讓美國人貢獻民電來跑AI，Sunrun這個方案是噱頭還是解藥？

如果有公司表示，只需要在你的電錶里塞個小玩意，你就可以躺着賺錢，你會有何感想？騙局？坑錢？這些估計是多數人的第一念頭。不過，如果提出這個方案的是美國最大的太陽能企業之一——Sunrun呢？

從Sunrun公佈的方案來看，這套模式並不複雜，只要參與項目的住宅配備了太陽能發電和家庭儲能系統，就能申請安裝GPU計算節點。這些節點主要負責處理AI推理任務，Sunrun統一負責設備調度、能源管理和算力銷售，並將計算能力出售給企業客户。

圖源：Sunrun

不得不説，這個想法很有意思，而且看似前景不小，畢竟美國不少科技企業都在籌備修建算力中心，卻一直因為電力、環境保護等問題而進展緩慢。比如紐約州就宣佈在全州範圍內暫停大型數據中心的建設審批（暫定一年），而加利福尼亞州的蒙特雷帕克市則通過全民公投出台法案，禁止在當地建立數據中心。

當地居民反對的原因也不全是爲了「環保」，而是因為美國很多城市和州本就電力不足，而數據中心的到來則會加劇這個問題，不僅嚴重影響當地居民用電，還會導致電價暴漲。

從雷科技（ID：leitech）查詢到的資料來看，微軟、亞馬遜等雲服務巨頭，甚至已經開始自建電廠來滿足數據中心的能源需求。可以説，中美兩國在算力問題上也是各有各的煩惱，中國是電力多到用不完但缺少頂級計算卡，而美國則是大量計算卡因為能源不足而在倉庫里吃灰。

所以，Sunrun直接跳出來説：傳統的數據中心建設方式太慢了，我們有如此多的住宅和太陽能設備，利用它們部署算力節點，就能組成一個百萬節點規模的超大算力集群，而且其運行所需的電力來自太陽，完全免費且環保。這故事聽起來很誘人？別急，讓小雷來給你們好好捋一捋。

Sunrun要用居民家里的電跑GPU

分佈式算力網絡其實並不是什麼新鮮的東西，自從AI模型對於算力的需求越來越大，就有不少企業盯上了這項技術。比如華為就推出了不少整合到基站、通信設備中的邊緣計算節點，不僅可以為設備提供算力資源，還能在需要時將部分算力貢獻出來組成臨時算力網絡。

不過，Sunrun是想更進一步，其搭建的邊緣算力設備唯一的作用就是不斷「生產」算力，然后把這些算力賣給AI公司。但是，目前Sunrun還沒有公佈利潤分配方案，也讓人好奇這套方案在成本上真的可行嗎？

雖然太陽能理論上是「免費」的，但是設備的折舊費、維護費都是需要考慮的，而且這些算力節點還佔用了原本可以自用或出售的電力份額，再加上算力節點本身的成本，利潤不夠的話，很有可能搞出直到設備報廢都收不回成本的烏龍。

小雷覺得，Sunrun之所以沒有上來就大範圍推廣這個業務，很有可能也是因為與AI企業的價格沒談攏。大型企業看不上這些分散的算力，中小型企業又未必有這個需求，而且企業爲了規避風險，也會更傾向於選擇雲服務中心。

圖源：Google

事實上，小雷覺得Sunrun的這個項目大概率會失敗。因為從算力使用的角度來説，分佈式算力網絡只能滿足邊緣側的AI推理需求，而且需要AI企業與Sunrun搭建起一個高效且智能的算力分配架構，讓用户在調用AI推理服務時，能夠在網絡中快速找到最近的算力節點，然后調用對應的設備算力。

為什麼這些算力不能用於訓練模型？原因很簡單：時延。訓練模型需要大量且頻繁的數據交互，這要求算力節點之間必須儘可能降低延迟，避免「無效時間（即芯片還在運行，但是數據還沒傳輸過來）」。

爲了提升訓練效率，英偉達和數據中心花了好幾年的時間才把超大型計算集群的時延降到數微秒，從而滿足超大參數模型的訓練。這也是為什麼OpenAI等AI巨頭要花高價建設數萬甚至數十萬節點的超大算力集群，而不是將現有的各個數據中心組合成巨大的算力網絡。

所以，Sunrun其實只能與這些巨頭洽談，看看是否能將這些算力納入這些巨頭的網絡，然后以低於數據中心的算力成本來銷售。但是，隨着OpenAI自研芯片曝光、Google對外出售TPU算力集群等消息的陸續出現，Sunrun的算力成本能否低於這些專用算力芯片的成本，還真不好説。

圖源：OpenAI

事實上，想過以家庭為單位部署算力單元組成分佈式算力網絡的，並不只有Sunrun。另一家專營智能配電設備的公司SPAN就公佈過一個名為XFRA的計劃，該公司購入了一批RTX PRO 6000，然后部署在住宅或小型商業中心，充當算力節點和雲遊戲節點。

在小雷看來，這個方案或許還靠譜一些，因為SPAN除了賣算力外還能賣雲遊戲時長，RTX PRO 6000的遊戲性能大致相當於RTX 4090，在限制分辨率和幀數上限的情況下，同時支持3-4臺電腦運行3A遊戲是沒啥問題的。

雖然小雷並不看好Sunrun目前的計劃，但是他們的想法卻是值得肯定的，分佈式算力網絡在未來很有可能成為除數據中心之外的另一個「AI大腦」。

從基站到衞星，算力正在離你「更近」

目前AI行業的「算力荒」，嚴格來説其實有兩個部分的短缺：一部分是用於訓練模型的算力不夠，另一部分則是推理算力距離用户太遠，導致響應延迟和數據傳輸成本上升。

分佈式算力網絡雖然解決不了前面的問題，卻有機會解決后面的問題，特別是在Agent普及后，邊緣算力正在變得更加重要。

首先，從使用場景來看，Agent往往需要進行持續性推理，並且可能調用攝像頭、麥克風、屏幕等各種硬件，這些任務瑣碎且要求低延迟，全部放在雲端或是端側都不太現實，特別是當大家理想中的AI終端是個比手機還小的設備時。

所以，邊緣算力設備就成爲了最好的補充。這些算力更強、距離又近的節點，可以作為Agent的臨時外置大腦，負責初步推理或任務拆解，然后再把超出能力範圍的任務交給雲端數據中心處理，降低數據中心的壓力。

但是，這樣的節點本身也要求響應快、穩定性高，這對於放置在住宅中的節點來説還是有些太「超綱」了，這也是為何華為會想着往基站里塞節點，因為基站本身就是這片區域的「數據交互中心」，而且可靠性強，天然就適合作為邊緣算力設備。

圖源：雷科技

除了基站，還有個大家意想不到的「邊緣」節點或許會在未來十年出現，那就是在今年的WAIC上宣佈的「星樞計劃」中的算力衞星。

該計劃第一階段將發射2顆算力衞星和12顆邊緣計算衞星，組成一個初步的太空算力網絡，第二階段則是由50顆算力衞星+100顆邊緣計算衞星組成，最后搭建起由上千顆衞星組成的全天候算力中心。

看到這里估計就有讀者迷糊了：「剛剛還説邊緣算力的優勢在於低延迟和穩定，調用衞星算力不是更慢？」這話沒錯，但是太空算力中心服務的本就不是普通用户，而是氣象預警、災害監測、航運等地面算力難以覆蓋的領域。

這時候邊緣算力網絡解決的就是「有沒有」的問題，對於這些本就對即時性要求不高的任務來説，衞星算力的延迟是可以接受的，反正總比讓人扛着幾十斤的算力節點滿山遍野地跑來得強。

而且，從更大的範圍來看，邊緣計算也不一定非要追求「離人最近」。

對於手機、汽車和智能眼鏡來説，邊緣節點可能是附近的基站，而對於遠洋貨輪、無人區設備和低空飛行器來説，最近的節點反而可能是一顆從頭頂飛過的衞星。所以，邊緣計算中的「邊緣」，並不是一個固定的地理概念，而是一個相對概念，指相較於大型雲端數據中心，距離數據產生位置更近、能夠更快處理任務的計算節點。

分層算力網絡纔是AI計算的終局？

所以，小雷覺得真正應該關注的，並不是Sunrun這個項目最后能不能成功，而是它背后所代表的趨勢：算力正在從少數大型數據中心里「溢出來」，逐漸分散到各種邊緣計算設備上。

如果我們把過去的互聯網比喻成一棵大樹，那麼用户就是這棵大樹伸出來的枝干上的樹葉，數據從「樹葉」出發，最終都要匯聚到主干（雲端數據中心）上。但隨着Agent、自動駕駛、機器人等AI設備越來越多，所有任務都依賴雲端計算顯然不現實。

畢竟網絡再快，也不可能讓數十億台設備同時毫無延迟地調用數據中心，而且還可能造成大量的算力浪費，這時候就需要一些獨立於主干的分支來承載這些需求（感覺就像榕樹，生長到一定程度后，遠端的枝干就會長出新的根系）。

所以未來的AI算力網絡，更可能是一套分層體系：手機和PC負責最簡單的本地任務，住宅、基站等節點則去處理需要低延迟的持續推理任務，而大型數據中心則負責複雜模型與高負載任務，最后由衞星補上偏遠地區和特殊場景的需求。

從這個角度來看，Sunrun的家庭算力節點計劃並不算異想天開，它只是有些過於理想化了，現階段想鋪開仍然困難重重。但這並不意味着方向是錯的，它有點類似於早期的電動汽車充電樁，未來必然要經歷一輪漫長的摸索和標準統一，纔有可能變成一個成熟的商業模式。

不過，或許在未來某一天，我們的電腦、手機也能在閒置時變成算力節點。到那時，算力可能會變成一種比電力更普及的資源。

本文來自微信公眾號「雷科技」，作者：雷科技，36氪經授權發佈。