事件
Google 在 2026 年 6 月發表開源模型 Gemma 4 12B。這款 120 億參數的模型採用 Apache 2.0 授權，最大創新點並非參數規模本身，而是首次導入「無編碼器」多模態架構——移除了傳統音訊與影像編碼器，讓聲音和圖像輸入直接進入大型語言模型的推理流程。實現效果：硬體需求從數十 GB 降至 16GB 筆電即可執行。
技術背景：傳統多模態為什麼需要編碼器？
過去兩年的多模態模型主流設計都採「分離式架構」：
1. 視覺編碼器（Vision Encoder）：把圖片轉成向量 2. 音訊編碼器（Audio Encoder）：把聲音轉成向量 3. 大型語言模型（LLM）：處理這些向量與文字推理
這套流程看似邏輯清晰、職責分明，但代價高： - 延遲堆積：訊號要過多層轉換、每層都有延遲 - 記憶體膨脹：編碼器本身就是獨立模型、佔用參數與顯存 - 複雜度成本：系統維護多個編碼器、調試難度與失敗點倍增 - 同步問題：多個模型推理，對齊成本高
Google 的洞察：這些編碼器本質上是『中介』，而大型語言模型其實有能力直接理解原始訊號。
「無編碼器」架構的邏輯
Gemma 4 12B 的做法：訓練時就讓模型直接處理圖像與聲音的原始資訊（或極少量預處理），跳過獨立編碼器。這意味著：
1. 參數統一：不是 12B LLM + 2B 視覺編碼器 + 1.5B 音訊編碼器，而是一個 12B 多功能模型 2. 推理一筆：輸入 → 直接理解 → 輸出，沒有中間轉換的開銷 3. 成本下沉：能在消費級硬體上跑，不需要企業級 GPU 集群
為什麼這很重要：市場結構的位移
這不是單純的工程改良，而是競爭定義的轉移：
### 舊邏輯（2024-2025 年） - 競爭軸線：參數規模 → GPU 數量 → 訓練成本 → 資金規模 - 贏家：OpenAI、Meta、DeepSeek——誰有錢砸最大的模型就誰贏 - 護城河：算力與資本壟斷
### 新邏輯（Gemma 4 啟示） - 競爭軸線：架構效率 → 部署成本 → 邊界端能力 → 開發者生態 - 贏家：不是最大的廠商，而是最聰明設計架構的廠商 - 護城河：訓練創新 + 開源社群鎖定
歷史回音
この現象は經濟學中的「去中介化」（Disintermediation）現象——曾經在多個產業上演過：
1. 銀行系統：自動提款機移除了分行櫃檯人員、直接連接客戶與帳戶系統 2. 出版業：亞馬遜 Kindle 移除了印刷廠、直接銷售電子書、改變整個產業鏈 3. 計程車：Uber 移除調度員、用算法直接連接司機與乘客 4. 零售：自助結帳移除收銀員、顧客直接掃碼付款
每次去中介化都伴隨： - 成本崩跌（但品質要等同或更好） - 市場進入門檻下降（更多玩家能競爭） - 舊護城河失效（原本的「中介方」或「大公司優勢」減弱） - 新護城河形成（誰擁有直連的技術與網絡、誰就新贏）
Gemma 4 的現實衝擊
對企業用戶： - 不必租雲端 GPU、可在內部筆電跑多模態理解 - 數據隱私威脅降低（推理在本地） - 部署成本從數千美元 / 月降至零（用開源模型）
對 AI 公司生態： - OpenAI、Anthropic 的「大模型 SaaS」商業模式開始受壓力 - 企業會問：「我為什麼要花 $20/百萬詞元，而不用免費的 Gemma 4？」 - 差異化不再是「更聰明」，而是「針對特定任務的微調」
： - 高端 GPU 需求可能轉趨穩定（不再野獸生長） - 邊界設備（手機、平板、工業設備）的晶片需求會上升