Die Grafikkarte im Spiele-PC rechnet nachts für ein fremdes KI-Modell, und der Besitzer bekommt dafür eine Gutschrift: So lässt sich eine Patentanmeldung von Microsoft zusammenfassen, die das US-Patentamt USPTO am 5. November 2026 veröffentlicht hat. Das Dokument mit der Nummer US 2026/0349820 A1 trägt den Titel „Opportunistic Micro-Training on Edge Devices Using Spare GPU Utilization“. Wir haben die 19 Seiten gelesen. Die Idee, Nutzer zu bezahlen, nimmt darin einen einzigen Absatz ein und kommt in den Patentansprüchen gar nicht vor. Geschützt werden soll etwas anderes.

Eine Anmeldung, kein erteiltes Patent

Zuerst die Formalien, weil sie in der Berichterstattung durcheinandergehen. Anmelder ist die Microsoft Technology Licensing, LLC in Redmond, als Erfinder ist Aditya Vasanth Challapally aus San Francisco genannt. Die Anmeldung mit dem Aktenzeichen 19/195,047 wurde am 30. April 2025 eingereicht. Das Kürzel A1 und die Kopfzeile „Patent Application Publication“ zeigen: Es handelt sich um eine veröffentlichte Anmeldung, nicht um ein erteiltes Patent. Das USPTO legt Anmeldungen regulär rund 18 Monate nach dem frühesten Anmeldetag offen, unabhängig davon, ob später ein Patent erteilt wird. Dieser Abstand liegt hier vor.

Ob und mit welchem Umfang die Ansprüche die Prüfung überstehen, ist offen. Und selbst ein erteiltes Patent wäre keine Produktankündigung. Unternehmen dieser Größe melden laufend Ideen an, von denen viele nie in ein Produkt münden. Microsoft hat bislang kein entsprechendes Programm angekündigt; in den Berichten, die wir ausgewertet haben, findet sich auch keine Stellungnahme des Unternehmens.

Wie das „Mikro-Training“ ablaufen soll

Die Schrift beginnt mit einer Diagnose: Das Training großer Modelle verschlinge teure, knappe Grafikprozessoren, während auf Smartphones, Notebooks und vor allem Spiele-PCs viel Rechenleistung brachliege. Solche „Edge-Geräte“ gehören nach der Definition im Text typischerweise nicht demjenigen, der sie nutzen will, und haben weniger Speicher und Leistung als ein Rechenzentrum.

Der Kern der beschriebenen Technik ist das Zerlegen. Das System erstellt einen Abhängigkeitsgraphen des Modells, der zeigt, welche Berechnungen aufeinander aufbauen, und sucht darin Stellen, an denen sich das Training auftrennen lässt. Für jede Trennstelle berechnet es Kosten aus drei gewichteten Größen: der Datenmenge, die zwischen Geräten übertragen werden müsste, dem zusätzlichen Speicherbedarf für Zwischenergebnisse und der Häufigkeit, mit der ein Gerät auf Daten zugreifen müsste, die nicht lokal vorliegen. Die günstigsten Schnitte ergeben voneinander unabhängige „Mikro-Aufgaben“. Deren Größe soll sich nach dem Gerät richten: kleine Pakete für unberechenbar verfügbare Geräte, größere für leistungsfähige mit guter Kühlung.

Wann ein Gerät Aufgaben bekommt, entscheidet eine Überwachung. Erfasst werden unter anderem die Auslastung von GPU und CPU, die Speicherbelegung, die Temperatur und die Leistungsaufnahme. Aus dem Verlauf sagt das System voraus, wann ein Gerät frei sein wird, als Beispiel dient eine gewichtete Mischung aus neuronalem Netz, bayesscher Prognose und Langzeitstatistik. Die Abfragehäufigkeit soll sinken, wenn die Grafikkarte beschäftigt oder heiß ist, damit die Messung selbst nicht stört. Hinzu kommen selbst auferlegte Grenzen: Als Beispiel nennt der Text höchstens 80 Prozent des Speichers, wobei zusätzlich ein Sicherheitspuffer von mindestens 512 MByte frei bleiben soll. Überschreiten Leistungszähler oder Temperatursensoren einen Schwellenwert, wird die laufende Aufgabe pausiert oder abgebrochen.

Symbolbild: Grafikkarte Gigabyte GeForce RTX 3090 Eagle mit drei Lüftern auf einem Holztisch

Symbolbild: Grafikkarten wie diese GeForce RTX 3090 stecken in Spiele-PCs, deren Rechenleistung laut der Anmeldung außerhalb von Spielen weitgehend ungenutzt bleibt. Bild: PantheraLeo1359531 / Wikimedia Commons, CC BY 4.0

Fremden Rechnern wird nicht vertraut

Der zweite Schwerpunkt ist die Frage, wie man Ergebnissen von Geräten traut, die man nicht kontrolliert. Die Anmeldung geht von defekter Hardware und böswilligen Teilnehmern aus und beschreibt ein mehrstufiges Prüfverfahren, das sie „Byzantine-resistant“ nennt. Ergebnisse können kryptografisch signiert sein. Jedes Resultat erhält eine Bewertung aus dem Vergleich mit den Ergebnissen anderer Geräte für dieselbe Aufgabe, einer Plausibilitätsprüfung der Mathematik und einem Abgleich mit üblichen Wertebereichen. Statistische Ausreißer gehen zur Kontrolle an ein zweites Gerät und bei Widerspruch an ein drittes; es gilt, was mindestens zwei Geräte übereinstimmend liefern.

Jedes Gerät führt zudem einen Zuverlässigkeitswert, der sich nur langsam ändert und bei verdächtigen Ergebnissen stärker sinkt als bei einem bloßen Abbruch. Fällt er unter eine Schwelle, gibt es keine Aufgaben mehr. Weil Rückmeldungen zu beliebigen Zeiten eintreffen, werden sie beim Einrechnen ins Modell gewichtet: nach Prüfwert, Zuverlässigkeit des Geräts und Alter. Veraltete Ergebnisse zählen weniger.

Was die Ansprüche abdecken und wo die Vergütung steht

Die Anmeldung enthält 20 Ansprüche, drei davon unabhängig: ein Verfahren, ein Rechner und ein Speichermedium mit jeweils gleichem Inhalt. Beansprucht wird die Kette aus Abhängigkeitsgraph, Kostenbewertung der Trennstellen, Erzeugen und Verteilen der Mikro-Aufgaben und dem gewichteten Einrechnen der Ergebnisse. Die Unteransprüche ergänzen die Auslastungsmessung mit angepasster Abtastrate, die Verfügbarkeitsprognose, die geräteabhängige Aufgabengröße und die Berechnung des Zuverlässigkeitswerts.

Zustimmung und Bezahlung stehen nur in der Beschreibung. Dort heißt es, die Geräte könnten Dritten gehören, die der Nutzung ausdrücklich zugestimmt haben; an anderer Stelle ist davon die Rede, dass sich Nutzer für die Teilnahme anmelden. „In einigen Beispielen“ könne das System die geleistete Rechenarbeit erfassen und die Besitzer entschädigen, etwa mit Gutschriften, die sich gegen kostenlose Software, Zugang zum trainierten Modell oder Geld eintauschen lassen. Beträge, Umrechnungskurse oder ein Abrechnungsmodell nennt die Schrift nicht.

Was die Schrift offen lässt

Verteiltes Rechnen auf Freiwilligen-PCs ist alt. SETI@home verteilte ab dem 17. Mai 1999 Radioteleskopdaten an Heimrechner und stellte die Ausgabe neuer Aufgaben im März 2020 ein. Aus dem Projekt ging die Plattform BOINC der Universität Berkeley hervor, über die nach eigenen Angaben rund 30 Wissenschaftsprojekte rechnen. Folding@home simuliert auf gespendeter Rechenzeit die Bewegung von Proteinen. Diese Projekte haben eines gemeinsam: Ihre Aufgaben zerfallen von Natur aus in unabhängige Pakete.

Beim Training neuronaler Netze ist das anders, weil jeder Schritt auf dem vorherigen Zustand des Modells aufbaut. Eine Forschergruppe um Michael Diskin, die 2021 gemeinsames Training mit Freiwilligen erprobte, nannte als Haupthürden hohe Latenz und die asymmetrische Bandbreite privater Internetanschlüsse. Die Microsoft-Anmeldung behandelt die Übertragungsmenge als Kostenfaktor beim Zerlegen, sagt aber nicht, welches Datenvolumen ein Teilnehmer tatsächlich hoch- und herunterladen müsste.

Weitere Lücken betreffen die Praxis. Die Schrift erklärt nicht, wie Trainingsdaten und Modellteile geschützt werden, die auf fremden Rechnern landen; die Begriffe Datenschutz und Verschlüsselung kommen im Text nach unserer Durchsicht nicht vor, die Signatur dient nur der Integrität der Ergebnisse. Die Leistungsaufnahme wird gemessen, aber wer den Strom bezahlt und ob eine Gutschrift ihn aufwiegt, bleibt ebenso offen wie der Verschleiß. Und während die Zusammenfassung „null Auswirkungen“ auf die eigentliche Nutzung des Geräts verspricht, heißt es in der Beschreibung vorsichtiger, das Nutzererlebnis bleibe „größtenteils unbeeinträchtigt“.

Sollte Microsoft daraus je ein Angebot machen, wären das die Fragen, die du vor einer Zustimmung beantwortet haben willst: welche Daten auf deinem Rechner verarbeitet werden, wie viel Strom und Bandbreite das kostet und was die Gutschrift wert ist. Bis dahin ist das Dokument eine sorgfältig ausgearbeitete Idee auf Papier.

Quellen

Bildnachweis