Microsoft ha propuesto una idea que podría convertir la GPU de tu ordenador en una pequeña pieza de un gigantesco centro de datos distribuido. Según una patente reciente, la compañía planea aprovechar la capacidad ociosa de tarjetas gráficas personales para ejecutar tareas de entrenamiento de inteligencia artificial cuando no se están utilizando activamente.
El planteamiento busca distribuir micro-entrenamientos a millones de dispositivos voluntarios, optimizando el uso de recursos fuera de los centros de datos tradicionales. La iniciativa entra en la conversación pública sobre cómo escalar modelos de IA sin depender exclusivamente de infraestructuras propias y costosas.
Qué propone la patente: entrenar IA usando GPUs de usuarios
La solicitud, titulada en términos técnicos como «microentrenamiento oportunista en dispositivos periféricos», describe un sistema que asigna pequeñas porciones de trabajo de entrenamiento a GPUs domésticas. La idea es sencilla en su concepto: cuando tu tarjeta gráfica está inactiva o subutilizada, puede recibir y procesar tareas de ajuste de modelos de IA.
El mecanismo no sería aleatorio. Microsoft plantea controlar continuamente parámetros del equipo para decidir si puede aceptar cargas sin interferir en la experiencia del usuario. Entre los aspectos que se evaluarían están:
- La utilización actual de la GPU.
- Memoria disponible y espacio libre.
- Temperatura del hardware y consumo energético.
- Historial de disponibilidad del dispositivo.
Cómo se adaptarían las tareas al hardware del usuario
No todas las máquinas recibirían la misma carga. El sistema contemplaría perfiles de dispositivo: una GPU de sobremesa para juegos podría procesar trabajos más complejos que un portátil modesto. Además, las tareas asignadas se escalarían según la capacidad detectada en cada equipo para evitar ralentizaciones o sobrecalentamiento.
Microsoft también describe que el software cliente registraría las ventanas temporales en las que el dispositivo suele estar libre, de modo que las tareas se programen en momentos idóneos. Por ejemplo, un ordenador ocupado durante la jornada laboral podría ceder su potencia por la noche o en periodos de inactividad.
Verificación y control de resultados para garantizar calidad
Para mantener la integridad del entrenamiento, la patente incluye un sistema de verificación basado en redundancia y comparación. Las ideas clave son:
- Asignar tareas similares a varios equipos para cotejar resultados.
- Detectar discrepancias que indiquen errores, manipulaciones o hardware defectuoso.
- Combinar y validar datos antes de incorporarlos al entrenamiento central del modelo.
Mecanismos de defensa frente a manipulaciones
El documento sugiere herramientas automáticas para identificar salidas sospechosas y descartar contribuciones no fiables. Esta capa de control es crucial para evitar que datos corruptos o maliciosos en dispositivos remotos perjudiquen la calidad del modelo global.
Incentivos: cómo planea Microsoft recompensar a los participantes
Un componente destacado de la patente es el sistema de compensación. Microsoft plantea ofrecer créditos a quienes permitan el acceso a su GPU, aunque no especifica tarifas ni fórmulas exactas. Los créditos podrían canjearse por:
- Software licenciado por Microsoft.
- Acceso a modelos de IA y servicios en la nube.
- Pago en efectivo o equivalentes.
La compañía ya opera programas de fidelidad y recompensas por el uso de su ecosistema, por lo que no es descabellado pensar que aplicaría un esquema similar para este programa voluntario.
Costes, inconvenientes y factores técnicos para el usuario
Participar en un sistema así implicaría ciertos costos y riesgos para el propietario del hardware. Entre los principales retos están:
- El aumento del gasto eléctrico por mantener la GPU en carga.
- El calor adicional y el posible desgaste del equipo.
- La necesidad de garantías sobre privacidad y seguridad de los datos.
- La fiabilidad del hardware doméstico frente a exigencias sostenidas.
Estos elementos hacen que la rentabilidad y la aceptabilidad del programa dependan de cuánto compensen las recompensas y de las garantías que Microsoft ofrezca a los usuarios.
Contexto, precedentes y estado legal de la propuesta
La idea recuerda proyectos previos como SETI@home, que usó la CPU de millones de ordenadores para analizar datos astronómicos. En este caso, la novedad es aplicar ese enfoque al entrenamiento de modelos de IA y orientarlo a GPUs, que manejan cargas de datos y paralelismo mucho más intensivas.
Cabe subrayar que se trata de una patente registrada en abril de 2025 y publicada el 5 de noviembre (según reportes de prensa técnica). Una patente documenta una propuesta: no implica que exista un despliegue inmediato. Mientras tanto, expertos y usuarios evaluarán la viabilidad práctica y ética de delegar parte del entrenamiento de IA a hardware privado.
Posibles escenarios futuros si se implementa el sistema
Si Microsoft decidiera lanzar este servicio, varios modelos operativos podrían surgir:
- Un programa voluntario con opt-in y controles estrictos de privacidad.
- Planes empresariales que integren ordenadores de oficinas como nodos de entrenamiento.
- Mercados de créditos donde los participantes vendan capacidad de GPU a cambio de beneficios.
Las decisiones regulatorias, la respuesta de la comunidad técnica y la percepción pública serán determinantes para que alguna de estas vías prospere.
Artículos similares
- Windows 11 lento: Microsoft prueba IA que identifica la causa en tu PC
- Windows 11: cómo evitar que Microsoft te obligue a usarlo sin cuenta local
- Portátiles baratos por menos de 500 euros desaparecerán pronto: qué debes saber
- Windows 11: nueva búsqueda cambia por completo cómo usas tu PC
- ChatGPT más rápido: Microsoft crea nuevo chip de IA
Tomás Villalba es un periodista especializado en ciencia y tecnología. Sus artículos destacan la inteligencia artificial, el espacio, la robótica y las innovaciones digitales que están transformando el mundo. Con un estilo claro y preciso, ayuda a los lectores a comprender los avances que influyen en su vida diaria.
