让美国人贡献民电来跑AI，Sunrun这个方案是噱头还是解药？

假如有家公司跟你说，只要在电表里装个小玩意儿，你就能躺着赚钱，你会怎么想？骗局？割韭菜？这大概是多数人的第一反应。不过，如果这个方案出自美国最大的太阳能企业之一——Sunrun，情况就有点不一样了。

从Sunrun公布的方案来看，这套模式并不复杂：只要参与项目的住宅配了太阳能发电和家庭储能系统，就能申请安装GPU计算节点。这些节点主要负责处理AI推理任务，Sunrun统一负责设备调度、能源管理和算力销售，最后把计算能力打包卖给企业客户。

图源：Sunrun

这个想法确实很有意思，而且前景看上去不小。毕竟美国不少科技企业都在筹备修建算力中心，却一直因为电力、环保等问题进展缓慢。比如纽约州就宣布在全州范围内暂停大型数据中心的建设审批（暂定一年），而加利福尼亚州的蒙特雷帕克市则通过全民公投出台法案，直接禁止在当地建数据中心。

当地居民反对的原因也不全是为了“环保”——美国很多城市和州本来就电力不足，数据中心的到来只会加剧这个问题，不仅严重影响居民用电，还会导致电价暴涨。

从公开资料来看，微软、亚马逊等云服务巨头甚至已经开始自建电厂来满足数据中心的能源需求。可以说，中美两国在算力问题上各有各的烦恼：中国是电力多到用不完但缺少顶级计算卡，美国则是大量计算卡因为能源不足而在仓库里吃灰。

所以Sunrun直接跳出来说：传统的数据中心建设方式太慢了，我们有如此多的住宅和太阳能设备，利用它们部署算力节点，就能组成一个百万节点规模的超大算力集群，而且运行所需的电力来自太阳，完全免费且环保。这故事听起来很诱人？别急，我们来好好捋一捋。

Sunrun要用居民家里的电跑GPU

分布式算力网络其实不算新鲜事，甚至可以说，这也是个“老酒装新瓶”的生意。自从AI模型对算力的需求越来越大，就有不少企业盯上了这项技术。比如华&为就推出了不少整合到基站、通信设备中的边缘计算节点，不仅可以为设备提供算力资源，还能在需要时将部分算力贡献出来组成临时算力网络。

不过，Sunrun是想更进一步——他们搭建的边缘算力设备唯一的作用就是不断“生产”算力，然后把这些算力卖给AI公司。但问题在于，目前Sunrun还没有公布利润分配方案，这让人不免好奇：这套方案在成本上真的可行吗？

虽然太阳能理论上是“免费”的，但设备的折旧费、维护费都是需要考虑的，而且这些算力节点还占用了原本可以自用或出售的电力份额，再加上算力节点本身的成本——利润不够的话，很有可能搞出直到设备报废都收不回成本的乌龙。

Sunrun之所以没有上来就大范围推广这个业务，很可能也是因为与AI企业的价格没谈拢。大型企业看不上这些分散的算力，中小型企业又未必有这个需求，而且企业为了规避风险，也会更倾向于选择云服务中心。

图源：Google

从算力使用的角度来看，Sunrun的这个项目大概率会失败。因为分布式算力网络只能满足边缘侧的AI推理需求，而且需要AI企业与Sunrun搭建起一个高效且智能的算力分配架构，让用户在调用AI推理服务时，能够在网络中快速找到最近的算力节点，然后调用对应的设备算力。

为什么这些算力不能用于训练模型？原因很简单：时延。训练模型需要大量且频繁的数据交互，这要求算力节点之间必须尽可能降低延迟，避免“无效时间”——也就是芯片还在运行，但数据还没传输过来。

为了提升训练效率，英伟达和数据中心花了好几年的时间，才把超大型计算集群的时延降到数微秒，从而满足超大参数模型的训练。这也是为什么OpenAI等AI巨头要花高价建设数万甚至数十万节点的超大算力集群，而不是将现有的各个数据中心组合成巨大的算力网络。

所以，Sunrun其实只能与这些巨头洽谈，看看是否能将这些算力纳入他们的网络，然后以低于数据中心的算力成本来销售。但随着OpenAI自研芯片曝光、Google对外出售TPU算力集群等消息陆续出现，Sunrun的算力成本能否低于这些专用算力芯片的成本，还真不好说。

图源：OpenAI

事实上，想过以家庭为单位部署算力单元组成分布式算力网络的，并不只有Sunrun。另一家专营智能配电设备的公司SPAN就公布过一个名为XFRA的计划——该公司购入了一批RTX PRO 6000，然后部署在住宅或小型商业中心，充当算力节点和云游戏节点。

这个方案或许还靠谱一些，因为SPAN除了卖算力外还能卖云游戏时长，RTX PRO 6000的游戏性能大致相当于RTX 4090，在限制分辨率和帧数上限的情况下，同时支持3-4台电脑运行3A游戏是没啥问题的。

虽然现阶段并不看好Sunrun的计划，但他们的想法值得肯定——分布式算力网络在未来很有可能成为除数据中心之外的另一个“AI大脑”。

从基站到卫星，算力正在离你“更近”

目前AI行业的“算力荒”，严格来说其实有两个部分的短缺：一部分是用于训练模型的算力不够，另一部分则是推理算力距离用户太远，导致响应延迟和数据传输成本上升。

分布式算力网络虽然解决不了前面的问题，却有机会解决后面的问题，特别是在Agent普及后，边缘算力正在变得更加重要。

首先，从使用场景来看，Agent往往需要进行持续性推理，并且可能调用摄像头、麦克风、屏幕等各种硬件，这些任务琐碎且要求低延迟，全部放在云端或是端侧都不太现实——特别是当大家理想中的AI终端是个比手机还小的设备时。

所以，边缘算力设备就成为了最好的补充。这些算力更强、距离又近的节点，可以作为Agent的临时外置大脑，负责初步推理或任务拆解，然后再把超出能力范围的任务交给云端数据中心处理，降低数据中心的压力。

但是，这样的节点本身也要求响应快、稳定性高，这对于放置在住宅中的节点来说还是有些太“超纲”了。这也是为何华&为会想着往基站里塞节点——因为基站本身就是这片区域的“数据交互中心”，而且可靠性强，天然就适合作为边缘算力设备。

图源：正软商城

除了基站，还有个大家意想不到的“边缘”节点或许会在未来十年出现——那就是在今年的WAIC上宣布的“星枢计划”中的算力卫星。

该计划第一阶段将发射2颗算力卫星和12颗边缘计算卫星，组成一个初步的太空算力网络；第二阶段则是由50颗算力卫星+100颗边缘计算卫星组成；最后搭建起由上千颗卫星组成的全天候算力中心。

看到这里估计就有读者迷糊了：“刚刚还说边缘算力的优势在于低延迟和稳定，调用卫星算力不是更慢？”这话没错，但是太空算力中心服务的本就不是普通用户，而是气象预警、灾害监测、航运等地面算力难以覆盖的领域。

这时候边缘算力网络解决的就是“有没有”的问题——对于这些本就对即时性要求不高的任务来说，卫星算力的延迟是可以接受的，反正总比让人扛着几十斤的算力节点满山遍野地跑来得强。

而且，从更大的范围来看，边缘计算也不一定非要追求“离人最近”。对于手机、汽车和智能眼镜来说，边缘节点可能是附近的基站；而对于远洋货轮、无人区设备和低空飞行器来说，最近的节点反而可能是一颗从头顶飞过的卫星。所以，边缘计算中的“边缘”，并不是一个固定的地理概念，而是一个相对概念——指相较于大型云端数据中心，距离数据产生位置更近、能够更快处理任务的计算节点。

分层算力网络才是AI计算的终局？

所以，真正应该关注的，并不是Sunrun这个项目最后能不能成功，而是它背后所代表的趋势：算力正在从少数大型数据中心里“溢出来”，逐渐分散到各种边缘计算设备上。

如果把过去的互联网比喻成一棵大树，那么用户就是这棵大树伸出来的枝干上的树叶，数据从“树叶”出发，最终都要汇聚到主干（云端数据中心）上。但随着Agent、自动驾驶、机器人等AI设备越来越多，所有任务都依赖云端计算显然不现实。

毕竟网络再快，也不可能让数十亿台设备同时毫无延迟地调用数据中心，而且还可能造成大量的算力浪费。这时候就需要一些独立于主干的分支来承载这些需求——感觉就像榕树，生长到一定程度后，远端的枝干就会长出新的根系。

所以未来的AI算力网络，更可能是一套分层体系：手机和PC负责最简单的本地任务，住宅、基站等节点去处理需要低延迟的持续推理任务，大型数据中心负责复杂模型与高负载任务，最后由卫星补上偏远地区和特殊场景的需求。

从这个角度来看，Sunrun的家庭算力节点计划并不算异想天开，它只是有些过于理想化了，现阶段想铺开仍然困难重重。但这并不意味着方向是错的——它有点类似于早期的电动汽车充电桩，未来必然要经历一轮漫长的摸索和标准统一，才有可能变成一个成熟的商业模式。

或许在未来某一天，我们的电脑、手机也能在闲置时变成算力节点。到那时，算力可能会变成一种比电力更普及的资源。