Ny minimodell kör bildtolkning lokalt på din egen hårdvara — utan molnet

När kameran blir en AI-motor

Googles Pixel-serie har länge handlat om mjukvara snarare än optik. Medan konkurrenterna tävlar om antalet kameror och linsdiametrar har Google valt en annan väg: lös problemet i beräkningsskiktet istället. Pixel 11, som nyligen presenterades av teknikjätten, fortsätter på den inslagna linjen med fyra nya kamerafunktioner som sitt viktigaste försäljningsargument, enligt Wired.

Vad funktionerna exakt innebär för slutanvändaren återstår att se i praktiken, men riktningen är tydlig. Google bygger inte bara en telefon — de bygger en plattform där kamerahårdvaran är ingångspunkten och AI-lagret är det egentliga produkten.

Vid samma lansering visade Google upp Pixel Watch 5 och Pixel Tag, företagets svar på de positioneringsenheter som Apple och Samsung redan erbjuder. Det är rimliga produkter, men inte de som väcker störst nyfikenhet hos mig som systemutvecklare.

3 miljarder parametrar som gör jobbet lokalt

Den nyheten som verkligen får mig att stanna upp kom istället från Hugging Face, där Liquid AI publicerat sin modell LFM2.5-VL-3B — en kombinerad bild- och språkmodell med 3,1 miljarder parametrar, byggd från grunden för att köras lokalt på vanlig hårdvara.

Det som är tekniskt imponerande är inte bara storleken, utan vad modellen faktiskt klarar av inom den storleken. Fyra förmågor sticker ut:

• Skärmtolkning — modellen förstår digitala gränssnitt och kan läsa av innehåll på mobilskärmar, webbsidor och applikationsvyer
• Objektlokalisering — den kan hitta och peka ut objekt utifrån vanliga textfrågor
• Flebildshantering — flera bilder kan behandlas i samma anrop
• Funktionsanrop — modellen kan integreras med externa verktyg och tjänster, både i text- och bildbaserade flöden

Under träningen kombinerades en bildkodare av typen SigLIP2 med Liquid AIs befintliga textmodell, och totalt tränades systemet på ungefär 34 biljoner symboler. Bilddata fyrdubblades jämfört med föregångaren. I oberoende riktmärken uppnår modellen 81,2 procent korrekthet på tolkning av mobilskärmar — och detta från en modell som är två till tre gånger mindre än många av de konkurrenter den jämförs med.

En central designprincip är att modellen svarar direkt, utan längre resonemangssteg. Det gör den lämpad för tillämpningar där svarstiden räknas — det vill säga exakt de scenarier som uppstår när AI ska köras ombord på en mobiltelefon.

Konvergensen är det intressanta

De två nyheterna berör till synes olika delar av ekosystemet — en hårdvarulansering och en öppen modellsläpp — men de pekar mot samma tektoniska förskjutning.

Under de senaste åren har det dominerande mönstret varit att skicka data till molnet, processa den på stora serverhallar och returnera svaret. Det fungerar, men det medför latens, integritetsfrågor och beroende av nätverksanslutning. Nu ser vi ett tydligt skifte: modellerna komprimeras och optimeras för att leva på enheten.

Liquid AIs modell är ett konkret bevis på att den kompromiss vi länge tagit för given — att kraftfull bildtolkning kräver enorma resurser — inte längre är självklar. Och Google, med sin djupa kontroll över både hårdvara och mjukvara i Pixel-serien, är en av de aktörer som är bäst positionerade att utnyttja det.

Om Pixel 11:s kamerafunktioner faktiskt körs lokalt på enheten eller fortfarande förlitar sig på molntjänster är en detalj som ännu inte bekräftats. Men riktningen är given. Den telefon som kan göra tung AI-bearbetning lokalt, snabbt och utan att tömma batteriet, vinner den kategorin.

Honors nyligen presenterade Android-telefon med motordrivet stabiliseringssystem för kameran — tills vidare enbart tillgänglig på den kinesiska marknaden — är ytterligare ett tecken på att kamerakonkurrensen nu sker i flera dimensioner samtidigt: optik, mekanik och AI-bearbetning.

AI i fickan är inte längre en metafor

Det vi bevittnar är en mognadsprocess. AI har gått från forskningslabb till molntjänst till — nu — lokal körning på konsumenthårdvara. Varje steg har gjort tekniken mer tillgänglig och mer inbyggd i vardagen. Modeller som LFM2.5-VL-3B är inte curiosa — de är infrastruktur för nästa generations mobilappar.