到2026年，在笔记本电脑甚至智能手机上运行小型本地语言模型轻而易举。但如果是更小巧、更低功耗的方案呢？比如说，像售价不到10美元的ESP32微控制器？

这听起来可能是不可能的——该设备主要设计用于远程传感器、物联网和其他嵌入式应用，而不是运行生成式人工智能模型——然而，一位网名为SlvDev 的开发者却做到了这一点。

在GitHub上详细记录的过程，以及最近在 Better Stack YouTube 频道上展示的过程，SlvDev 记录了他如何成功地在微控制器上以每秒近 10 个token的速度运行一个小型语言模型，而该微控制器的成本大约相当于一杯高档咖啡。

将大型语言模型 (LLM) 集成到像 ESP32 微控制器这样小的设备上并非易事。

这些模型之所以要在GPU上训练和运行是有原因的。LLM模型非常消耗内存，通常每个参数仅权重就需要占用1到4个字节的内存空间。

ESP32-S3 只有 520 KB 的 SRAM 和 8 MB 的伪 SRAM (PSRAM)，因此你不可能运行像DeepSeek V4 Flash这样的模型。

为了实现这一点，开发人员不得不从语言模型中去掉“大型”一词，转而采用小近 10,000 倍的模型：TinyStories，这是一个最初由微软研究院开发的 2890 万参数模型。

然而，即使是这样的模型对 ESP32-S3 模块的要求也很高。在 16 位精度下，该模型需要大约 60 MB 的内存，而 ESP32 的内存容量根本不够。因此，开发者采用了多种技术（其中一些我们之前已经探讨过）来缩小模型的占用空间。

第一种方法是量化，即通过将权重的精度从大约 16 位降低到 8 位甚至 4 位来压缩权重的过程。

这使得 SlvDev 能够以牺牲少量精度为代价，将内存需求减少 75%。以前需要大约 60 MB 的内存来存储权重，现在只需要 14.9 MB。

但这还不够。好在，除了8.5MB的工作内存外，ESP32-S3还可以选择配备高达16MB闪存的版本。

通过借鉴谷歌 Gemma 系列模型中的一种称为逐层嵌入 (PLE) 的技术，开发者能够将模型的大部分权重（约 2500 万个参数或约 12 MB）卸载到闪存中，而性能下降却微乎其微。

将模型权重卸载到 NVMe 存储是一种由来已久的技巧，可以让像 DeepSeek V3 这样的大型前沿模型在原本内存和 GPU 容量不足以运行的硬件上运行。但这种方法的缺点在于它会严重影响性能。原本每秒处理 Token 数的速度，通常会变成每 Token 数秒，甚至数分钟。虽然这种方法可行，但远非实用。

PLE 的管理要好得多，因为这些权重访问得相当少，这使得闪存相对于 DRAM 或 SRAM 而言速度极慢的带宽不会降低性能。

结果是，该模型不再需要将 14.9 MB 的数据塞进 ESP32 的内存中，现在只需要大约 2 MB。具体来说，输出头、嵌入数据和 KV 缓存都保存在芯片的 PSRAM 中，而激活操作则在芯片的 520 KB SRAM 中处理。

开发者表示，采用这种方法，他们能够从微控制器中每秒获取 9.88 个token，这比普通人阅读的速度还要快。

那么，我能用它做什么呢？

虽然你可能可以在像 ESP32 这样的微控制器上运行一个小型生成式 AI 模型，但除了简单的成就感之外，你不会从这种实践中获得太多东西。

Tiny Stories 是一个很好的概念验证，但除了按需生成简短且基本连贯的故事之外，它的功能非常有限。你不可能用它构建聊天机器人、生成代码或驱动智能代理。还有一个名为 Barista 的模型，它的回答速度大约是 Tiny Stories 的两倍，但仅限于与意式浓缩咖啡相关的话题。

TinyStories 和 Barista 体积实在太小，功能也仅限于此。然而，这些模型居然能用 ESP32 运行，这本身就令人印象深刻。

也就是说，如果你有一台内存和计算能力稍强一些的设备，比如树莓派或智能手机，那么市面上还有功能更强大的型号可供选择。

谷歌今年四月发布的Gemma 4-E2B-it采用了相同的量化和PLE卸载技术，在使用4位权重时，可以将一个51亿参数的视觉语言模型压缩到略高于1GB的内存中。更高程度的量化和卸载可以将内存占用降低到500MB左右。

虽然它的内存占用比运行前沿模型所需的内存小几个数量级，但它仍然足以驱动本地聊天机器人，协调本地代理来管理用户日历等任务，并且只要你能忍受偶尔出现的幻觉，就能让你摆脱对 OpenAI 或 Anthropic 的依赖