北京
新智元報道
【新智元導讀】谷歌公布最新Gemma 4技術報道！Gemma 4用實際行動證明：端側大模型不再是云端的廉價替代品，而是擁有原生多模態理解和深度思考能力的獨立智能體。
Gemma 4技術報告發布！
你是否也曾算過這樣一筆賬？
在開發一款真正實時的多模態應用時，你不得不把音視頻流打包，跨越數千公里送往云端。
每一次極小的調用，都在悄無聲息地消耗API余額。一旦網絡抖動、帶寬受限，或是隱私合規的鐵拳落下，你苦心搭建的用戶體驗就會瞬間崩盤。
我們曾被反復告知：端側大模型只是云端巨人的「像素縮水版」。它們只能處理干癟的文本。至于真正的深度推理、多模態理解，那永遠是幾十萬張A100堆砌出的云端神殿的專屬特權。
7月初，Google DeepMind發布Gemma 4，全系Apache 2.0徹底開源。
傳送門：https://arxiv.org/abs/2607.02770
這是一次近乎學術叛逆的底層重構——他們直接干掉了多模態模型里最沉重、最不可或缺的視覺與音頻編碼器，把媲美頂級云端AI的「思考心流」塞進了筆記本、甚至手機都能離線跑通的輕量身軀里。
殺死那個「中間翻譯官」：為什么一個12B模型成了異類？
想象一下你正在給一個AI裝上「眼睛」和「耳朵」。
傳統做法是：先給它掛一個幾億參數的視覺編碼器（比如CLIP），再掛一個音頻編碼器（比如Whisper）。這兩個重型翻譯官把像素和波形翻譯成向量，再粗暴塞進LLM。
這個「膠水架構」在算力匱乏的年代是權宜之計，卻留下了致命傷——內存被強行撕裂、無法端到端協同優化、顯存開銷巨大。
Gemma 4 12B做了件在過去看起來近乎瘋狂的事：它直接把這兩個翻譯官砍掉了。
它只保留了一個極簡的35M參數投影層，把原始圖像的像素塊和原始音頻40毫秒的波形塊，直接投影進LLM自身的統一嵌入空間。
沒有中間人，沒有信息損耗，只有單一的Unified Transformer在同時「看」「聽」「想」。
這聽起來簡單，實則難度極高。過去直接灌入原始波形和像素，極易導致模型文本能力嚴重退化。可DeepMind通過驚人的聯合預訓練，完成了這三者的深度融合。
結果是，一臺普通消費級顯卡、甚至16GB VRAM的MacBook，就能本地實時跑通原生音畫文三位一體交互。
你不再需要為三個模型在內存里搶地盤，整張卡，只有一個大腦在同時處理一切。
真正具有開創性的智能，從來不該依賴翻譯官。
當一個模型能夠用同一顆大腦直視像素、直接聆聽聲音時，多模態才算真正告別了童年。
把「心流」塞進口袋：在2.3B微型骨架里塞進深度思考
如果說無編碼器解放了端側的「感官」，那么Thinking Mode則徹底重塑了它的「智商上限」。
過去一年，從OpenAI o1到DeepSeek R1，「慢思考」一直是云端巨頭的最后護城河。模型要在回答前進行成百上千次的自我審視、調試與推理，這需要極高的云端吞吐和真金白銀的Token消耗。
Gemma 4的革命性在于：它把這套機制原生下放到了包含2.3B（E2B）和4.5B（E4B）在內的所有邊緣尺寸模型中。
通過一個簡單的<|think|>控制Token，你就能在本地觸發高密度推理軌跡。
更震撼的是數據。
在DeepMind技術報告中，Gemma 4 31B Thinking與前代Gemma 3 27B IT在無任何外部工具輔助下的對比，呈現出近乎非線性的爆發：
在復雜數學、前沿科學、以及真實Agent工具調用上，Gemma 4實現了對前代更大模型的降維打擊。這已經不是「追趕」，而是在很多高難度任務上開始正面挑落比自己大數倍的閉源巨獸。
DeepMind還同步推出了多Token預測草稿模型和量化感知訓練，讓這種本地深度思考不僅質量高，而且等待時間大幅縮短。
當「思考」不再是云端API的昂貴恩賜，而變成邊緣設備上可以隨時呼吸的空氣，整個行業拼的就再也不是體型，而是單位參數的認知密度。
算力經濟學的焦土戰爭：150M字節的開源，正在敲響云端溢價的喪鐘
發布后最關鍵的決定，是Google把Gemma 4全系放在Apache 2.0協議下徹底開源。
在科技商業史上，當一個巨頭把核心能力以最寬容姿態開源時，通常意味著它正在發起一場焦土戰爭。
過去云端巨頭的暴利模式是：把最好的模型鎖在API后面，開發者想要高階邏輯、實時音頻、多模態理解，就必須按Token付費。
Gemma 4正在把這套模式直接打穿。
端側部署帶來的改變是結構性的：
數據主權：敏感信息100%不出本地，合規風險歸零；
延遲歸零：近乎實時的本地交互，再無網絡抖動；
成本歸零：一次購買硬件，后續邊際成本接近為零；
硬件門檻崩塌：普通筆記本、Jetson Nano、甚至樹莓派5，都能成為原生AI服務器。
當開發者發現：自己的手機里已經駐留著一個能實時聽懂環境音、看懂代碼、還能在毫秒級做出深度思考的模型時，他們還有什么理由繼續向云端繳納智商稅？
寫在最后：智能在沉默中運行
如果說AI時代的前半場是關于「規模」的宏大敘事，那么Gemma 4吹響的，是后半場「結構與主權」的革命號角。
真正的技術普惠，從來不是讓數十億人共享一個龐大、遙遠且昂貴的中樞神經網絡，而是讓每個人、每個設備都擁有屬于自己的智能。
它應當像一張離線的地圖、一冊無需聯網的百科全書，在世界的任何角落，靜默而忠誠地伴隨你左右。
在不久的將來，人類最深邃的思想和洞察，也許不再需要跨越冰冷漫長的海底光纜，去往大洋彼岸的巨型服務器集群里轉上一圈。
當智能真正可以離線、可以私有、可以塞進口袋時，我們或許需要重新回答那個最根本的問題：
什么是真正屬于人類的智能？而什么，又是真正屬于每個人的智能？
參考資料：
https://x.com/osanseviero/status/2074436670770868249?s=20https://arxiv.org/abs/2607.02770https://arxiv.org/pdf/2607.02770
編輯：大衛
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
