<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:wfw="http://wellformedweb.org/CommentAPI/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
	xmlns:slash="http://purl.org/rss/1.0/modules/slash/"
	>

<channel>
	<title>边缘计算 &#8211; mylogs.cn</title>
	<atom:link href="https://mylogs.cn/tag/%e8%be%b9%e7%bc%98%e8%ae%a1%e7%ae%97/feed/" rel="self" type="application/rss+xml" />
	<link>https://mylogs.cn</link>
	<description>发现、记录、分享</description>
	<lastBuildDate>Fri, 20 Nov 2026 10:21:15 +0000</lastBuildDate>
	<language>zh-Hans</language>
	<sy:updatePeriod>
	hourly	</sy:updatePeriod>
	<sy:updateFrequency>
	1	</sy:updateFrequency>
	
	<item>
		<title>14MB内存跑起2.7亿参数模型：谷歌工程师把AI塞进打印机</title>
		<link>https://mylogs.cn/14mb%e5%86%85%e5%ad%98%e8%b7%91%e8%b5%b72-7%e4%ba%bf%e5%8f%82%e6%95%b0%e6%a8%a1%e5%9e%8b%ef%bc%9a%e8%b0%b7%e6%ad%8c%e5%b7%a5%e7%a8%8b%e5%b8%88%e6%8a%8aai%e5%a1%9e%e8%bf%9b%e6%89%93%e5%8d%b0%e6%9c%ba/</link>
		
		<dc:creator><![CDATA[steve, zhang]]></dc:creator>
		<pubDate>Fri, 20 Nov 2026 10:21:15 +0000</pubDate>
				<category><![CDATA[科技]]></category>
		<category><![CDATA[AI模型]]></category>
		<category><![CDATA[DeepMind]]></category>
		<category><![CDATA[Gemma]]></category>
		<category><![CDATA[PostScript]]></category>
		<category><![CDATA[人工智能]]></category>
		<category><![CDATA[谷歌]]></category>
		<category><![CDATA[边缘计算]]></category>
		<guid isPermaLink="false">https://mylogs.cn/14mb%e5%86%85%e5%ad%98%e8%b7%91%e8%b5%b72-7%e4%ba%bf%e5%8f%82%e6%95%b0%e6%a8%a1%e5%9e%8b%ef%bc%9a%e8%b0%b7%e6%ad%8c%e5%b7%a5%e7%a8%8b%e5%b8%88%e6%8a%8aai%e5%a1%9e%e8%bf%9b%e6%89%93%e5%8d%b0%e6%9c%ba/</guid>

					<description><![CDATA[一台普通办公激光打印机，内存只有约 14MB，却跑起了 2.7 亿参数的语言模型。这不是科幻设定，而是谷歌 D [&#8230;]]]></description>
										<content:encoded><![CDATA[<p class="wp-block-paragraph">一台普通办公激光打印机，内存只有约 14MB，却跑起了 2.7 亿参数的语言模型。这不是科幻设定，而是谷歌 DeepMind 技术团队成员奥马尔·圣塞维耶罗（Omar Sanseviero）在 2026 年 11 月 17 日于社交平台 X 上公布的一次真实实验：让打印机用内部 CPU 执行推理，最终把答案直接打印在纸上。代价是速度——每输出一个词元，大约要等 60 秒。</p>
<figure data-wp-context="{&quot;imageId&quot;:&quot;6b015ed0ac2d1&quot;}" data-wp-interactive="core/image" data-wp-key="6b015ed0ac2d1" class="wp-block-image wp-lightbox-container"><img decoding="async" data-wp-class--hide="state.isContentHidden" data-wp-class--show="state.isContentVisible" data-wp-init="callbacks.setButtonStyles" data-wp-on--click="actions.showLightbox" data-wp-on--load="callbacks.setButtonStyles" data-wp-on--pointerdown="actions.preloadImage" data-wp-on--pointerenter="actions.preloadImageWithDelay" data-wp-on--pointerleave="actions.cancelPreload" data-wp-on-window--resize="callbacks.setButtonStyles" src="https://mylogs.cn/wp-content/uploads/2026/11/body_printer-gemma270m-2026.webp" alt="谷歌工程师把AI装进打印机实验" style="max-width:100%;height:auto;"/><button
			class="lightbox-trigger"
			type="button"
			aria-haspopup="dialog"
			data-wp-bind--aria-label="state.thisImage.triggerButtonAriaLabel"
			data-wp-init="callbacks.initTriggerButton"
			data-wp-on--click="actions.showLightbox"
			data-wp-style--right="state.thisImage.buttonRight"
			data-wp-style--top="state.thisImage.buttonTop"
		>
			<svg xmlns="http://www.w3.org/2000/svg" width="12" height="12" fill="none" viewBox="0 0 12 12">
				<path fill="#fff" d="M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z" />
			</svg>
		</button><figcaption>图片来源：IT之家</figcaption></figure>
<h2 class="wp-block-heading">一台打印机怎么跑起大模型</h2>
<p class="wp-block-paragraph">这次实验的主角是一台理光（Ricoh）办公激光打印机，跑的模型是谷歌的 Gemma 3 270M，参数量为 2.7 亿。圣塞维耶罗借助谷歌的 Gemini 4 Carbon 模型，把一个小型 Transformer 推理引擎连同量化后的模型，一起编译成了一份 PostScript 打印任务。</p>
<p class="wp-block-paragraph">关键在于，实验全程没有修改打印机固件，也没有加装任何外部计算板。它利用的是打印机内置的 PostScript 解释器——这门原本用来描述页面长什么样、该打印什么内容的语言，被拿来承担了运行神经网络的工作。整个计算过程都发生在打印机内部：由打印机的 CPU 执行 PostScript 程序完成推理，再把结果交给打印机输出。</p>
<p class="wp-block-paragraph">换句话说，打印机里那套最平常不过的页面描述语言，这次被改造成了 AI 推理引擎的载体。</p>
<h2 class="wp-block-heading">内存不够，就轮流用</h2>
<p class="wp-block-paragraph">打印机内存极小，装不下完整的模型。实验采用的做法是动态层加载：不一次性把整个模型载入内存，而是把模型的各层轮流调入、调出。这样一来，任意时刻内存里只需要保留当前正在计算的那一层，峰值占用被压到了约 14.1MB。</p>
<p class="wp-block-paragraph">模型推理一共涉及 18 个 Transformer 网络层。为了让这个极限环境跑得动，模型经过了量化处理，权重精度被压低，推理引擎也被精简到极小。</p>
<figure data-wp-context="{&quot;imageId&quot;:&quot;6b015ed0ac645&quot;}" data-wp-interactive="core/image" data-wp-key="6b015ed0ac645" class="wp-block-image wp-lightbox-container"><img decoding="async" data-wp-class--hide="state.isContentHidden" data-wp-class--show="state.isContentVisible" data-wp-init="callbacks.setButtonStyles" data-wp-on--click="actions.showLightbox" data-wp-on--load="callbacks.setButtonStyles" data-wp-on--pointerdown="actions.preloadImage" data-wp-on--pointerenter="actions.preloadImageWithDelay" data-wp-on--pointerleave="actions.cancelPreload" data-wp-on-window--resize="callbacks.setButtonStyles" src="https://mylogs.cn/wp-content/uploads/2026/11/body_printer-gemma270m-2026.webp" alt="打印机运行Gemma模型数据指标" style="max-width:100%;height:auto;"/><button
			class="lightbox-trigger"
			type="button"
			aria-haspopup="dialog"
			data-wp-bind--aria-label="state.thisImage.triggerButtonAriaLabel"
			data-wp-init="callbacks.initTriggerButton"
			data-wp-on--click="actions.showLightbox"
			data-wp-style--right="state.thisImage.buttonRight"
			data-wp-style--top="state.thisImage.buttonTop"
		>
			<svg xmlns="http://www.w3.org/2000/svg" width="12" height="12" fill="none" viewBox="0 0 12 12">
				<path fill="#fff" d="M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z" />
			</svg>
		</button><figcaption>图片来源：IT之家</figcaption></figure>
<h2 class="wp-block-heading">速度有多慢：每词元约 60 秒</h2>
<p class="wp-block-paragraph">极限压缩的代价是速度。实验给出的核心数字是：整体处理速度约为每个词元 60 秒——注意是&#8221;每词元 60 秒&#8221;，而不是&#8221;每秒 60 个词元&#8221;。</p>
<p class="wp-block-paragraph">具体拆分来看，在预填充阶段，处理输入提示&#8221;Read the fine&#8221;耗时约 184 秒；进入解码阶段后，生成单个词元耗时约 0.1 秒，两者合计约 184.1 秒。最终，这台打印机在纸上印出了一行短句。</p>
<figure class="wp-block-table"><table><thead><tr><th>项目</th><th>实验数据</th></tr></thead><tbody><tr><td>模型</td><td>Gemma 3 270M（2.7 亿参数）</td></tr><tr><td>设备</td><td>理光办公激光打印机</td></tr><tr><td>峰值内存占用</td><td>约 14.1MB</td></tr><tr><td>Transformer 层数</td><td>18 层</td></tr><tr><td>整体速度</td><td>约每词元 60 秒</td></tr><tr><td>预填充耗时</td><td>约 184 秒（提示&#8221;Read the fine&#8221;）</td></tr><tr><td>单步解码耗时</td><td>约 0.1 秒</td></tr><tr><td>是否改动硬件</td><td>未改固件、未加计算板</td></tr></tbody></table></figure>
<h2 class="wp-block-heading">一次硬件极限测试，而非实用方案</h2>
<p class="wp-block-paragraph">需要说清楚的是，这次实验的意义在于探索边界，而不是打造一款可用产品。圣塞维耶罗本人的表述相当克制：这更像是一次把硬件推到极限的测试，把模型层数、内存峰值和单步耗时都压到了可量化的边界上，距离真正能干活还相当遥远。</p>
<p class="wp-block-paragraph">它真正证明的是，即便是打印机这样内存极度受限、人们通常认为算力不足的设备，也能通过编译与量化的巧思勉强跑起一个语言模型。从这个角度看，它更像一次面向工程好奇心的探索：把推理引擎塞进最不可能的地方，看看极限到底在哪里。</p>
<h2 class="wp-block-heading">常见问题</h2>
<h3 class="wp-block-heading">这次实验用的是哪款模型和设备？</h3>
<p class="wp-block-paragraph">模型是谷歌的 Gemma 3 270M，参数量 2.7 亿；设备是一台理光办公激光打印机，推理全程由打印机内部 CPU 完成。</p>
<h3 class="wp-block-heading">14.1MB 内存为什么够用？</h3>
<p class="wp-block-paragraph">因为采用了动态层加载，模型各层轮流进出内存，峰值占用因此被压到约 14.1MB，而不是一次性装入整个模型。</p>
<h3 class="wp-block-heading">打印机跑大模型的速度如何？</h3>
<p class="wp-block-paragraph">整体约每词元 60 秒。预填充阶段处理提示约 184 秒，解码单个词元约 0.1 秒，输出一段短句往往需要等待数分钟。</p>
<h3 class="wp-block-heading">这个方案现在能实用吗？</h3>
<p class="wp-block-paragraph">暂时不能。实验者明确表示这是一次极限测试，并未修改固件或加装硬件，距离日常可用还很远。</p>
<h2 class="wp-block-heading">信息来源</h2>
<p class="wp-block-paragraph">IT之家 2026 年 11 月 20 日报道；凤凰网科技、新浪财经、腾讯新闻、网易科技同题报道；奥马尔·圣塞维耶罗于 2026 年 11 月 17 日在 X 平台发布的实验内容。</p>]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>80% Token 在终端生成：杨元庆的 AI 算力新判断</title>
		<link>https://mylogs.cn/80-token-%e5%9c%a8%e7%bb%88%e7%ab%af%e7%94%9f%e6%88%90%ef%bc%9a%e6%9d%a8%e5%85%83%e5%ba%86%e7%9a%84-ai-%e7%ae%97%e5%8a%9b%e6%96%b0%e5%88%a4%e6%96%ad/</link>
		
		<dc:creator><![CDATA[steve, zhang]]></dc:creator>
		<pubDate>Fri, 23 Oct 2026 08:48:44 +0000</pubDate>
				<category><![CDATA[科技]]></category>
		<category><![CDATA[AI PC]]></category>
		<category><![CDATA[AI 算力]]></category>
		<category><![CDATA[Token]]></category>
		<category><![CDATA[杨元庆]]></category>
		<category><![CDATA[联想]]></category>
		<category><![CDATA[边缘计算]]></category>
		<guid isPermaLink="false">https://mylogs.cn/80-token-%e5%9c%a8%e7%bb%88%e7%ab%af%e7%94%9f%e6%88%90%ef%bc%9a%e6%9d%a8%e5%85%83%e5%ba%86%e7%9a%84-ai-%e7%ae%97%e5%8a%9b%e6%96%b0%e5%88%a4%e6%96%ad/</guid>

					<description><![CDATA[结论：联想集团董事长兼 CEO 杨元庆在 2026 年 10 月 23 日的内部领导力培训中预测，未来 80% [&#8230;]]]></description>
										<content:encoded><![CDATA[<figure data-wp-context="{&quot;imageId&quot;:&quot;6b015ed0adb64&quot;}" data-wp-interactive="core/image" data-wp-key="6b015ed0adb64" class="wp-block-image wp-lightbox-container"><img fetchpriority="high" decoding="async" width="1600" height="1067" data-wp-class--hide="state.isContentHidden" data-wp-class--show="state.isContentVisible" data-wp-init="callbacks.setButtonStyles" data-wp-on--click="actions.showLightbox" data-wp-on--load="callbacks.setButtonStyles" data-wp-on--pointerdown="actions.preloadImage" data-wp-on--pointerenter="actions.preloadImageWithDelay" data-wp-on--pointerleave="actions.cancelPreload" data-wp-on-window--resize="callbacks.setButtonStyles" src="https://mylogs.cn/wp-content/uploads/2026/10/3c1afd518effe733c0f47f5fbe0bc54b_header.webp" alt="题图" class="wp-image-14573" style="max-width:100%;height:auto;" srcset="https://mylogs.cn/wp-content/uploads/2026/10/3c1afd518effe733c0f47f5fbe0bc54b_header.webp 1600w, https://mylogs.cn/wp-content/uploads/2026/10/3c1afd518effe733c0f47f5fbe0bc54b_header-300x200.webp 300w, https://mylogs.cn/wp-content/uploads/2026/10/3c1afd518effe733c0f47f5fbe0bc54b_header-1024x683.webp 1024w, https://mylogs.cn/wp-content/uploads/2026/10/3c1afd518effe733c0f47f5fbe0bc54b_header-768x512.webp 768w, https://mylogs.cn/wp-content/uploads/2026/10/3c1afd518effe733c0f47f5fbe0bc54b_header-1536x1024.webp 1536w" sizes="(max-width: 1600px) 100vw, 1600px" /><button
			class="lightbox-trigger"
			type="button"
			aria-haspopup="dialog"
			data-wp-bind--aria-label="state.thisImage.triggerButtonAriaLabel"
			data-wp-init="callbacks.initTriggerButton"
			data-wp-on--click="actions.showLightbox"
			data-wp-style--right="state.thisImage.buttonRight"
			data-wp-style--top="state.thisImage.buttonTop"
		>
			<svg xmlns="http://www.w3.org/2000/svg" width="12" height="12" fill="none" viewBox="0 0 12 12">
				<path fill="#fff" d="M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z" />
			</svg>
		</button></figure>
<p class="wp-block-paragraph"><strong>结论</strong>：联想集团董事长兼 CEO 杨元庆在 2026 年 10 月 23 日的内部领导力培训中预测，未来 80% 的 Token 将在终端和边缘侧生成，并判断每人都需要一台家用服务器或专属 AI 中心。<br><strong>关键数字</strong>：终端与边缘 Token 占比预测 80% / 联想 AI PC 全球份额 25.1% / x86 服务器出货全球第一（IDC 2026 Q2）。</p>

<figure class="wp-block-table"><table><thead><tr><th>指标</th><th>数值</th><th>说明</th></tr></thead><tbody><tr><td>终端与边缘 Token 占比预测</td><td>80%</td><td>杨元庆预测，其余约 20% 仍在云端</td></tr><tr><td>联想 AI PC 全球份额</td><td>25.1%</td><td>2026 第一财季（4/1~6/30）创同期新高</td></tr><tr><td>x86 服务器出货</td><td>全球第一</td><td>IDC 2026 Q2，营收位居全球第二</td></tr><tr><td>个人 AI 形态</td><td>家用服务器/AI 中心</td><td>每人一台的预测</td></tr></tbody></table></figure>

<h2 class="wp-block-heading">端边云协同：80% 推理为何要下沉</h2>
<p class="wp-block-paragraph">杨元庆判断，随着大模型参数迈入万亿级、Token 规模持续扩大，AI 应用正从云端集中式计算走向端边云协同。</p>
<p class="wp-block-paragraph">他认为&#8221;过去的生态是芯片和操作系统，未来的生态是计算、模型和数据&#8221;，算力是联想最具优势的领域，公司将重点做好 Token Hub 统一调度与端边云全栈组合。</p>
<h2 class="wp-block-heading">每人一台 AI 中心：个人计算将被重写</h2>
<p class="wp-block-paragraph">杨元庆提出，随着个人 AI 普及，每个人都需要一台家用服务器或属于自己的 AI 中心，形成围绕个人数据、模型和智能体的专属计算体系。</p>
<p class="wp-block-paragraph">联想正以&#8221;一体多端&#8221;推进个人 AI 战略，并已通过个人超级智能体 Qira 整合跨设备 AI 体验。</p>
<h2 class="wp-block-heading">设备交给 Agent：谁在用这台机器</h2>
<p class="wp-block-paragraph">他还判断，未来很多设备不再由人直接使用，而是由 Agent 使用——智能体从回答问题转向自主执行任务。</p>
<p class="wp-block-paragraph">这意味着计算设备既要满足人的交互需求，也要适应智能体持续运行、协同工作与自动执行任务的需要。</p>
<h2 class="wp-block-heading">这对联想和用户可以意味着什么</h2>
<p class="wp-block-paragraph">对联想：把算力优势押注在推理下沉一侧，发展 Token Hub 在统一平台上将不同工作负载分配给不同模型，提高 Token 使用效率。</p>
<p class="wp-block-paragraph">对个人用户：家庭 AI 计算设备的需求或被重新点燃，但重度使用者才更需自建专属算力。</p>
<p class="wp-block-paragraph">值得注意的是，IDC 2026 年第二季度数据显示联想 x86 服务器出货登顶全球第一，为其端边云路线提供了底座支撑。</p>
<h2 class="wp-block-heading">常见问题</h2>
<h3 class="wp-block-heading">80% Token 在终端生成意味着什么？</h3>
<p class="wp-block-paragraph">意味着大量 AI 推理将从云端下沉到设备与边缘，个人计算设备和边缘基础设施迎来新的增长空间。</p>
<h3 class="wp-block-heading">普通家庭需要买家用 AI 服务器吗？</h3>
<p class="wp-block-paragraph">视使用深度而定。重度 AI 用户可构建专属计算体系，轻度用户暂不必跟风采购。</p>
<h3 class="wp-block-heading">联想凭什么押注端边云路线？</h3>
<p class="wp-block-paragraph">算力是其优势领域，且 IDC 2026 Q2 显示其 x86 服务器出货与营收均居全球前列。</p>
<p class="wp-block-paragraph">信息来源：IT之家/新浪科技 2026-10-23 报道（联想内部领导力发展培训项目发言）。</p>]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>圆刚A113 AI降噪麦克风发布：工业级耐温，语音识别提升60%</title>
		<link>https://mylogs.cn/%e5%9c%86%e5%88%9aa113-ai%e9%99%8d%e5%99%aa%e9%ba%a6%e5%85%8b%e9%a3%8e%e5%8f%91%e5%b8%83%ef%bc%9a%e5%b7%a5%e4%b8%9a%e7%ba%a7%e8%80%90%e6%b8%a9%ef%bc%8c%e8%af%ad%e9%9f%b3%e8%af%86%e5%88%ab%e6%8f%90/</link>
		
		<dc:creator><![CDATA[steve, zhang]]></dc:creator>
		<pubDate>Mon, 05 Oct 2026 06:41:14 +0000</pubDate>
				<category><![CDATA[科技]]></category>
		<category><![CDATA[边缘计算]]></category>
		<category><![CDATA[麦克风]]></category>
		<guid isPermaLink="false">https://mylogs.cn/%e5%9c%86%e5%88%9aa113-ai%e9%99%8d%e5%99%aa%e9%ba%a6%e5%85%8b%e9%a3%8e%e5%8f%91%e5%b8%83%ef%bc%9a%e5%b7%a5%e4%b8%9a%e7%ba%a7%e8%80%90%e6%b8%a9%ef%bc%8c%e8%af%ad%e9%9f%b3%e8%af%86%e5%88%ab%e6%8f%90/</guid>

					<description><![CDATA[圆刚（AVerMedia）近日推出 AIClear Mic（A113）麦克风，面向工业应用场景。这款产品最大的 [&#8230;]]]></description>
										<content:encoded><![CDATA[<p class="wp-block-paragraph">圆刚（AVerMedia）近日推出 AIClear Mic（A113）麦克风，面向工业应用场景。这款产品最大的特点是宽温工作能力：工作温度范围达 -25℃ 至 +60℃，存放温度范围达 -40℃ 至 +85℃，可适应严苛的户外与工业现场环境。</p>

<h2 class="wp-block-heading">核心功能</h2>

<p class="wp-block-paragraph">A113 支持人工智能驱动的降噪功能，可为边缘应用清除音频环境中的环境噪声，使语音识别准确率提升 60% 以上。在声纹认证场景中，该功能同样能够提高身份验证的准确性，适合对可靠性要求较高的工业与车载环境。</p>

<h2 class="wp-block-heading">接口与定位</h2>

<p class="wp-block-paragraph">接口方面，A113 支持免驱动即插即用，采用 USB-C 一线连接，同时还提供一对 3.5mm 音频插孔，便于对接各类音频设备。</p>

<p class="wp-block-paragraph">圆刚表示，该产品面向边缘计算与工业物联网场景，强调在复杂声学环境下的可用性，适用于智能终端、车载语音及户外作业设备等对温域与噪声抑制有较高要求的场合。</p>]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>格罗方德发布 UX 平台，押注物理 AI 与边缘智能</title>
		<link>https://mylogs.cn/%e6%a0%bc%e7%bd%97%e6%96%b9%e5%be%b7%e5%8f%91%e5%b8%83-ux-%e5%b9%b3%e5%8f%b0%ef%bc%8c%e6%8a%bc%e6%b3%a8%e7%89%a9%e7%90%86-ai-%e4%b8%8e%e8%be%b9%e7%bc%98%e6%99%ba%e8%83%bd/</link>
		
		<dc:creator><![CDATA[steve, zhang]]></dc:creator>
		<pubDate>Wed, 02 Sep 2026 12:54:29 +0000</pubDate>
				<category><![CDATA[科技]]></category>
		<category><![CDATA[半导体]]></category>
		<category><![CDATA[格罗方德]]></category>
		<category><![CDATA[物理AI]]></category>
		<category><![CDATA[边缘计算]]></category>
		<guid isPermaLink="false">https://mylogs.cn/%e6%a0%bc%e7%bd%97%e6%96%b9%e5%be%b7%e5%8f%91%e5%b8%83-ux-%e5%b9%b3%e5%8f%b0%ef%bc%8c%e6%8a%bc%e6%b3%a8%e7%89%a9%e7%90%86-ai-%e4%b8%8e%e8%be%b9%e7%bc%98%e6%99%ba%e8%83%bd/</guid>

					<description><![CDATA[在 GF 技术峰会上面向客户开放 晶圆代工厂 GlobalFoundries（格罗方德）于 2026 年 9  [&#8230;]]]></description>
										<content:encoded><![CDATA[<h2 class="wp-block-heading">在 GF 技术峰会上面向客户开放</h2>

<p class="wp-block-paragraph">晶圆代工厂 GlobalFoundries（格罗方德）于 2026 年 9 月 2 日在北美年度 GF Technology Summit（GTS）上宣布，其 UX 平台家族的工艺设计套件（PDK）正式向客户开放。这一家族包含 40 纳米（40UX）与 22 纳米（22UX）两款面向下一代智能边缘设备与先进传感系统的 CMOS 工艺。</p>

<p class="wp-block-paragraph">GF 的 CMOS 业务高级副总裁 Ed Kaste 表示，智能正进入人们日常依赖的更多设备，对能效、精密传感、连接与高性价比集成的需求随之上升；UX 平台为客户的智能边缘产品提供了一条可扩展的开发路径。</p>

<h2 class="wp-block-heading">两款工艺，各司其职</h2>

<p class="wp-block-paragraph">40UX 基于 GF 已量产、累计出货超 100 万片晶圆的高产能 40 纳米平台，集成超低漏电晶体管与 SRAM、低噪声模拟能力、内置自测试功能的嵌入式闪存，以及先进的射频支持。它面向需要长续航、高可靠与小体积的安全联网微控制器、蓝牙低功耗（BLE）设备、无线连接产品与低噪声传感器接口，计划 2027 年在新加坡 site 量产，后续在纽约州 Malta 工厂扩产。</p>

<p class="wp-block-paragraph">22UX 则提供模拟优化的 22 纳米方案，面向更高模拟集成与传感性能的边缘 AI、成像与混合信号系统：它具备超低功耗运行、低噪声模拟器件、更优的器件匹配，以及面向先进 3D 集成的键合就绪晶圆；该平台将在德国德累斯顿的先进工厂制造，并规划通过 GF 全球布局实现多地产能。</p>

<h2 class="wp-block-heading">&#8220;物理 AI&#8221;是什么</h2>

<p class="wp-block-paragraph">GF 把这类应用归入&#8221;物理 AI&#8221;（Physical AI）范畴：即把智能直接嵌入现实世界中的设备与机器，使其能感知环境、本地处理信息、实时决策并行动，而非依赖云端推理。它与&#8221;边缘 AI&#8221;的关系被概括为：边缘 AI 解决&#8221;在哪里算&#8221;，物理 AI 进一步补齐&#8221;感知—思考—行动—通信&#8221;的完整闭环。</p>

<p class="wp-block-paragraph">GF 用 STAC 架构来表述这套闭环——Sense（感知）、Think（思考）、Act（执行）、Communicate（通信），并依托其超低功耗 CMOS/FDX 工艺、RF-SOI 与 SiGe 连接方案，以及先进封装能力落地。公司预计，到 2030 年物理 AI 的可服务市场规模将超过 180 亿美元。</p>

<h2 class="wp-block-heading">押注边缘，而非只建<a href="https://mylogs.cn/ai-%e6%99%ba%e8%83%bd%e4%bd%93%e5%bc%95%e7%88%86%e9%9c%80%e6%b1%82%ef%bc%9a%e6%9c%8d%e5%8a%a1%e5%99%a8-cpu-%e4%ba%a4%e4%bb%98%e8%a6%81%e7%ad%89-30-%e5%91%a8/">数据中心</a></h2>

<p class="wp-block-paragraph">与动辄数百亿美元的数据中心 AI 芯片投资不同，UX 平台瞄准的是分散在数十亿台设备上的端侧智能：AI 眼镜、助听器、智能家居家电、软件定义汽车等。GF 近期还完成了对 Synopsys 处理器 IP 业务（ARC）的收购，带来 150 余项专利与约 300 家客户，并在 22FDX+ 平台上推进嵌入式 RRAM，计划 2026 年量产，以支撑端侧 AI 模型与数据的<a href="https://mylogs.cn/%e5%ae%9e%e6%b5%8b%e7%99%be%e6%ac%be%e6%91%84%e5%83%8f%e5%a4%b4%e5%90%8e%ef%bc%8c%e5%ae%b6%e5%ba%ad%e5%ae%89%e9%98%b2%e5%88%b0%e5%ba%95%e8%af%a5%e6%80%8e%e4%b9%88%e9%80%89/">本地存储</a>。</p>

<p class="wp-block-paragraph">在<a href="https://mylogs.cn/%e5%8f%b0%e7%a7%af%e7%94%b5-2nm-%e5%b9%b4%e5%ba%95%e6%9c%88%e4%ba%a7%e8%83%bd%e5%86%b2-12-%e4%b8%87%e7%89%87%ef%bc%8c%e6%8f%90%e5%89%8d%e4%b8%a4%e5%b9%b4%e8%be%be%e6%a0%87/">半导体</a>自主与端侧智能方向，中国同样在加速布局：从国产 RISC-V 与低功耗 MCU，到各类端侧推理芯片与传感方案，产业链正围绕&#8221;设备端 AI&#8221;形成完整生态。GF 的 UX 平台显示，全球晶圆厂已把下一轮 AI 竞争的重心，从云端 GPU 延伸到无处不在的实体设备。</p>]]></content:encoded>
					
		
		
			</item>
		<item>
		<title>本地大模型实战：5 个慢速笔记本也能跑的项目</title>
		<link>https://mylogs.cn/local-llm-5-projects-slow-laptop/</link>
		
		<dc:creator><![CDATA[steve, zhang]]></dc:creator>
		<pubDate>Tue, 11 Aug 2026 11:32:44 +0000</pubDate>
				<category><![CDATA[科技]]></category>
		<category><![CDATA[llama.cpp]]></category>
		<category><![CDATA[Ollama]]></category>
		<category><![CDATA[人工智能]]></category>
		<category><![CDATA[开源模型]]></category>
		<category><![CDATA[本地大模型]]></category>
		<category><![CDATA[离线AI]]></category>
		<category><![CDATA[边缘计算]]></category>
		<guid isPermaLink="false">https://mylogs.cn/local-llm-5-projects-slow-laptop/</guid>

					<description><![CDATA[别被「必须旗舰显卡」吓退 很多人以为跑本地大模型一定得配一张昂贵的独立显卡。这个说法有一半是对的——确实有不少 [&#8230;]]]></description>
										<content:encoded><![CDATA[
<h2 class="wp-block-heading">别被「必须旗舰显卡」吓退</h2>



<p class="wp-block-paragraph">很多人以为跑本地大模型一定得配一张昂贵的独立显卡。这个说法有一半是对的——确实有不少任务离不开显卡。但模型世界里还藏着一大批体积小、却能把事情做漂亮的小模型。只要手边有一台近五年内生产的旧电脑或笔记本，内存不低于 8GB，就能跑起来，速度大约在每秒 10 个词元上下。这个速度听起来不起眼，可在不少实际场景里，原始速度根本不是关键。</p>



<figure data-wp-context="{&quot;imageId&quot;:&quot;6b015ed0b010b&quot;}" data-wp-interactive="core/image" data-wp-key="6b015ed0b010b" class="wp-block-image size-large aligncenter wp-lightbox-container"><img decoding="async" width="1200" height="675" data-wp-class--hide="state.isContentHidden" data-wp-class--show="state.isContentVisible" data-wp-init="callbacks.setButtonStyles" data-wp-on--click="actions.showLightbox" data-wp-on--load="callbacks.setButtonStyles" data-wp-on--pointerdown="actions.preloadImage" data-wp-on--pointerenter="actions.preloadImageWithDelay" data-wp-on--pointerleave="actions.cancelPreload" data-wp-on-window--resize="callbacks.setButtonStyles" src="https://mylogs.cn/wp-content/uploads/2026/08/e4dba4cc484557b2f5512259452231f7_header.webp" alt="本地大模型实战：5 个慢速笔记本也能跑的项目" class="wp-image-4448" style="max-width:100%;height:auto" srcset="https://mylogs.cn/wp-content/uploads/2026/08/e4dba4cc484557b2f5512259452231f7_header.webp 1200w, https://mylogs.cn/wp-content/uploads/2026/08/e4dba4cc484557b2f5512259452231f7_header-300x169.webp 300w, https://mylogs.cn/wp-content/uploads/2026/08/e4dba4cc484557b2f5512259452231f7_header-1024x576.webp 1024w, https://mylogs.cn/wp-content/uploads/2026/08/e4dba4cc484557b2f5512259452231f7_header-768x432.webp 768w" sizes="(max-width: 1200px) 100vw, 1200px" /><button
			class="lightbox-trigger"
			type="button"
			aria-haspopup="dialog"
			data-wp-bind--aria-label="state.thisImage.triggerButtonAriaLabel"
			data-wp-init="callbacks.initTriggerButton"
			data-wp-on--click="actions.showLightbox"
			data-wp-style--right="state.thisImage.buttonRight"
			data-wp-style--top="state.thisImage.buttonTop"
		>
			<svg xmlns="http://www.w3.org/2000/svg" width="12" height="12" fill="none" viewBox="0 0 12 12">
				<path fill="#fff" d="M2 0a2 2 0 0 0-2 2v2h1.5V2a.5.5 0 0 1 .5-.5h2V0H2Zm2 10.5H2a.5.5 0 0 1-.5-.5V8H0v2a2 2 0 0 0 2 2h2v-1.5ZM8 12v-1.5h2a.5.5 0 0 0 .5-.5V8H12v2a2 2 0 0 1-2 2H8Zm2-12a2 2 0 0 1 2 2v2h-1.5V2a.5.5 0 0 0-.5-.5H8V0h2Z" />
			</svg>
		</button><figcaption class="wp-element-caption">图片来源：How-To Geek</figcaption></figure>





<h2 class="wp-block-heading">第一行命令：用 Ollama 起一个本地服务</h2>



<p class="wp-block-paragraph">对于大多数想自己托管 AI 的人来说，Ollama 几乎成了默认选择。它内置模型库，提供一套兼容 <a href="https://mylogs.cn/chatgpt-pro-%e9%87%8d%e5%bc%80-200-%e7%be%8e%e5%85%83%e6%a1%a3%ef%bc%9aapi-%e4%bb%b7%e5%80%bc%e8%bf%91%e7%bf%bb%e5%80%8d/">OpenAI</a> 的接口，能在本地直接拉起一个服务进程。基于开放权重模型搭建真正能执行任务的 AI、而非单纯对话，它再合适不过。</p>



<p class="wp-block-paragraph">最大的好处是省心。硬件探测、量化版本选择这类琐碎活儿，Ollama 都替用户打理了。唯一要盯紧的是量化设置：选错格式的后果很严重，仅仅两比特的差别，就能让整机性能天差地别。选定模型后，执行 <code>ollama pull 模型名</code> 拉取，再 <code>ollama run 模型名</code> 就能对话。</p>



<h2 class="wp-block-heading">要榨干性能：试试 llama.cpp</h2>



<p class="wp-block-paragraph">llama.cpp 是一套专门跑 GGUF 格式模型的推理引擎。它没有界面开销，把能用的 CPU 优化都用到了极致，适合那种「每一分性能都要抠」的场景，代价是上手更费劲。</p>



<p class="wp-block-paragraph">它高度依赖命令行（不过也有网页界面可用），模型文件得自己管理，量化格式也得自己搞明白。起步方式是下载发布版或自行编译，再从 Hugging Face 取一份 GGUF 模型，用 llama-cli 或 llama-server 跑起来。有一项设置至关重要：把上下文长度封顶，别用默认值。KV 缓存吃掉内存的速度快得惊人，设太高整机立刻卡死。</p>



<h2 class="wp-block-heading">给老旧硬件的礼物：Gemma 4 边缘模型</h2>



<p class="wp-block-paragraph">Gemma 4 家族里最小的两员——E2B 与 E4B——于 2026 年春天专为「边缘」硬件发布。名字里的「E」代表有效参数量，用更少的显存堆出更深的层次。举例来说，E4B 在 4 比特量化下大约只占 5GB 内存。</p>



<p class="wp-block-paragraph">它们擅长摘要、起草、抽取结构化数据、翻译这类基础活儿，也能做一点推理，只是比不上更大的思考型模型。通过 Ollama 使用时，按内存选型号：有 8GB 就上 E4B，更少就退到 E2B。上下文也别拉太高，一样会挤占内存。</p>



<h2 class="wp-block-heading">慢笔记本的绝配：给相册自动写说明</h2>



<p class="wp-block-paragraph">这篇文章里最受青睐的本地 AI 项目之一，是个给截图自动生成描述的小程序。这套配置跑在显卡上，但完全没有理由不能挪到 CPU 上，尤其是不要求实时的时候。批量给一整个文件夹的照片生成说明文字或替代文本，正是慢笔记本的理想任务——模型每秒吐三个词元，即便在无人值守时运行，慢一点也无妨。</p>



<p class="wp-block-paragraph">可选方案有好几个：Moondream2（或 Moondream3，约 16 亿参数）专为边缘设计，4 比特量化下轻松塞进 3GB；SmolVLM 2B 是开放权重模型，擅长批处理；Gemma 4 E4B 每个版本都带视觉能力。要是想翻找过去十年的照片并让它们变得可搜索，这招极其实用。建议先用十几张差异很大的图试试水，再决定要不要丢进上万张的图库。</p>



<h2 class="wp-block-heading">把文档搜索变聪明：私有语义检索</h2>



<p class="wp-block-paragraph">电脑自带搜索基本是「傻瓜式」的，只认敲进去的字面关键词。换上 AI，就能做语义搜索——用更自然的描述去找东西，不必字字对应。推荐先从 EmbeddingGemma 入手：它只有 3.08 亿参数，量化后内存占用不到 200MB，甚至能把输出向量从 768 维截到 128 维而几乎不损质量。把它接在 Ollama 服务后，配合 AnythingLLM 或 Open WebUI 就能用。只是要记住，在 CPU 上扫一遍庞大的文档库，动辄要等上几个小时。</p>



<h2 class="wp-block-heading">怎么选：快用 llama.cpp，图省心用 Ollama</h2>



<p class="wp-block-paragraph">想要最快的搭建，选 llama.cpp；对其他人，作者强烈推荐 Ollama，那份省心简直是游戏规则的改变者。若一时没有特定模型目标，先从 Gemma 4 的边缘型号起步最稳妥——它们能做的事多到惊人，而且哪怕是一台「土豆机」也带得动。</p>



<p class="has-small-font-size wp-block-paragraph">来源：How-To Geek（作者 Nick Lewis，2026 年 8 月 11 日）</p>

]]></content:encoded>
					
		
		
			</item>
	</channel>
</rss>
