Google把4亿下载的模型塞进手机，云端AI厂商集体失眠

400 million次下载。这是Google Gemma家族交出的成绩单，而最新一代Gemma 4直接把战场搬到了你的裤兜里——完全离线运行，数据永不触云。

发布48小时内，承载Gemma 4的Google AI Edge Gallery应用冲上iOS免费生产力榜第4位，排在它前面的只有Claude、Gemini和ChatGPT。一个开源模型，没花一分钱推广费，用户用脚投票的速度比市场部写PPT还快。

手机端跑大模型，Google这次没画饼

Gemma 4的核心卖点粗暴直接：文本、图像、音频全在本地处理。不需要Wi-Fi，不需要5G，不需要把聊天记录同步到某个遥远的数据中心。

Google给手机端准备了两个型号。E2B（2B有效参数）量化后约1.3GB，6GB内存即可运行；E4B（4B有效参数）约2.5GB，需要8GB内存。这里的"E"代表effective parameters（有效参数），即推理时真正激活的参数数量，而非模型总参数量。

与Arm、Qualcomm的联合优化让数字变得好看：Android端运行速度比上一代提升4倍，耗电降低60%。Arm自家测得更激进——在新款Arm芯片（支持SME2指令集）上，平均加速达到5.5倍。SME2是Arm为AI矩阵运算做的硬件级扩展，相当于给手机芯片装了专门的数学加速器。

系统门槛不算高：Android 12或iOS 17。但RAM是硬门槛，6GB和8GB两条线把老旧机型挡在门外。

Agent能力落地：Wikipedia和地图都能本地调用

基础功能之外，Gemma 4内置了Google称为"agent skills"的工具链：Wikipedia搜索、交互式地图、自动生成摘要、记忆卡片。模型能描述照片、将语音输入转为图表可视化，甚至与其他本地模型协作完成文本转语音或图像生成。

Google的演示案例很接地气——一个能描述并播放动物叫声的demo skill。听起来像儿童玩具，但技术路径很清晰：多模态理解+本地音频合成，全程不上云。

图像识别是另一处升级。OCR（光学字符识别）从图片、图表、手写内容中提取文字的准确率明显提升。时间信息处理也更可靠，这对日历、提醒、闹钟类应用是刚需。

单独看，这些功能云端AI早已实现。Gemma 4的差异点在于：所有操作在设备端闭环完成。

Apache 2.0许可证：商业友好的开源底牌

Gemma 4基于与Google闭源Gemini 3相同的研究成果，但选择了Apache 2.0许可证。这意味着企业可以免费用、改、商用，没有专利陷阱，没有"仅供研究"的小字条款。

Google披露Gemma家族累计下载超4亿次，支持140+语言。这个数字放在开源模型领域相当扎实——不是GitHub star那种虚指标，是实打实的模型拉取和部署。

服务器端还有两个更大版本：26B（混合专家架构，128个专家，单次推理激活3.8B参数）和31B（稠密模型，上下文窗口256K token）。手机端用E2B/E4B，服务器端用26B/31B，Google用一套技术栈覆盖了从边缘到数据中心的完整光谱。

4亿下载之后，手机AI的游戏规则变了？

App Store排名是用户行为的即时反馈。Gemma 4的蹿升说明一件事：市场愿意为"离线可用+数据私密"买单，哪怕模型能力比云端版本弱一档。

这对现有格局的冲击是真实的。Claude、Gemini、ChatGPT的免费 tier 都依赖云端推理，用户每次提问都在消耗厂商的算力成本。Gemma 4把成本转嫁给用户的手机芯片和电池，换取了零订阅费、零网络依赖、零隐私焦虑。

Google的算盘也很清楚：用开源模型占领边缘设备，把商业变现留给云端Gemini。Gemma 4是诱饵，也是护城河。

但问题同样明显。6GB/8GB的内存门槛淘汰了大批中低端机型，而这类用户恰恰是"付不起云订阅费"的核心受众。E2B/E4B的能力边界能覆盖多少真实场景，还需要开发者社区用实际应用来验证。

一位早期用户在Reddit反馈，用E4B处理一份5页PDF的摘要生成，耗时约12秒，结果可用但不如GPT-4o流畅。另一位开发者测试了本地Wikipedia查询，响应速度取决于词条长度，短词条2秒内返回，长词条需要分段加载。

这些粗糙的边缘，是开源模型上手机的代价，也是下一代优化的起点。

当Google把4亿下载的技术积累压缩进2.5GB的模型文件，手机AI的竞争维度已经悄然转移——从"谁的模型更大"变成"谁能在断网时依然好用"。你的下一部手机，会为这种能力多付多少钱？