<?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>PostScript &#8211; mylogs.cn</title>
	<atom:link href="https://mylogs.cn/tag/postscript/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;6b002016c2fec&quot;}" data-wp-interactive="core/image" data-wp-key="6b002016c2fec" 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;6b002016c339e&quot;}" data-wp-interactive="core/image" data-wp-key="6b002016c339e" 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>
	</channel>
</rss>
