Brevet US 2026/0349820 A1 : comment Microsoft veut louer votre carte graphique au repos pour entraîner des IA contre rémunération
Alors que l’expansion des centres de données se heurte à la saturation des réseaux électriques et à la flambée des composants, Microsoft lorgne désormais sur une réserve de calcul colossale déjà installée dans des millions de foyers : les ordinateurs des joueurs. Publié le 5 novembre 2026 par l’office américain des brevets (USPTO) sous la référence US 2026/0349820 A1 (déposé le 30 avril 2025 sous le numéro de demande 19/195,047 par l’inventeur Aditya Vasanth Challapally pour Microsoft Technology Licensing, LLC), le document intitulé « Opportunistic Micro-training on Edge Devices Using Spare GPU Utilization » décrit une architecture capable de mobiliser votre carte graphique lorsqu’elle tourne au ralenti, en échange d’une compensation financière ou logicielle.
Découper l’entraînement IA en micro-tâches pour les PC au repos
Jusqu’ici, l’entraînement des grands modèles d’apprentissage automatique exigeait des grappes de serveurs centralisés extrêmement coûteuses, une course à l’armement qui explique pourquoi les cartes graphiques ne baissent plus face à l’appétit de l’IA pour la mémoire GDDR7. Pour contourner ce goulet d’étranglement matériel, le brevet de Microsoft propose d’exploiter les périodes d’inactivité des appareils grand public (PC gaming, ordinateurs portables ou terminaux périphériques) en découpant les charges de travail massives en segments miniatures appelés micro-tâches (micro-tasks).
Concrètement, l’orchestrateur analyse l’architecture du modèle à entraîner afin de générer un graphe de dépendances (dependency graph). Il identifie ensuite les points de scission optimaux (split points) en évaluant trois paramètres techniques : le coût de communication sur le réseau, la surcharge mémoire (memory overhead) et la localité des données. Grâce à un partitionnement par couches (layer-wise partitioning) ou une décomposition des calculs de gradients, chaque micro-tâche devient exécutable de manière autonome sur une carte graphique domestique, avec un calibre ajusté dynamiquement selon la puissance et la mémoire vidéo (VRAM) disponibles sur la machine hôte.
Détail majeur du dossier déposé auprès de l’USPTO : Microsoft ne réserve pas cette puissance distribuée à ses seuls besoins internes. L’entreprise se positionne comme un intermédiaire (middleman) mettant en relation les propriétaires de PC et des sociétés tierces qui souhaitent entraîner leurs propres modèles sans avoir les moyens de financer un data center dédié, à l’heure où la fronde anti-data centers et le coût des infrastructures pèsent lourdement sur la stratégie globale de Microsoft.
Surveillance thermique, taux d’échantillonnage adaptatif et crédits d’utilisation
Pour éviter qu’un joueur ne retrouve son PC brûlant ou ralenti en plein lancement d’un jeu, l’architecture décrite par Aditya Vasanth Challapally intègre un module de télémétrie permanent. Ce dernier surveille en temps réel le taux d’occupation du GPU et du CPU, la mémoire vive disponible, la consommation énergétique ainsi que la température des composants. Le taux d’échantillonnage (sample rate) s’adapte dynamiquement : le système sonde l’ordinateur moins fréquemment lorsque la carte graphique est chaude ou sollicitée, et resserre ses vérifications lorsque le système est froid et totalement au repos.
L’allocation mémoire reste strictement plafonnée (capped memory allocation) et le moindre retour de l’utilisateur devant son écran suspend ou réduit aussitôt la tâche en arrière-plan. Comme un réseau de machines domestiques comporte forcément des appareils instables ou lents, Microsoft prévoit un mécanisme de vérification croisée (cross-checking) entre plusieurs PC et attribue un indice de fiabilité historique (trust weight) à chaque participant pour filtrer les résultats erronés ou obsolètes (staleness).
La participation repose sur le volontariat (opt-in) avec une autorisation explicite de l’utilisateur. En contrepartie des cycles GPU prêtés, le système comptabilise le volume exact de calculs validés et crédite le compte du propriétaire. Le texte du brevet précise que ces crédits pourront être convertis en argent, en logiciels gratuits ou en accès à des modèles d’intelligence artificielle.
Voir les disponibilités sur Amazon→
Mon regard
Sur le papier, l’idée de rentabiliser une GeForce RTX ou une Radeon RX payée au prix fort pendant que le PC reste allumé en veille peut sembler tentante. Mais dès qu’on confronte cette architecture logicielle aux mesures physiques qu’Arthur « Heimdall » relève au quotidien sur notre banc de test, deux réalités matérielles refroidissent vite la promesse.
La première touche directement au portefeuille : le rendement énergétique. Même avec un ordonnanceur thermique prudent, réveiller les unités matricielles d’un GPU moderne et solliciter son bus mémoire GDDR6 ou GDDR7 fait grimper la consommation de la tour d’environ 45 W au repos complet à 150 ou 220 W en charge partielle. Au tarif actuel du kilowattheure en France et en Europe, à moins que Microsoft et ses clients tiers ne rémunèrent chaque micro-tâche bien au-dessus des tarifs du cloud traditionnel, le surcoût sur la facture d’électricité risque fort d’engloutir les quelques crédits ou logiciels gagnés.
La seconde concerne la longévité mécanique et thermique de nos cartes. Contrairement à l’assurance théorique du brevet d’un impact nul sur le matériel, ce ne sont pas toujours les charges fixes qui fatiguent le plus une carte graphique, mais les cycles répétés de chauffe et de refroidissement (thermal cycling) provoqués par des micro-tâches intermittentes. Ces variations de température dilatent et contractent les joints de soudure BGA, accélèrent le dessèchement des pads thermiques sur la VRAM et les étages d’alimentation (VRM), et sollicitent en continu les roulements des ventilateurs. Vu le prix stratosphérique des GPU en 2026, je préfère largement laisser mon silicium dormir à 32 °C plutôt que de l’user en sous-main pour éponger la pénurie de serveurs des géants du cloud.
Retrouvez Pro-Gamer en priorité sur Google
Ajoutez pro-gamer.fr à vos sources préférées pour retrouver nos guides et actus directement dans votre flux Google Discover et vos résultats de recherche.
Américaine installée dans la périphérie de New York, Chaya « Chayane » a passé 5 ans à Montréal pour ses études d'ingénierie logicielle avant de revenir dans sa région natale. Développeuse Full-Stack et chercheuse en architectures de Deep Learning et d'IA, elle explore les réseaux neuronaux et l'optimisation algorithmique tout en concevant les outils de Retrocharting et Gamescharting aux côtés de Grimtag. Gamer depuis plus de 20 ans, collectionneuse passionnée de l'univers Nintendo et de la saga The Legend of Zelda, elle a arpenté Azeroth sur World of Warcraft avant de mettre son expertise technique au service de l'analyse vidéoludique.
