وحقوق استخدام نموذج الذكاء الاصطناعي وحتى مكافآت نقدية.
يُطلق على هذه التقنية اسم "التدريب الجزئي الانتهازي على الأجهزة الطرفية باستخدام استخدام وحدة معالجة الرسومات الاحتياطية" (التدريب الجزئي الانتهازي على الأجهزة الطرفية التي تستخدم استخدام وحدة معالجة الرسومات الاحتياطية) وتم تقديمها بواسطة Microsoft Technology Licensing، وهي شركة ترخيص تكنولوجيا تابعة لشركة Microsoft. تم تقديم طلب براءة الاختراع في 30 أبريل 2025، ونشر في 5 نوفمبر 2026، برقم US 2026/0349820 A1.
أشارت Microsoft في وثائق التطبيق إلى أن الطلب على وحدات معالجة الرسومات للتدريب على نماذج الذكاء الاصطناعي مستمر في النمو، مما تسبب في نقص موارد الحوسبة والضغط على إمدادات الأجهزة. وفي الوقت نفسه، تم تجهيز العديد من أجهزة الكمبيوتر المخصصة للألعاب ببطاقات رسومات منفصلة قوية، ولكن غالبًا ما تظل هذه الأجهزة تحت حمل منخفض لفترات طويلة من الوقت عندما لا يلعب المستخدم الألعاب. وتأمل مايكروسوفت في دمج هذه القوة الحاسوبية الخاملة المتناثرة لتشكيل شبكة حوسبة موزعة يمكن أن تخدم تدريب الذكاء الاصطناعي.
تختلف الفكرة الأساسية عن مراكز البيانات التقليدية الكبيرة. عادةً ما تتطلب مهام تدريب الذكاء الاصطناعي واسعة النطاق آلافًا أو حتى عشرات الآلاف من وحدات معالجة الرسومات للعمل معًا. تقترح Microsoft تحليل النموذج أولاً، وإنشاء التبعيات بين مهام الحوسبة المختلفة، ثم تقسيم عملية التدريب بأكملها إلى عدة مهام صغيرة مستقلة نسبيًا، والتي تسمى المهام الصغيرة.
يقوم النظام بعد ذلك بتوزيع هذه المهام على أجهزة الكمبيوتر المشاركة في الشبكة بناءً على أداء وحدة معالجة الرسومات وسعة ذاكرة الفيديو والوقت المتاح للأجهزة المختلفة. بعد أن يكمل الجهاز الحساب، يقوم بتحميل النتائج إلى النظام المركزي، حيث يتحقق الخادم منها ويدمجها، ويستمر في تعزيز التدريب اللاحق.
من أجل منع اختلافات الأداء بين الأجهزة المختلفة من التأثير على الكفاءة الإجمالية، صممت Microsoft أيضًا آلية توزيع المهام الديناميكية. سيقوم النظام بتقييم تكلفة الاتصال والذاكرة الإضافية وتكرار نقل البيانات بين الأجهزة المختلفة بعد تقسيم المهام، ومحاولة اختيار طريقة تقسيم المهام المناسبة للتنفيذ الموزع.
من أهم مميزات هذا النظام هو قدرته على تحديد الوقت الذي يكون فيه جهاز الكمبيوتر الخاص بالمستخدم خاملاً بالفعل. تخطط Microsoft للمراقبة المستمرة لاستخدام وحدة معالجة الرسومات، واستخدام ذاكرة الفيديو، وتحميل المعالج، ودرجة حرارة الجهاز، واستهلاك الطاقة، واستخدام هذه البيانات للتنبؤ بقوة الحوسبة المتاحة للجهاز في المستقبل.
على سبيل المثال، عندما يقوم المستخدم بتشغيل لعبة كبيرة، يمكن للنظام تقليل تكرار تخصيص المهام أو حتى تعليق العمليات الحسابية بالكامل؛ عندما يكون الكمبيوتر في وضع الاستعداد لسطح المكتب، تكون درجة حرارة وحدة معالجة الرسومات منخفضة وتكون ذاكرة الفيديو كافية، ويمكن تخصيص المزيد من مهام التدريب. سيقوم النظام أيضًا بضبط تردد المراقبة وفقًا للوضع الفعلي للمعدات لتجنب العبء الإضافي الناتج عن عمليات التفتيش المتكررة نفسها.
أكدت مايكروسوفت على وجه التحديد على أن الهدف التصميمي للآلية بأكملها هو تجنب التأثير على الاستخدام الطبيعي للمستخدمين لأجهزة الكمبيوتر قدر الإمكان، بما في ذلك تقليل سرعة تشغيل التطبيقات، وزيادة حرارة الجهاز، واستهلاك طاقة البطارية. سيتم أيضًا تعديل المهام المخصصة للأجهزة المختلفة ديناميكيًا بناءً على قدرات الأجهزة الخاصة بها. الأجهزة ذات الأداء الأضعف أو التي قد تكون غير متصلة بالإنترنت في أي وقت ستتولى فقط مهام حوسبة أصغر.
بالنسبة لشبكات الحوسبة الموزعة، هناك مشكلة صعبة أخرى وهي كيفية التأكد من أن النتائج التي تعرضها الأجهزة المشاركة جديرة بالثقة. بعد كل شيء، يمكن لأجهزة الكمبيوتر الموجودة على الشبكة أن ترتكب أخطاء حسابية، أو تنقطع الاتصال بشكل غير متوقع، أو حتى تقدم نتائج خاطئة عن عمد.
ولتحقيق هذه الغاية، اقترحت Microsoft التحقق من صحة نتائج الحساب التي يتم إرجاعها بواسطة أجهزة مختلفة، وإعطاء أوزان مختلفة للنتائج التي يتم إرجاعها استنادًا إلى الموثوقية السابقة للجهاز، واتساق النتائج مع نتائج الحساب للأجهزة الأخرى، وحداثة البيانات. سيتم منح الأجهزة التي تعمل باستمرار مع مرور الوقت مصداقية أعلى، في حين قد يتم تخفيض مستوى الأجهزة التي تقدم نتائج غير طبيعية بشكل متكرر.
وبطبيعة الحال، فإن الشيء الأكثر جاذبية في براءة الاختراع هذه لمستخدمي الكمبيوتر العاديين هو إمكانية الحصول على أموال مقابل توفير الطاقة الحاسوبية.
كما تم تقديمه في مستندات الطلب، يحتاج المستخدمون إلى التسجيل النشط والسماح للجهاز صراحةً بالمشاركة في العمليات الحسابية. يمكن للنظام تسجيل مقدار العمل الحاسوبي الذي يقوم به كل جهاز وتعويض مالك الجهاز بناءً على المساهمة. يمكن أن تأخذ هذه التعويضات شكل نقاط حساب، والتي يمكن للمستخدمين بعد ذلك استبدالها ببرامج مجانية، أو الوصول إلى نماذج الذكاء الاصطناعي التي يتم تدريبها، أو ببساطة الحصول على أموال نقدية.
من الجدير بالذكر أن Microsoft لم تعلن عن معايير تعويض محددة في الوثيقة، ولم توضح مقدار الإيرادات التي يمكن أن تحققها بطاقات الرسومات المختلفة في الساعة. تصف براءة الاختراع فقط آليات الحوافز المحتملة ولا تعني أن مايكروسوفت مستعدة لإطلاق خدمة مدفوعة للمستهلكين.
بالإضافة إلى ذلك، لا يخدم هذا النظام بالضرورة نماذج الذكاء الاصطناعي الخاصة بشركة Microsoft فقط. تصف براءة الاختراع أيضًا نموذجًا محتملاً تقدم فيه مؤسسة خارجية مهام تدريبية وتكون Microsoft مسؤولة عن ربط طالبي المهام وأصحاب الأجهزة الشخصية. بمعنى آخر، لدى Microsoft الفرصة لتصبح منصة وسيطة في سوق طاقة الحوسبة الموزعة لوحدة معالجة الرسومات، مما يسمح للشركات التي تفتقر إلى موارد الحوسبة باستئجار طاقة وحدة معالجة الرسومات الخاملة في أجهزة الكمبيوتر الاستهلاكية العادية.
ومع ذلك، فإن هذا النموذج يعاني أيضًا من بعض المشكلات العملية. بادئ ذي بدء، لا يعني مجرد كون وحدة معالجة الرسومات في وضع الخمول أن تشغيل مهام الحوسبة لا يستهلك الطاقة. بمجرد أن تبدأ بطاقة الرسوميات في أداء المهام التدريبية للذكاء الاصطناعي، قد يزيد استهلاك الطاقة للكمبيوتر بأكمله بشكل كبير، وسيحتاج المستخدم إلى تحمل فواتير كهرباء إضافية. إذا لم يكن مبلغ التعويض كافيا لتغطية تكلفة الكهرباء، فقد لا يتمكن المشاركون من تحقيق ربح حقيقي.
ثانيًا، سيؤدي تشغيل مهام الحوسبة عالية التحميل لفترة طويلة إلى زيادة توليد الحرارة وضغط تبديد الحرارة لبطاقة الرسومات، وقد يؤثر أيضًا على استخدام الأجهزة مثل المراوح وأنظمة إمداد الطاقة. حتى لو كان النظام قادرًا على ضبط المهام ديناميكيًا بناءً على درجة الحرارة، فإن تأثير التشغيل الفعلي لا يزال بحاجة إلى التحقق من خلال اختبار طويل المدى.
يستحق أمن البيانات الاهتمام أيضًا. سوف تتلقى أجهزة الكمبيوتر الشخصية مهام الحوسبة من أطراف ثالثة. إن كيفية عزل التعليمات البرمجية الخارجية وحماية الملفات المحلية وخصوصية المستخدم وكيفية منع المهام الضارة من استغلال الثغرات الأمنية في الجهاز، كلها مشكلات يجب حلها في هذا النوع من شبكات الحوسبة الموزعة.
هناك تفصيل آخر يمكن التغاضي عنه بسهولة: على الرغم من أن طلب براءة الاختراع يذكر دفع تعويض لمالك المعدات، إلا أن التعويض ذي الصلة لا يظهر في مطالباته العشرين. بمعنى آخر، تركز براءة الاختراع على كيفية تقسيم مهام التدريب، ومراقبة حالة خمول المعدات، وتخصيص أعمال الحوسبة، والتحقق من النتائج، في حين أن آلية الدفع ليست سوى تنفيذ اختياري موضح في المواصفات.
في الوقت الحالي، لم تعلن Microsoft عن إطلاق هذه الخدمة، ولم تعلن عن نماذج بطاقات الرسومات المدعومة، أو شروط المشاركة، أو معايير المكافآت، أو وقت الإطلاق الرسمي. إن نشر طلب براءة الاختراع في حد ذاته لا يعني أن المنتجات ذات الصلة ستدخل السوق بالتأكيد.
إذا تحققت هذه الفكرة أخيرًا، فقد يذكرنا نموذجها بمشاريع الحوسبة الموزعة المبكرة، مثل Folding@home، والذي يستخدم قوة الحوسبة الخاملة لأجهزة الكمبيوتر الشخصية للمشاركة في البحث العلمي. والفرق هو أن مايكروسوفت تأمل في مواصلة تسويق هذا النموذج وجعل أجهزة الكمبيوتر المخصصة للألعاب للمستهلكين العاديين جزءًا من البنية التحتية للحوسبة في صناعة الذكاء الاصطناعي.
بالنسبة للمستخدمين الذين لديهم بطاقات رسومات عالية الأداء، لن يتم استخدام أجهزة الكمبيوتر في المستقبل فقط للألعاب والعرض واستدلال الذكاء الاصطناعي المحلي. عندما لا يكون الكمبيوتر قيد الاستخدام، قد تصبح وحدة معالجة الرسومات الخاملة أيضًا أحد موارد الحوسبة التي يمكن استئجارها. ومع ذلك، فإن إمكانية تشكيل نموذج أعمال جذاب حقًا في نهاية المطاف لا يزال يعتمد على ما إذا كانت المكافأة كافية لتغطية فواتير الكهرباء، وخسائر الأجهزة، وثقة المستخدمين في أمان الجهاز وخصوصيته.
التعليقات