La apuesta por convertir los PC gaming inactivos en infraestructura de IA

Un PC gaming de alta gama puede pasar muchas horas sin hacer nada cuando su propietario no juega. Far Labs y Evolving Edge quieren convertir esa capacidad ociosa en una pieza de infraestructura para inteligencia artificial: captar ordenadores domésticos, ejecutar cargas en sus GPU o CPU sobrantes y pagar a sus dueños por el cómputo verificado. Su objetivo principal es la inferencia, es decir, utilizar un modelo ya entrenado para responder a solicitudes, no entrenar modelos de frontera desde cero. 26

La propuesta recuerda a un “Airbnb para la IA”, pero la comparación se queda corta si se ignoran los problemas operativos. La cuestión no es solo si una tarjeta gráfica doméstica puede ejecutar un modelo abierto. El verdadero desafío consiste en coordinar miles de máquinas diferentes, conectadas de forma intermitente y repartidas por distintas redes, para ofrecer un servicio rápido, seguro y predecible a un precio que resulte rentable tanto para los clientes como para los propietarios.

Cómo funcionaría una red distribuida de inferencia

Un sistema de este tipo suele tener tres componentes: la solicitud del cliente, una capa de orquestación que decide dónde ejecutarla y un programa instalado en el ordenador anfitrión que realiza el trabajo. El operador debe asignar cada tarea teniendo en cuenta el tamaño del modelo, la memoria disponible, la latencia, el tiempo de actividad y los límites de recursos definidos por el propietario.

Far Labs: enrutamiento y división de modelos

FAR AI, la capa de infraestructura de Far Labs, se presenta como una red distribuida que conecta GPU cotidianas y dirige cada solicitud al nodo disponible más adecuado en tiempo real. La empresa afirma que busca alimentar funciones interactivas sin depender por completo de clústeres centralizados. 1112

El material disponible describe un planificador capaz de dividir el trabajo de un modelo entre varias máquinas cuando un solo equipo no puede cargarlo por completo. Eso ampliaría el conjunto de hardware utilizable, pero también añadiría coordinación y comunicación entre nodos. Cada transferencia adicional puede aumentar el tiempo de respuesta y crear otro punto potencial de fallo.

Far Labs ha mencionado un objetivo futuro de latencias inferiores a 100 milisegundos para la inferencia interactiva. Se trata de una meta, no de una prueba de rendimiento extremo a extremo ya conseguida. En una red real habría que sumar el enrutamiento, las colas, la carga del modelo, la comunicación entre nodos y el tiempo necesario para devolver el resultado.

Evolving Edge: un sistema basado en Ray

Evolving Edge está descrita como una plataforma que utiliza Ray, un marco de computación distribuida, para repartir tareas de servicio de modelos entre los ordenadores participantes. Ray puede representar los entornos remotos como actores gestionados y programarlos en distintos nodos de un clúster. 56

Sin embargo, utilizar Ray no resuelve por sí solo los problemas más difíciles de un mercado de cómputo. El operador aún debe detectar nodos caídos o saturados, colocar los modelos de forma eficiente, manejar configuraciones de hardware heterogéneas y decidir cuándo conviene reintentar o replicar una tarea.

Seguridad: ¿qué ocurre al ejecutar cargas de terceros en casa?

Permitir que código o datos de terceros lleguen a un ordenador de consumo plantea un problema de seguridad mucho mayor que instalar un videojuego o una aplicación de escritorio. Un sistema fiable debe limitar qué puede consultar una carga de trabajo y cuántos recursos puede consumir.

Entre las medidas esperables se encuentran:

• entornos de ejecución aislados o con sandbox;
• cifrado de los datos durante el tránsito;
• límites para CPU, GPU, memoria, almacenamiento y red;
• restricciones sobre la duración de cada trabajo y apagado automático; y
• un cliente para el anfitrión que pueda inspeccionarse y actualizarse.

La arquitectura de sandbox documentada por Ray utiliza entornos ligeros aislados a nivel del kernel para ejecutar código no confiable y cargas de agentes. Su implementación experimental emplea gVisor y entornos basados en contenedores OCI, mientras que los actores gestionados por Ray pueden programar y controlar los recursos del sandbox. 17182021

Estas funciones demuestran que existen mecanismos de seguridad relevantes en el ecosistema de software. No demuestran que Far Labs o Evolving Edge utilicen exactamente esas protecciones en producción, que su configuración sea segura en sistemas operativos de consumo ni que un nodo activo ejecute el mismo código que el propietario pudo revisar.

El software de nodos de código abierto podría mejorar la transparencia: permitiría examinar los controles de recursos y el acceso a los datos. Pero el código abierto no es una garantía completa. También hacen falta compilaciones reproducibles, actualizaciones firmadas, permisos claros, respuesta ante vulnerabilidades y pruebas de que la versión instalada coincide con el código publicado.

La comparación inevitable: Salad

Salad es el referente más directo porque ya opera un mercado que conecta GPU de consumo con organizaciones que buscan capacidad de cómputo. Su modelo no depende de una cadena de bloques ni de una capa de coordinación basada en tokens. 13

Far Labs pone el acento en el enrutamiento en tiempo real y la inferencia distribuida, incluida la posibilidad de dividir un modelo entre varios nodos. Evolving Edge destaca un entorno distribuido basado en Ray y una beta abierta. Salad, en cambio, parte de una experiencia operativa más amplia en un mercado de GPU de consumo; las nuevas plataformas todavía tienen que demostrar una disponibilidad, demanda, atención al usuario y economía para los anfitriones comparables.

La distinción es importante: la descentralización es una decisión de arquitectura, no un resultado de rendimiento. Una red puede tener muchos ordenadores participantes y seguir siendo centralizada en su operación, poco fiable o económicamente inviable.

El gran interrogante: cuánto ganará realmente el propietario

El pago bruto es solo el punto de partida. El dueño del ordenador también asume, total o parcialmente, el coste de la electricidad, el calor, la refrigeración, la conexión a internet, el mantenimiento, la depreciación del hardware y la menor disponibilidad del equipo para uso personal.

Además, registrarse no equivale a tener trabajo remunerado. Una GPU conectada a la red pero con pocas tareas pagadas puede generar ingresos mínimos mientras sigue consumiendo electricidad o imponiendo costes de gestión y desgaste. Sin tarifas de pago transparentes, datos de utilización, duración de las cargas y estimaciones de consumo, es imposible calcular un retorno de la inversión creíble.

La inferencia sostenida también puede traducirse en más calor, actividad de los ventiladores y uso de la memoria. Que el desgaste compense económicamente dependerá de la tarjeta concreta, el precio local de la electricidad, el tiempo de actividad, la intensidad de las tareas y el valor de reventa. El material disponible no demuestra que participar sea una forma de ingreso pasivo ni que resulte rentable para el propietario medio.

Latencia y costes: las promesas necesitan datos de producción

El hardware de consumo podría ofrecer una ventaja de costes porque ya existe y algunos usuarios estarían dispuestos a monetizar una capacidad que, de otro modo, permanecería inactiva. Pero la red también debe financiar la orquestación, el ancho de banda, la supervisión, los trabajos fallidos, la replicación, la atención al cliente, la seguridad y la compensación de los anfitriones.

Lo mismo sucede con la latencia. Que un sandbox se inicie rápidamente en una implementación concreta de Kubernetes no equivale a lograr una inferencia de extremo a extremo inferior a 100 milisegundos a través de redes domésticas. La cifra inferior a 100 milisegundos de la documentación de Ray se refiere al arranque del sandbox en una configuración específica, no a una garantía para una red de nodos de consumo a escala de internet. 17

Los sistemas de IA descentralizada también suelen depender del cómputo fuera de la cadena. Las cadenas de bloques generalistas no están bien adaptadas al volumen de datos y a la intensidad computacional del aprendizaje automático; por eso suelen actuar como capas de coordinación o pago, mientras que los modelos se ejecutan fuera de ellas. 1

¿Podría la red sobrevivir a la caída de muchos nodos?

Una red distribuida puede ser más resistente que una sola máquina si dispone de capacidad de reserva suficiente y puede trasladar rápidamente el trabajo cuando desaparecen nodos. La investigación relacionada con Ray describe cómo reconstruir dependencias de tareas perdidas cuando se eliminan nodos y recuperar el rendimiento cuando vuelven a estar disponibles. 30

Pero esa ventaja no aparece automáticamente. Una red de inferencia en producción necesitaría redundancia suficiente, replicación de modelos, asignación inteligente y detección rápida de fallos. Además, las interrupciones correlacionadas —una caída de un proveedor de internet, un apagón regional, una actualización defectuosa o una reducción de los incentivos para los anfitriones— podrían dejar fuera de servicio a muchos equipos al mismo tiempo.

La división de modelos introduce otro intercambio. Repartir un modelo entre varios ordenadores puede hacer aprovechable un hardware que antes no servía para esa tarea, pero también aumenta el tráfico de red y el número de puntos de fallo. El equilibrio dependerá de cada carga y de la estrategia de programación del operador.

Qué debería comprobar un propietario antes de participar

Hasta que estas redes publiquen pruebas más sólidas, lo prudente es considerar la participación un servicio experimental y de ingresos variables, no una fuente garantizada de ingresos pasivos. Antes de instalar el software del nodo, conviene buscar:

1. una fórmula de pago clara y un historial de pagos;
2. datos de utilización real, no solo el número de máquinas registradas;
3. estimaciones realistas de electricidad y refrigeración;
4. permisos y límites de recursos documentados;
5. auditorías o pruebas de seguridad independientes;
6. mediciones de latencia, disponibilidad y trabajos fallidos; y
7. un proceso sencillo para pausar o eliminar el nodo.

Far Labs y Evolving Edge están probando una idea plausible: utilizar hardware de consumo repartido para complementar la capacidad centralizada de IA. La tecnología podría funcionar con determinados modelos pequeños y cargas concretas. El caso de negocio, sin embargo, sigue abierto hasta que las empresas demuestren que la red es segura, rápida, resistente y suficientemente utilizada para compensar a los anfitriones después de cubrir sus costes reales.