AI周报：端侧算力崛起与采用率祛魅

本周看点

这周看 HN 和各大厂博客，最大的感受是“祛魅”。一边是 Google 继续卷多模态和开源，另一边是社区开始反思 AI 的真实渗透率，甚至有人扒皮了所谓的“自研大模型”。老实说，比起那些动辄万亿参数的 PPT，我现在更关心那些能在 M1 Max 上跑起来的本地小模型，以及用户到底在为什么买单。

1. Gemma 4 12B：干掉 Encoder 的多模态开源新玩家

• 发生了什么

Google DeepMind 发布了 Gemma 4 12B。这是一个统一的、无编码器（encoder-free）的多模态模型。

• 深度解读

我注意到这次 Gemma 4 12B 最大的卖点是 "encoder-free"。以前做多模态，通常是视觉编码器（比如 ViT）加上 LLM，中间搞个投影层。现在直接干掉独立的视觉编码器，把视觉和语言在底层统一。12B 这个参数量也很微妙，不大不小，刚好能在消费级显卡上跑起来。我觉得这反映出 Google 在开源生态里的策略变了：不再只追求参数大，而是死磕架构效率和端侧部署。

• 影响分析

对开发者来说，这个真的香。如果你在做多模态应用，不用再头疼怎么对齐视觉和语言特征了。对企业而言，12B 意味着微调成本和推理成本大幅下降。下一步值得关注的是它在具体视觉推理任务上的表现，以及社区能把它魔改成什么样。

• 链接

Introducing Gemma 4 12B

2. 用 M1 Max 索引 669GB GoPro 视频：端侧 AI 的真实杀伤力

• 发生了什么

有个老哥在 HN 上分享，他用一台 M1 Max 电脑和本地 ML 模型，把自己 669 GB 的 GoPro 视频全做了索引。

• 深度解读

这篇帖子拿了 275 分，说明大家苦“云端 AI”久矣。我试了一下类似的工作流，老实说，把几百 G 的私人视频传到云端去跑多模态分析，不仅贵，而且隐私风险极大。这个案例证明了，现在的端侧算力（比如苹果的 Neural Engine）配合量化后的小模型，已经完全能 handle 个人级别的重度多模态任务。这不是在实验室里跑 benchmark，这是实打实的生产力。

• 影响分析

这给做个人数据管理、本地知识库的创业者提了个醒：别总想着把数据往云端搬。用户更愿意为“数据不出本机”的体验买单。开发者应该重点关注 Apple Silicon 的 ML 优化栈，以及本地推理框架的演进。

• 链接

I indexed 669 GB of my GoPro videos

3. “不是所有人都在用 AI 做所有事”：戳破采用率泡沫

• 发生了什么

Gabriel Weinberg 写了一篇文章，探讨人们消费 AI 的真实状态，指出并非所有人都在所有场景下使用 AI。HN 上拿了 419 分，热度极高。

• 深度解读

这篇文章算是给最近狂热的 AI 圈泼了盆冷水。我最近和几个 SaaS 创始人聊天，大家也有同感：DAU 看着好看，但留存和深度使用率一塌糊涂。很多人用 AI 只是图个新鲜，或者只在写邮件、查资料这种边缘场景用一下。AI 并没有像智能手机那样，成为每个人每时每刻都离不开的器官。这意味着，那些假设“AI 将重塑所有工作流”的宏大叙事，在落地时遇到了巨大的摩擦力。

• 影响分析

对企业级产品来说，别再做大而全的 AI 助手了。找准一个极其具体的痛点，把体验做到极致，比什么都强。对投资人而言，是时候重新审视那些靠“AI 渗透率”讲故事的公司了。下一步，多看看那些把 AI 藏在后台、用户甚至感知不到 AI 存在的产品。

• 链接

Not everyone is using AI for everything

4. 里约热内卢的“自研大模型”翻车：开源生态的套壳乱象

• 发生了什么

HN 上有人扒出，里约热内卢号称“本土自研”的大模型，实际上只是现有开源模型的 merge（融合）产物。

• 深度解读

这事儿挺黑色幽默的。现在开源模型这么多，拿几个模型做个 merge，换个名字，就敢叫“自研”了。这其实暴露出当前大模型评估体系的一个漏洞：只要刷榜分数好看，没人关心你的底座到底是怎么来的。我觉得这也侧面说明，从头 pre-train 一个模型的门槛虽然高，但“拼凑”一个看起来还行的模型的门槛已经低到令人发指了。

• 影响分析

这对做模型评估和合规审查的团队是个机会。未来企业和政府在选择模型供应商时，肯定会要求更严格的代码审计和数据来源证明。开发者如果自己搞开源项目，记得把 license 和血统（lineage）写清楚，免得惹上版权和声誉麻烦。

• 链接

Rio de Janeiro's "homegrown" LLM merge issue

小结

这周看下来，AI 行业正在经历一场从“仰望星空”到“脚踏实地”的转变。Gemma 4 12B 和 M1 Max 本地索引证明了小模型和端侧算力的商业价值；而采用率的反思和“套壳”翻车事件，则在提醒我们：技术红利不等于产品红利。少讲点改变世界，多解决点实际问题吧。