Hacker News · 18.06.2026 ·ИИ в бизнесе

Google переводит работу приложения Pixel Screenshots на облачные вычисления

Компания Google внесла изменения в архитектуру приложения Pixel Screenshots, которое ранее полагалось исключительно на локальную обработку данных на устройстве. Теперь часть задач по анализу и поиску по сохраненным изображениям перенесена в облачную инфраструктуру. Это решение позволяет использовать более мощные вычислительные ресурсы для обработки сложных запросов и улучшения качества распознавания контента, который не всегда эффективно поддается анализу силами мобильного процессора.

Переход к гибридной модели обработки данных расширяет функциональные возможности инструмента. Облачные алгоритмы обеспечивают более глубокое понимание контекста скриншотов, что упрощает поиск информации внутри них, включая распознавание текста, объектов и специфических деталей интерфейса. Пользователи получают доступ к результатам, которые требуют значительных мощностей, недоступных для локального исполнения без существенного расхода заряда аккумулятора и нагрева устройства.

Данное обновление отражает общую тенденцию в интеграции ИИ-функций в потребительские устройства, где баланс между приватностью локальной обработки и производительностью облачных вычислений смещается в сторону последних. Несмотря на использование облака, Google сохраняет определенные механизмы защиты данных, однако расширение функционала за счет внешних серверов становится ключевым вектором развития для интеллектуальных помощников в мобильных экосистемах.

Источник: Hacker News

Похожие материалы

Hacker News · Инференс и железо Обработка данных переходит на GPU Обработка данных всё чаще выполняется на графических процессорах (GPU), что меняет подходы к аналитике и машинному обучению. Это связано с ростом сложности задач и необходимости ускорения вычислений. GPU позволяют обрабатывать большие объёмы данных быстрее, чем традиционные CPU, что особенно важно для задач машинного обучения и анализа в реальном времени. Hacker News · Инференс и железо Прогноз локального инференса моделей к 2026 году К 2026 году локальный инференс моделей может стать значительно доступнее и мощнее. По данным анализа, к этому времени модели размером до 100 миллиардов параметров смогут работать на потребительских устройствах, включая ноутбуки и смартфоны. Это станет возможным благодаря развитию аппаратного обеспечения, оптимизации алгоритмов и появлению новых архитектур, которые снижают требования к вычислительным ресурсам. Simon Willison's Weblog · Машинное обучение Google выпустила открытую модель DiffusionGemma Google представила новую открытую модель DiffusionGemma-26B-A4B-it, основанную на архитектуре Gemini. Это значимое событие, так как ранее компания демонстрировала экспериментальную версию модели, но не продолжала её развитие. Теперь модель доступна под лицензией Apache 2, что открывает возможности для широкого использования в исследовательских и коммерческих проектах. The latest research from Google · Машинное обучение Sequential Attention: как ускорить модели без потери точности Исследователи Google предложили новый подход к оптимизации трансформеров — Sequential Attention. Он позволяет значительно сократить вычислительные затраты на инференс, не жертвуя точностью. В основе метода лежит идея последовательного внимания: вместо параллельной обработки всех токенов модель фокусируется на одном токене за раз, используя информацию из предыдущих шагов. Это снижает сложность вычислений с O(n²) до O(n log n), что делает модели более эффективными для локального развертывания и работы в реальном времени. Hacker News · Инференс и железо Реализация архитектурных подходов Anthropic Glasswing для локального запуска Исследователи представили метод воспроизведения функциональных особенностей архитектуры Glasswing от Anthropic в локальной среде. Основной акцент сделан на оптимизации процесса инференса, позволяющей достичь сопоставимых результатов без использования проприетарных облачных API. Техническое решение опирается на адаптацию весов моделей с открытым исходным кодом, что дает возможность запускать сложные агентные системы на потребительском оборудовании. Hacker News · Инференс и железо Запуск модели Gemma на устройствах с Coral Board Компания Google продемонстрировала возможность запуска модели Gemma на устройствах с Coral Board. Это решение позволяет выполнять инференс на краю сети, что особенно актуально для задач, требующих низкой задержки и автономной работы. Hacker News · Инференс и железо Индексация 669 ГБ видео с помощью локальных моделей на M1 Max Автор проекта успешно индексировал 669 ГБ видео с GoPro камер с использованием локальных ML-моделей на компьютере с процессором M1 Max. Это демонстрирует возможность обработки больших объемов данных без использования облачных сервисов, что может быть полезно для разработки ИИ-агентов, работающих с мультимедийными данными. Hacker News · Инференс и железо Корпоративные ИИ-агенты уходят с серверов Компании всё чаще переходят на локальный запуск ИИ-агентов, отказываясь от облачных серверов. Это связано с ростом требований к безопасности, конфиденциальности и контролю над данными. Локальные решения позволяют избежать утечек и снизить зависимость от третьих сторон, что особенно важно для корпоративных клиентов. The latest research from Google · Оркестрация агентов Новые алгоритмы планирования для динамических систем Исследователи Google представили новый подход к планированию задач в условиях изменяющейся пропускной способности. В статье рассматриваются алгоритмы, которые оптимизируют распределение ресурсов в системах с переменной нагрузкой, что особенно актуально для распределённых вычислений и оркестрации ИИ-агентов. Hacker News · Инфраструктура для агентов Microsoft переходит на AWS из-за нехватки мощностей для ИИ в GitHub Microsoft столкнулась с нехваткой вычислительных мощностей для поддержки AI-сервисов в GitHub и начала использовать облачные ресурсы AWS. Это решение связано с ростом нагрузки на серверы из-за увеличения числа пользователей и сложных вычислений, связанных с ИИ.

← Все материалы