近日，Tether首席执行官Paolo Ardoino在最新博文中将焦点转向人工智能的一个特殊领域——完全在设备端运行的翻译模型。他强调，这种方案无需将敏感文本发送至云端，可在隐私保护、运行速度和实用性方面带来显著优势。
隐私优先的翻译新思路
Ardoino指出，当用户通过云服务翻译医疗记录、私密消息、法律合同或个人日记时，文本会离开设备进入第三方基础设施。用户往往不清楚数据去向、保留时长或被谁访问。他认为这绝非理论问题，在注重保密性的场景下尤为严峻。解决之道并非依赖越来越大的通用AI模型，而是采用专为翻译优化的小型专用模型——这些“小型模型”足以战胜“歌利亚”。
小型专精模型击败通用大模型
Ardoino对比了通用语言模型在手机、笔记本等边缘设备上的局限：即使相对较小的模型也会占用大量存储、加载缓慢且无法提供流畅体验。而专用神经机器翻译模型仅需几十MB，加载时间仅需毫秒级，翻译速度更快。这种差异并非技术琐事，而是切实改变了用户在真实设备上的体验。他强调，隐私优先的核心是通过QVAC项目推动完全本地化的翻译：整个过程在用户设备上完成，无需云端请求，第三方无需看到文本。
QVAC的实用策略：桥接与批量
QVAC并非局限于单一的翻译引擎，长期目标基于专用NMT模型，同时短期也支持基于LLM的翻译。Ardoino称之为实用的桥接策略：需要快速支持新语言对时，先部署大模型，同时并行训练专用模型，随后用更小模型替代临时方案，使用户获得即时支持并持续改善体验。博文还提到批量翻译的重要性——从演示到生产场景（如文档、聊天记录、多句输入），批量处理能使吞吐量提升约2.5倍，并显著降低逐句延迟。
覆盖与性能：26种语言只需50个模型
最令人瞩目的部分是覆盖策略：QVAC以英语为枢纽，通过链式翻译（如西班牙语到意大利语：先西班牙语→英语，再英语→意大利语）大幅减少所需模型数量。Ardoino表示，支持26种语言仅需约50个模型，而非原本的650个，使广泛的设备端翻译系统变得切实可行。他还分享了基准测试数据：在Linux笔记本上，Bergamot英意模型加载仅需100毫秒且翻译质量很高；在Pixel 10 Pro XL上，模型加载低于80毫秒，批量模式表现更佳。移动端结果显示，批量处理相比顺序翻译优势明显，提供更敏捷的体验。展望未来，团队正通过IndicTrans扩展印度语系，通过AfriqueGemma增加非洲语言覆盖，同时探索直播聊天和字幕生成的流式翻译。
市场影响与加密生态关联
Tether作为全球最大稳定币发行商，其高管涉足AI领域引发行业关注。此举展示了Tether在区块链之外的科技野心：通过QVAC项目倡导隐私优先、去中心化的本地AI，与加密货币精神不谋而合。若设备端小型翻译模型在成本和效率上全面超越云服务巨头，可能催生新的去中心化应用场景，例如支持实时加密通讯的内置翻译、去中心化翻译市场等。Ardoino的论点也呼应了“小型化AI”趋势——在能耗、隐私和边缘计算要求下，专用小模型可能比通用大模型更具竞争力，这对Web3及DePIN（去中心化物理基础设施）领域具有启发意义。然而，该方案仍需面对覆盖语言数量有限、性能优化等挑战，但无疑为加密与AI的融合开辟了新路径。