微软提交了一项专利申请，计划把模型训练拆成小型任务，分配给自愿参与的消费者设备，再以积分或使用额度作为回报。这不是已经上线的产品，但它指向一个明确判断：大型模型公司正在试图调用分散在个人电脑里的闲置算力。

这是什么

这项方案的核心是“众包式训练”：模型厂商将训练任务切分，交给用户家中闲置的显卡处理，参与者获得积分等补偿。众包算力（把大量个人设备的空闲资源集中调度起来）并非新概念，但微软的专利申请说明，大模型训练成本压力正推动厂商寻找数据中心之外的资源。

需要区分的是，专利申请代表技术或商业设想，不等于产品即将推出。消费者是否愿意开放设备、任务如何调度，以及训练数据会不会离开本地，目前都没有明确答案。

行业怎么看

支持者认为，个人电脑和企业边缘设备长期存在大量闲置显卡。如果能够按任务而非按整台设备调度，这些资源有机会补充云端训练，降低高峰期算力采购压力，也会让参与用户以低成本使用自家设备。

但风险更值得重视：训练持续运行会消耗电力和带宽，积分能否覆盖设备损耗尚无依据；家用网络延迟和不稳定也可能拖慢任务。消费者还可能担心设备被占用、散热系统老化，以及任务数据或使用记录被平台掌握。没有清晰补偿标准和退出机制，这类方案很难获得长期信任。

对普通人的影响

对企业 IT：有闲置显卡的企业可能成为早期试点方，但应先评估带宽占用、设备损耗和敏感任务能否留在本地，不宜仅因“闲置资源”概念就开放算力。

对个人职场：未来若出现类似服务，个人或团队可贡献闲置设备换取积分，但参与前要看清任务来源、设备控制权限、数据安全和补偿规则。

对消费市场：普通用户真正关心的不是“谁在训练模型”，而是设备是否变慢、耗电增加，以及平台能否提供明确开关和合理回报。