谷歌Gemma下载破10亿，但别急着吹，这数字背后有猫腻

跟几个做AI产品的朋友聊了一圈，发现大家对Gemma下载量破10亿这件事的看法其实很分裂。有人觉得这是端侧模型的胜利，有人却嗤之以鼻，说这不过是谷歌在刷存在感。作为在科技圈摸爬滚打五年的老编辑，我得说，这事没这么简单。

先看数据。谷歌官方宣布，Gemma家族总下载量突破10亿次，衍生出超10万个变体。这数字听着挺唬人，但仔细想想，里面水分不小。要知道，Gemma是开源模型，下载门槛低到尘埃里——只要有个谷歌账号，点两下就能拉下来。而且，很多开发者下载完试了试就扔一边了，真正在用的有多少？我翻了翻GitHub上的热门项目，Gemma相关的star数普遍不高，跟Llama 3那会儿的盛况没法比。

说白了，10亿次下载里，可能有一半是像我这样手贱点了个下载，然后就没然后了。更别说，谷歌还搞了个“Awesome Gemma”代码库，把社区项目都收录进去，这操作怎么看都像是在给自己脸上贴金。

但支持Gemma的人也有话说。他们认为，Gemma最大的贡献是证明了端侧模型能打。你看，从太空图像分析到医疗报告标准化，再到癌症治疗方案，Gemma的应用场景确实在落地。有个朋友给我举了个例子：某医疗创业公司用Gemma微调了一个模型，专门用于识别病理切片中的异常细胞，准确率比之前的方案提升了15%，而且推理速度飞快，因为模型就部署在本地，不用等云端响应。

他们还说，Gemma的开源策略逼着其他大厂跟进，比如微软的Phi-3、Meta的Llama 3.2，都是被逼出来的。没有Gemma的刺激，端侧模型不会发展这么快。这话有点道理，毕竟谷歌这牌子的影响力摆在那，它一开源，大家才意识到小模型也能干大事。

但反对方更毒舌。他们说，Gemma就是个鸡肋，食之无味，弃之可惜。论性能，它打不过Llama 3；论生态，它拼不过Hugging Face上的社区模型。10万个变体听着多，但大部分都是换皮微调，没什么创新。我去Hugging Face上搜了搜，Gemma变体确实多，但质量参差不齐，很多就是改个参数跑一遍，然后挂上去蹭热度。

更打脸的是，谷歌自己都在用Gemini，对Gemma的投入明显不足。你看，Gemma 2发布都大半年了，更新频率远不如Llama。而且，谷歌在开发者支持上很抠门，文档写得敷衍，工具链也不完善。我一个做嵌入式开发的朋友吐槽：想用Gemma做端侧部署，结果发现官方给的教程少得可怜，最后只能自己啃源码，折腾了三天才跑通。

说实在的，两边都有道理。但我的判断是：Gemma现阶段值得试，但别指望它替代你现有的工具链。为什么？因为它最大的价值不是性能，而是灵活性。Gemma模型小，参数量从2B到27B都有，特别适合跑在手机、IoT设备上。比如，你可以在树莓派上跑一个Gemma 2B，做本地语音识别，延迟低还不花钱。这种场景，Llama 3太大了，跑不动。

但你要是想做个聊天机器人或者复杂推理，Gemma就拉胯了。我实测过，Gemma 7B的数学推理能力比Llama 3 8B差一截，代码生成也不如Codestral。所以，选型的时候得看具体需求。

Gemma的下载量破10亿，对整个行业的影响不在于数字本身，而在于它像一条鲶鱼，搅动了端侧AI的一池春水。以前，大家都觉得端侧模型是玩具，只能跑跑简单的分类任务。Gemma证明，只要模型设计得当，端侧也能做复杂的生成任务。这逼着其他厂商开始卷端侧，比如苹果的OpenELM、高通的AI Hub，都是被逼出来的。

但话说回来，Gemma的生态繁荣有点虚火。10万个变体里，真正有实际应用的估计不到1%。我觉得，谷歌应该把精力放在打磨核心模型上，而不是搞这些花架子。毕竟，下载量再高，不如一个杀手级应用来得实在。

如果你是个普通用户，你可能感受不到Gemma的存在。但如果你是开发者或者创业者，Gemma可能是个机会。比如，你想做个宠物智能项圈，识别狗叫的含义，Gemma就可以派上用场。有个团队就用Gemma微调了一个模型，能识别出狗狗的叫声是饿了还是害怕，准确率高达80%以上。这种应用在云端跑不划算，端侧才是王道。

所以，别被10亿这个数字忽悠了，也别一棒子打死。我的建议是：如果你是做端侧应用的，花两天时间试试Gemma，看它能不能满足你的需求；如果不是，那就继续用你现在的方案。

本文基于 media 公开报道编译解读

本文基于 media 公开报道编译解读，查看原文