新智元报道
编辑：倾倾
【新智元导读】几十G的大模型，怎么可能塞进一台手机？YouTube却做到了：在 Shorts 相机里，AI能实时「重绘」你的脸，让你一秒变身僵尸、卡通人物，甚至瞬间拥有水光肌，效果自然到分不清真假。
在youtube Shorts相机里，每个人都能「千变万化」。
可以是卡通角色、万圣节僵尸，甚至能立刻拥有粉色水光肌，效果自然又流畅。
最神奇的是，这些特效是直接在手机上实时生成的。
那么问题来了：YouTube是怎么把十几个G的大模型，塞进手机里的？
大模型塞进手机：YouTube的「瘦身术」
生成式AI模型的效果确实经验，但却有个致命问题：太大、太慢。
像StyleGAN、Imagen这类模型，只有在服务器上才能跑动。
因此必须要解决的问题，就是让滤镜在手机相机里即时生效。
瘦身关键：知识蒸馏
YouTube的思路，是把庞大的生成模型「瘦身」，变成一个专门为移动端设计的小模型。 这个过程靠的是一套叫知识蒸馏的方法。 简单说，就是「老师–学生模式」。
大模型先当老师，生成各种示范；小模型则是学生，一点点模仿，直到学会独立完成任务。
老师是动辄几十G的庞然大物，学生则是轻巧的UNet+mobilesNet架构，能在手机GPU上轻松跑到30帧。
不过，真正的教学过程远比想象中复杂。
打磨细节：迭代蒸馏
工程师们不是「一次教完」，而是采用迭代式蒸馏。
大模型不只是给学生出题，还会在过程中不断测试：给人脸戴上眼镜、加上遮挡，甚至模拟手挡脸的场景。
学生在学习时，也不是简单照搬，而是要同时满足多种标准：画面数值对得上、看上去相似、自然不突兀，还得兼顾美感。
整个过程就像是反复刷题：学生交卷，老师挑毛病，再调整参数继续练。
YouTube 的蒸馏流程：大模型先生成前后对照的图像对，小模型在此基础上不断学习，并通过超参数搜索迭代优化，最终实现如「永不眨眼」这样的实时特效。
工程师们甚至用上了神经架构搜索，自动帮学生找到最合适的「学习内容」，让它既高效又稳定。
经过一轮轮打磨，小模型终于真正掌握了大模型的本事。
在Pixel 8 Pro上，只需6毫秒就能完成一帧运算，iphoness 13大约10 毫秒，完全满足实时30帧的要求。
怎么保证还是你：PTI做担保
生成式AI在做特效时有个通病：它不会在原图上叠加效果，而是会重新生成整张人脸。
结果往往是肤色变了，眼镜没了，甚至五官都会变形，看上去完全不像本人。
这就是「inversion problem」——当模型把人脸转到潜在空间时，没能忠实还原身份特征。
YouTube想到的解决方案是Pivotal Tuning Inversion (PTI)。
可以把它理解为：在加特效之前，先让AI学会精准地「认清你是谁」。
原始图像会先被压缩成一个潜在向量，生成器用它画出一张初步的脸，但往往细节不到位。
于是工程师让生成器反复微调，让肤色、眼镜和五官逐渐被校正回来。
等身份被牢牢固定之后，再往里面加风格向量：比如笑容、卡通效果或者妆容。
最后生成的画面，看上去就是「还是你，只是换了个风格」。
图：PTI的完整流程：从输入人脸，到生成初始inversion，再经过多轮微调，最后在保留身份特征的前提下叠加特效，得到最终图像。
换句话说，PTI保证了这些AI特效更像化妆，而不是换脸。
手机里的流水线工厂：MediaPipe加速管道
训练出轻量级的小模型只是第一步，真正的挑战是如何稳定地在手机上运行。
为此，YouTube选择了MediaPipe——Google AI Edge的开源多模态ML框架，用它来搭建端侧的完整推理管道。
整个流程可以分成四步：
首先，通过MediaPipe的Face Mesh模块，识别出视频流中的一个或多个人脸。
接着，由于学生模型对人脸位置很敏感，系统会把检测到的脸进行稳定裁剪和旋转对齐，保证输入一致。
之后，裁剪后的图像被转成张量输入学生模型，特效（比如微笑、卡通风格）在这一环节实时生成。
最后，模型输出的人脸图像再被无缝拼回到原始视频帧中，让用户看到连贯自然的最终画面。
图：MediaPipe在端侧的完整推理流程：先检测人脸并稳定对齐，再送入学生模型生成特效，最后拼回视频帧，整个过程在毫秒级内完成。
通过GPU加速，Pixel 8 Pro上的推理延迟被压缩到约6毫秒/帧，iphoness 13 GPU约10.6毫秒/帧。
对用户来说，就是打开相机就能体验到顺滑的AI特效。
不只是美颜：YouTube的实时AI秀场
这套技术已经在YouTube Shorts上全面铺开，创作者们能直接用上几十种实时特效。
想要时刻挂着微笑？用Always Smile，哪怕你本人此刻面无表情，镜头里也会立刻咧嘴笑开。
想玩点惊悚？万圣节专属的Risen Zombie，分分钟把你变成刚爬出来的丧尸。
这些滤镜已经让Shorts里的创作方式发生了质变：不是贴图，而是AI量身绘制。
但这只是开始。
YouTube正在测试用Veo模型，可以把一张静态图片生成完整的视频片段。
用户只需要一张自拍或者一幅手绘，就能在手机上变成一段动态短片。
这意味着，未来的YouTube Shorts不只是拍视频加滤镜，而是随手一张图，就能生成一条视频。
创作者的门槛会进一步降低，AI会更深地嵌入每个人的创作过程。
从实时滤镜到一键生成短片，YouTube正把AI变成创作者的随身画笔。
参考资料：
http://research.google/blog/from-massive-models-to-mobiles-magic-the-tech-behind-youtube-real-time-generative-ai-effects/