本發明涉及分布式計算與人工智能，具體而言，涉及一種移動終端算力分享的方法，適用于通過移動終端實現閑置算力的高效共享、調度及協同利用，構建全民參與的分布式ai計算生態。
背景技術：
1、當前人工智能技術迅速發展，ai大模型訓練、智能數據處理等場景對算力的需求持續增加。當前算力供給主要依賴高端gpu服務器，存在供給渠道單一、資源集中化的問題，導致算力資源分配不均衡。與此同時，普通用戶日常使用的移動終端（如智能手機、平板電腦）在多數時段處于閑置狀態，其蘊含的巨大算力資源未被有效利用，造成了算力資源的浪費。
2、用戶對ai算力的需求呈現多樣化特征：部分場景需要依托云端大模型的海量資源，部分場景對數據隱私保護有較高要求，需在本地完成算力調用。傳統算力獲取方式存在成本高、操作復雜、技術適配門檻高等問題，普通用戶難以便捷獲取高質量ai服務，限制了全民智能時代的發展進程。
3、現有技術中，尚未出現一種能夠有效整合移動終端閑置算力，同時兼顧便捷性、安全性與多場景適配性的算力分享方案，無法打通算力供給側與需求側的壁壘，實現“人人儲算、人人享算”的算力生態閉環。
技術實現思路
1、（一）發明目的
2、本發明的目的在于提供一種移動終端算力分享的方法，以解決現有算力供給單一、移動終端閑置算力浪費、用戶獲取算力成本高、操作復雜及隱私保護不足等問題，實現算力資源的高效流轉與全民共享，降低ai算力使用門檻。
3、（二）技術方案
4、一種移動終端算力分享的方法，應用于分布式ai計算平臺，所述平臺部署有算力聚合模塊、智能調度模塊、本地部署模塊及云端對接模塊，所述方法包括以下步驟。
5、移動終端算力接入步驟：用戶通過安裝在移動終端上的客戶端，觸發閑置算力接入指令；客戶端自動檢測移動終端的硬件配置，包括處理器型號、內存容量、運行狀態，生成算力評估報告并上傳至平臺的算力聚合模塊；算力聚合模塊對所有接入的移動終端算力進行整合，形成分布式算力資源池，實現移動終端與平臺現有算力網絡的無縫對接。
6、算力分享與監控步驟：算力聚合模塊根據移動終端的算力評估結果，結合平臺的算力需求動態，通過智能調度模塊分配算力分享任務；用戶通過客戶端實時查看算力分享記錄，包括分享時長和算力貢獻量，并監控自身移動終端的資源占用動態；平臺支持用戶隨時啟停算力分享功能，確保算力分享過程透明、可控。
7、多模式算力使用步驟：
8、本地模式：用戶通過客戶端的本地部署模塊，將指定大模型部署于移動終端本地；在斷網環境下，本地部署的大模型可獨立運行，所有數據全程留存于移動終端本地，保障用戶隱私安全；
9、云端模式：用戶通過客戶端的云端對接模塊，接入平臺集成的多種云端大模型；云端對接模塊根據用戶需求，包括文本處理、智能交互、實用工具調用等場景，匹配最優云端大模型資源，為用戶提供高性能ai服務。
10、零門檻適配步驟：平臺通過智能調度模塊預設多類型移動終端的技術適配參數，用戶無需進行復雜的硬件搭建或技術配置；客戶端提供簡潔易用的操作界面，用戶通過該界面即可完成算力分享、本地大模型部署、云端大模型接入的全流程操作，實現零門檻參與算力生態。
11、（三）有益效果
12、本發明突破了傳統算力供給局限于高端服務器的壁壘，激活了移動終端的閑置算力，拓寬了算力資源邊界，構建了多元化的算力供給體系，實現了算力資源的高效利用。
13、通過本地模式與云端模式的雙重設計，既滿足了用戶在隱私保護場景下的算力需求，又能通過聚合云端優質大模型資源，適配多樣化的ai服務場景，提升用戶使用體驗。
14、簡化了算力分享與使用的操作流程，通過一鍵接入、自動適配、實時監控等功能，降低了技術門檻，使普通用戶能夠輕松參與算力分享并便捷獲取高質量ai算力服務，推動了全民智能生態的構建。
15、構建了低成本、高彈性的分布式ai計算生態，降低了算力獲取與使用成本，促進了ai算力在日常生活、工作中的全方位融入，加速了全民智能時代的到來。
1.一種移動終端算力分享的方法，應用于分布式ai計算平臺，其特征在于，所述平臺部署有算力聚合模塊、智能調度模塊、本地部署模塊及云端對接模塊，所述方法包括：
2.根據權利要求1所述的一種移動終端算力分享的方法，其特征在于，所述移動終端算力接入步驟中，客戶端自動檢測的硬件配置包括處理器型號、內存容量及運行狀態，算力評估報告包含算力等級與可貢獻算力上限。
3.根據權利要求1所述的一種移動終端算力分享的方法，其特征在于，所述本地部署模塊具備大模型壓縮功能，適配不同硬件配置的移動終端，確保本地大模型運行流暢性。
4.根據權利要求1所述的一種移動終端算力分享的方法，其特征在于，所述云端對接模塊集成的云端大模型覆蓋文本處理、智能交互、實用工具調用等多種應用場景，可根據用戶需求動態匹配最優資源。
5.根據權利要求1所述的一種移動終端算力分享的方法，其特征在于，所述客戶端支持用戶實時監控移動終端的資源占用動態，且可隨時啟停算力分享功能，保障算力分享過程的可控性。