گوگل در اقدامی نوآورانه در مهرماه ۱۴۰۵، از مدل سبک و قدرتمند EmbeddingGemma 2 رونمایی کرد که با هدف اجرای بارهای کاری هوش مصنوعی مولد به صورت محلی (On-Device) بر روی سخت‌افزارهای مصرفی طراحی شده است. اپلیکیشن جدید Google AI Edge Foresight برای سیستم‌عامل macOS، اولین نمونه عملیاتی است که قدرت این مدل را در تبدیل یادداشت‌های پراکنده به اسناد جامع و ساختاریافته، بدون نیاز به ارسال داده‌ها به فضای ابری، به نمایش می‌گذارد.
معماری مدل EmbeddingGemma 2: بهینه‌سازی برای منابع محدود
مدل EmbeddingGemma 2 که بر پایه معماری پیشرفته Gemma 4 بنا شده، با ۷۴۰ میلیون پارامتر، توازنی ایده‌آل میان دقت عملکرد و مصرف منابع ایجاد کرده است. یکی از چالش‌های بزرگ در اجرای مدل‌های زبانی بزرگ (LLM) بر روی سیستم‌های خانگی، مصرف حافظه رم و بار پردازشی است. گوگل با پیاده‌سازی تکنیک‌های پیشرفته کوانتایزیشن (Quantization)، توانسته است این مدل را به گونه‌ای بهینه‌سازی کند که برای مدل‌های متنی تنها به حدود ۱۹۱ مگابایت رم فعال نیاز داشته باشد. حتی در نسخه کامل چندوجهی (Multimodal) که قابلیت تحلیل فایل‌های صوتی و ویدئویی را دارد، این مصرف تنها به ۵۶۷ مگابایت می‌رسد که برای سخت‌افزارهای مدرن بسیار ناچیز است.
اپلیکیشن AI Edge Foresight؛ دستیار هوشمند محلی
اپلیکیشن Google AI Edge Foresight برای کاربران مک، فراتر از یک ابزار یادداشت‌برداری ساده عمل می‌کند. قابلیت کلیدی این برنامه، امکان گوش‌سپاری در پس‌زمینه (Background Listening) حین جلسات است. کاربر می‌تواند تنها با نوشتن چند کلمه کلیدی یا جملات ناقص، مدل را هدایت کند تا با استفاده از متن کامل جلسه (Transcript)، آن یادداشت‌های کوتاه را به گزارش‌های حرفه‌ای، دقیق و ساختاریافته تبدیل نماید. تمامی این مراحل پردازش، شامل تبدیل گفتار به متن و تحلیل معنایی، کاملاً روی دستگاه کاربر (Local Processing) انجام می‌شود که حریم خصوصی را به شکلی حداکثری تضمین می‌کند.
یکپارچگی با دانش شخصی و مدیریت فایل‌ها
یکی از ویژگی‌های متمایز این اپلیکیشن، توانایی «بازیابی دانش شخصی» است. کاربران می‌توانند مسیر پروژه‌های محلی، فایل‌های درایو گوگل (Google Drive)، دیاگرام‌ها و تقویم‌های خود را به این اپلیکیشن معرفی کنند. مدل EmbeddingGemma 2 بدون نیاز به سازمان‌دهی دستی فایل‌ها توسط کاربر، محتوای اسناد را درک کرده و اجازه می‌دهد تا به صورت محاوره‌ای در مورد پروژه‌های خود پرسش کنید. برای مثال، می‌توانید بپرسید: «در جلسه هفته گذشته درباره فلان پروژه چه تصمیماتی گرفته شد؟» و پاسخ دقیق را بر اساس فایل‌ها و صوت ضبط‌شده دریافت کنید.
مشخصات فنی مدل و نرم‌افزار
- مدل پایه: EmbeddingGemma 2 (۷۴۰ میلیون پارامتر)
- معماری زیربنایی: Gemma 4
- مجوز انتشار: Apache 2.0
- حداقل رم مورد نیاز (متن): ~۱۹۱ مگابایت
- حداقل رم مورد نیاز (چندوجهی): ~۵۶۷ مگابایت
- پلتفرم: macOS (با نسخه‌های دمو برای Android و iOS)
- ویژگی برجسته: پردازش کاملاً محلی (Privacy-first Local AI)
چشم‌انداز آینده هوش مصنوعی در لبه (Edge AI)
عرضه Google AI Edge Foresight در کنار ابزارهای دیگری نظیر AI Edge Gallery و AI Edge Eloquent، نشان‌دهنده تغییر استراتژیک گوگل به سمت رایانش در لبه شبکه است. این رویکرد نه تنها وابستگی به سرورهای ابری را کاهش می‌دهد، بلکه سرعت پاسخ‌دهی را به دلیل حذف تأخیر شبکه (Network Latency) افزایش چشمگیری می‌دهد. با توجه به مجوز متن‌باز Apache 2.0 این مدل، انتظار می‌رود شاهد پیاده‌سازی‌های متنوع‌تری در ابزارهای بهره‌وری دیگر در ماه‌های آتی باشیم.
