10 分钟音频，2 秒转完：关键不是快，是“不要钱”
10 分钟音频，2 秒转完。
5 分钟录音，1 秒变成 studio 级音质。
10 分钟视频，5 秒剪出十几个短视频片段。
完成这些的不是某家云端大厂的 GPU 集群，而是你口袋里那块已经买了五年的旧手机芯片。
今天，一家叫 Desert Ant Labs 的欧洲 AI 实验室正式亮相。他们推出了 18 个端侧模型（12 个稳定版、6 个测试版），覆盖音频、视觉、文本，通过一个 SDK 支持 Swift、Kotlin 和 JavaScript。每个模型每月在 10 万台活跃设备内免费使用，没有 token，不用登录。
说实话，这个开场白比任何 PPT 都更扎心。
当整个行业还在为 GPT-4 的 API 账单和延迟焦头烂额时，有人突然说：别 call 云端了，你手机里的芯片本来就能干这些活。
一个视频 App 被云账单逼出来的“自救”
Desert Ant Labs 不是从论文里长出来的。
过去五年，他们一直在做一款叫 Detail 的视频 App，主打“端侧优先”。但当他们想做 Auto Edit、音频增强这类功能时，还是只能 fallback 到云端 API。
结果？用户越多，账单越疼。
“Every few months I'd hunt for useful on-device models... the foundation was there: the chips, Core ML, the research. What was missing was everything between that foundation and actually implementing a feature in your app.”
翻译一下：芯片有了，论文有了，Core ML 也有了，但中间差一个“ drop-in 就能用”的模型。
于是他们干脆自己训练。
这帮人把训练模型当成产品设计问题来解。最后的结果是：自家模型在速度、质量、成本上同时超过了云服务，体积还更小。
比如 Clear，一个只有 9MB 的音频增强模型，取代了原来的 Dolby；Voz 让端侧转录速度提升了 5 倍；Clips 用 284MB 的模型，把 10 分钟视频剪成十几个片段，只要 5 秒——比 Claude Sonnet 快 10 倍，能耗低 470 倍，质量却一样。
Detail 6 甚至会完全替换掉所有云 API，全部在设备上跑。
这已经不是“优化”，这是把云厂商从 App 里“请出去”。
470 倍省电背后，是对 AI 产品逻辑的重新洗牌
Desert Ant Labs 的野心不止于几个小模型。
他们算了一笔账：今年全球在数据中心上的投入约 4500 亿美元，但每年出货的手机、平板、笔记本电脑超过 10 亿台，里面搭载的芯片大部分时间都在闲着。
“There's more compute available in people's hands than in every AI data center on earth.”
换句话说，你买手机时已经付过算力钱了。
当推理不再按 token 收费，产品逻辑会完全变样：你可以对每一条消息、每一帧画面、每一次按键都跑模型，而不是只挑“付得起钱”的那部分处理。数据不出设备，延迟趋近于零，隐私问题直接消失。
他们把第一批模型称为 “cerebellum（小脑）”——负责那些永远在线、但不需要 conscious thought 的工作：平衡、节奏、本能反应。
然后才是 “cortex（皮层）”：一个本地小模型先判断任务该交给谁，搞不定再上大模型，最后才上云。
“Frontier intelligence, built from the small end up.”
这话说得很欧洲，也很挑衅。
在欧洲，“on-device” 被定义成一种 主权默认：数据不离开用户的手，功能不依赖别人的云，没上传过的东西，政府也强迫不了。
反转：商业模式呢？而且，这会不会只是开源模型的“精装修”？
当然，评论区没打算让他们轻松过关。
第一个被反复追问的问题就是：“How do they make money?”
“Cloud LLM billing makes sense... These local models are like old school software.”
免费到 10 万台设备，没有 token，没有登录——听起来像慈善。有人担心，这种“老派软件”的商业模式在 AI 时代能不能跑通。
更狠的质疑来自技术圈：
“Voz is Parakeet 0.6B v3. Clear is DeepFilterNet 3. Ear is the language predictor from whisper-tiny... Shiny layer of marketing and proprietary code on top of open models?”
也就是说，这些模型可能并非从零自研，而是在开源模型基础上做了工程优化和包装。Voz 被指只是 Parakeet v3 加了新的推理代码，而且仅限 macOS/iOS。
还有其他槽点：
- 平台偏向严重：Swift、Kotlin、JS 都有，但 没有 Python SDK。
- 性能基准多在 iPhone 上跑，移植到 20 美元的 VPS 或普通安卓机未必还能飞。
- 有人试听 Clear 的 demo 后表示，“raw 和 enhanced 听起来完全一样”。
- 甚至有人吐槽官网文案“太像 LLM 写的”，看完先打折扣。
这些质疑不一定推翻 Desert Ant Labs 的价值，但确实把问题拉回了地面：端侧 AI 的护城河，到底是模型本身，还是工程封装、生态整合和商业模式？
结语：当“免费算力”成为卖点，真正的对手是谁？
Desert Ant Labs 的故事最迷人的地方，不是它有多快、多小、多省电。
而是它提醒我们：AI 不一定非得是云端的、按 token 计费的、黑箱的。 你的手机、耳机、汽车里那块沉默的芯片，可能早就等着被唤醒。
但反过来说，如果“免费”和“本地”本身就是最大的卖点，那它要面对的竞争可能不是 OpenAI，而是开发者心里那句：这玩意儿到底怎么持续活下去？
当大模型还在云端卷参数的时候，一场关于“小模型、本地跑、零 token”的战争，可能才刚刚开始。
【锐评】：当“免费”成为最大卖点，Desert Ant 真正的对手不是 OpenAI，而是开发者心里那道“这玩意到底怎么赚钱”的问号。
参考链接：
https://desertant.com/blog/introducing-desert-ant-labs/