自宅サーバーやゲーム機で余剰計算リソースを貸し出し AI 推論に活用して収益化

自宅にサーバーを置いている人、ゲーミングPCを持っている人、あるいはほとんど使っていないラップトップをお持ちの方は、ぜひ聞いてください。今なら、余っている計算資源を活用して、その過程で不労所得を得ることができます。AI 企業は現在、AI インファレンス（事前学習済みモデルを使ってクエリに応答するプロセス）を実行するための計算能力を強く求めており、それに対して対価を支払う用意があります。

アブダビに拠点を置く Far Labs の創設者兼 CEO、イルマン・シャザエフ氏はこう述べています。「AI インファレンス計算タスクにおける『ウーバー』や『エアビーアンドビー』を想像してみてください」。

AI ブームは巨大なデータセンターの建設を加速させましたが、その結果、電気料金の値上げや水資源への負荷、環境破壊、騒音、そして景観の悪化などによって、地域社会に深刻なダメージを与えています。こうした巨大データセンターがなくなることはまずないでしょう。最先端モデルの学習や大手企業の AI モデルの実行は、今後もこれらの巨人たちの専売特許となるはずです。しかし現在、いくつかの企業が小規模で主にオープンソースのモデルにおける AI インファレンスを提供し始めています。彼らは、家庭や小規模事業所に分散して存在する既存の計算資源を活用してインファレンスを実行し、その所有者に対して報酬を支払っています。

「誰もが、AI の時代を生き抜くにはデータセンターしかないと考えています。しかし、データセンターは建設される地域コミュニティにとって搾取的な存在であり、現地にサービスや税金、あるいは何らかの恩恵を還元することはありません。では、この状況をひっくり返してはどうでしょうか？」と、テキサス州オースティンに拠点を置く Evolving Edge の創設者兼 CEO、ジョン・フェデリコ氏は語ります。「計算資源はすでにそこにあるのです。それを適切に管理できれば、地域コミュニティに対して直接価値を提供できるはずです。」

この考え自体が全く新しいわけではありません。1999 年から 2020 年にかけて、SETI@Home というボランティアベースのプロジェクトが、余剰なパソコンを活用して電波望遠鏡データから地球外生命体の痕跡を探していました。しかし現在、商業企業はこの戦略を積極的に採用しようとしています。シャザエフ氏率いる Far Labs は今後数週間でプラットフォーム「Far AI」の提供を開始し、フェデリコ氏の Evolving Edge も現在オープンベータ版を提供中です。Bless Network、Salad、Gradient といった他社も、過去 1 年間に同様のプラットフォームの提供を始めています。

ネットワークへの接続について

フェデリコ氏は若き頃からコンピュータ愛好家であり、自宅の地下室には自らのプロジェクトを動かすためのサーバーを一台完備しています。「ある日ふと気づいたのです。計算資源が不足しているという議論が盛んな一方で、全米の 92% がブロードバンドに接続されており、私のようにクローゼットの中にミニデータセンターを構築している人々が存在する」と彼は言います。

フェデリコ氏は、潜在的なホストを自分と同じようにすでにホームサーバーに投資している人々と捉えており、余剰コンピューティングの売却プロセスをいかにシームレスにするかを目的としています。

「プログラムに登録し、アプリケーションをインストールするだけです」とフェデリコ氏は説明します。「私たちが望んでいるのは、許可された場合にのみお客様のマシンでジョブを実行することです。私たちが行うのはリソース使用状況の監視だけです。もちろん、スケジュールを設定することも可能です。」十分な数のデバイスがネットワークに接続されれば、必要な時にいつでもコンピューティングリソースを利用できるようになります。

プライバシーとセキュリティは、このようなホストにとって最も重要な懸念事項です。ローカルデータの安全性やマルウェアのダウンロードがないことをユーザーに安心させるため、チームはスケジューリングソフトウェアをオープンソース化しました。「ノードソフトウェアはオープンソースなので、誰でも中身を確認できます。私たちが望んでいるのは、許可された場合にのみお客様のマシンでジョブを実行することです」とフェデリコ氏は強調します。

Far Labs のシャザエフ氏は、同社のソフトウェアが「最小権限の原則」に基づいて設計されていると説明しています。これは、タスクを完了するためにホスト側とユーザー側の双方に必要最低限のアクセス権のみを付与する考え方です。推論処理は認証された暗号化通信により実行され、GPU、CPU、メモリ、ストレージ、ネットワークリソースの使用量には明確な制限が設けられた孤立したワークロードとして動作します。顧客がホストマシンへの任意のアクセス権を得ることはなく、プロバイダー側もいつでもリソース使用状況を確認したり、ノードを一時停止したり、アクセス権を取り消したり、ソフトウェアを削除したりすることが可能です。

この保護機能は逆方向にも機能します。ワークロードは分割され、個々のノードに必要最小限の情報しか公開されません。機密性の高いエンタープライズ向けワークロードは、一般消費者向けのデバイスを経由するのではなく、制御されたハードウェア内に制限して実行できます。

分断と征服（Divide and conquer）

大規模データセンターには、ユーザー視点から見て依然として利点があります。最先端の GPU や CPU、高速ネットワーク、太いケーブル、そして高度な冷却システムです。一方、ユーザーが使用するデバイスは、通常は性能が劣り、種類も多様で、相互接続の信頼性も低いです。

「これは科学の観点から見ると非常に難しい課題です」とシャザエフ氏は語ります。「高インフラストラクチャを持つデータセンターで行われているようなレベルの高いタスクを、容量に制限されたユーザーデバイス上で実行したいのです。」

Evolving Edge のフェデリコ氏は、これが最大規模で最先端の AI モデルにおける課題だと指摘します。しかし、それらが常に必要とされるわけではなく、むしろ好まれないことも多いといいます。「ある程度の規模に達すると、多くの企業が最先端のフロンティアモデルに対してトークン購入費用を支払うようになりますが、それはもはや自社のニーズには合いません」と彼は言います。「その代わりに、自社で必要な特定のタスクのためにオープンソースモデルをファインチューニングするのです。これらのモデルは、一部の最先端モデルが必要とするようなリソースを、ほとんど必要としません。要は、仕事に合った適切なツールを使っているだけなのです。」

小規模なオープンソースモデルであれば、単一のユーザー端末に収まるケースも少なくありません。しかし、それが難しい場合でも、1 つの推論タスクを複数の GPU や CPU に分散させるためのツールは存在します。

Evolving Edge はこの分割処理にオープンソースツールの「Ray」を活用しています。一方、Far Labs は独自開発の専用ソフトウェアを開発しており、単に負荷を分割するだけでなく、セキュリティと信頼性を担保するレイヤーでそれを包み込んでいます。

シャザエフ氏はこう述べています。「私たちが行ったことの 1 つは、モデルを共有することです。モデルを多数の断片に切り分け、それらを異なるデバイスに配布します。そして、タスクフローを管理するオーケストレーターとロードバランサーを用意しています。各デバイスがタスクの一部を担当し、その結果はメインとなる脳であるオーケストレーターで統合されます。」

より小規模で特定のタスクに特化したモデルの活用と、大規模モデルを異なるデバイス間で分割して利用するという 2 つのアプローチを組み合わせることで、シャザエフ氏は「従来のデータセンターよりも推論コストを大幅に抑えられる」と主張します。その理由は「設備投資（キャピタルエクスペンディチャー）が不要だからです」。

image 家庭内のゲーム用 PC は、余剰な計算リソースの主要な供給源となっています。Dizzaract

分散によるメリット

この手法は、推論コストを削減できるだけでなく、より信頼性も高いとシャザエフ氏は主張します。同社が利用するのは、単一の巨大なデバイスではなく、障害が発生するリスクのある一台の装置に依存しない分散型の計算リソースネットワークです。シャザエフ氏はこれを暗号通貨と比較し、分散化による強靭性を強調しています。

「ビットコインを停止させるには、地球全体を核攻撃で壊滅させる必要がありますが、私たちも同じ概念を採用しています」とシャザエフ氏は語ります。

フェデリコ氏は、この耐障害性は AI の推論だけでなく、スマートシティや環境センサー、自動運転車などあらゆるアプリケーションにおいて有益だと説明します。例えば 2026 年に発生した Amazon Web Services の大規模障害では、スマートベッドが直立したまま動かなくなり、利用者が調整できなくなる事態が発生しました。フェデリコ氏によれば、バージニア州アシュバーンにある単一のデータセンターにすべての通信を集中させるのではなく、分散型ネットワークを採用すれば、こうした障害の影響は大幅に軽減されます。「25 万ノードあるネットワークで 100 ノードが停止しても、システム全体には影響しません」と同氏は述べています。

ユーザー端末のネットワーク規模が十分に大きければ、すべてのジョブを近くのデバイスへルーティングでき、レイテンシを削減できます。Far Labs は自社のプラットフォームで 100 ミリ秒以下のレイテンシを実現しています。このアプローチによる低コスト・低遅延は、現在では処理速度が遅すぎたり費用が高すぎたりして実現が難しい、ゲーム内での AI 動画生成といった新たなユースケースも可能にする可能性があります。

「OpenAI は昨年、300 億ドルの収益を上げましたが、財務年度末には 80 億ドルの赤字となりました。その理由は何か？公式な説明は推論コストの高さです」とシャザエフ氏は語る。「これは主にテキストモデルの話ですが、ゲームプレイにおいては音声や動画、アニメーションも必要になります。これらは大量のデータを扱い、リアルタイムでの応答が求められるため、非常に負荷が高いのです。私たちはこの課題を解決しようと取り組んでいます。」

これらの企業はすべて、未開拓のローカル計算資源を活用しようとしており、それがデバイス所有者とユーザー双方に利益をもたらすことを期待しています。

「すべての大手企業がこぞってデータセンターの建設に奔走していますが、私はすでに世界に十分な計算能力が存在していると考えています」とシャザエフ氏は話します。