Sovereign Escape Velocity: Ownership w Open Models — Gus Martins, & Ian Ballantyne, Google DeepMind

Google DeepMind上週發布Gemma 4，回答了核心問題：為何需要Gemini與Gemma兩條產品線？

Gemini是Google最強多模態模型，託管於雲端，功能全面。但現實中許多組織面臨相反需求——需在自己硬體上執行、客製化模型、保護不能離開網路的專有數據。這些場景下，即便Gemini再強也無法直接幫助。Gemma應運而生，作為開源、自主部署、質量仍強的替代品。講者Gus強調，這不是「最聰明」與「次等」的二選一，而是認可不同應用有不同需求——兩者互補。

Gemma 4包含四個規格，各針對不同硬體。E2B與E4B（E代表有效性）的妙處在於架構設計：標記為2B/4B是指所需GPU記憶體，實際參數卻高得多。透過共享映射層與令牌層的巧妙設計，實現少記憶體、多參數。這讓Gemma 4能在任何手機上運行，支援文本、視覺、音頻輸入，具備思考、函數調用、代碼生成能力。

26B與31B針對更大硬體。26B是混合專家模型——想像多個4B模型協作，總參數26B但實時僅需4GB GPU記憶體。這使其能在單個A100或H100上運行，遠便宜於需多GPU的300B+專有模型。31B是密集模型，所有參數都在使用，但仍只需單GPU，涵蓋編碼、推理、多語言全方位任務。

LM Marina基準顯示，兩模型排名開源前五，而競品同等排名的往往大2～20倍。這代表單位參數的智能密度遠超競品。

授權變更同樣關鍵。Gemma 3的客製授權導致企業法務需18個月審核。Gemma 4改用業界通用Apache 2.0，大幅降低採購障礙，使烏克蘭、保加利亞等主權機構得以快速採納。

講者Ian隨後指出，開源模型改變了成本思維。雲端按「令牌」計費，自主部署改為計算能源消耗、GPU利用率、執行時機。手機上可在夜間充電時離線處理，企業可按團隊規模靈活選擇硬體。他展示在M4 Mac本地運行26B、在手機執行多語言翻譯與Agent應用，說明Gemma 4已是可投入生產環境的工具。

最後建議：第一，將模型試用到現有工作流，測試效能邊界。第二，完善內部評估套件——通用基準只顯示一般能力，實際取決於模型在你任務上的表現。第三，慎重評估部署成本——既要算硬體採購，也要算維護、能源的持續成本。若選手機或企業部署，更要考慮加速器相容性、記憶體配置、離線能力、用戶隱私保護等。