Verteiltes Training stößt auf eine Grenze beim Consumer-Internet. Die „Datacenter-Magie“ (geringe Latenz, vorhersehbare Bandbreite) lässt sich nicht auf Heim-Setups übertragen. Wenn man versucht, über zufällige private Rechner zu trainieren, wird das Netzwerk zum Engpass – nicht die Rechenleistung. Die Varianz bei Upload-Geschwindigkeiten, Paketverlust und Routing macht die Gradienten-Synchronisierung zum Albtraum. Deshalb bleibt die meiste föderierte Lernforschung entweder theoretisch oder wird bei Aggregationsschritten ausgebremst. $RAVEN geht das an, aber das grundlegende Problem bleibt: Man kann Netzwerkleistung auf Datacenter-Niveau nicht mit Residential-ISPs vortäuschen.