低价运行 Linux 的小型硬件

内容由豆包 AI 生成

我看到一些树莓派在运行 Linux，我就想知道说，目前世界上最便宜的能够运行 Linux 的小型硬件。或者说小型计算机或者微型计算机，有什么选择？比如说有没有 10 美元成本或更低的，能够运行一个 Linux。当然我希望是有屏幕，如果没有屏幕用网络也也行，有这样的方案吗？

以下是一些 10 美元成本或更低、能运行 Linux 的小型硬件：

树莓派 Zero：价格仅需 5 美元。它可以运行多个版本的 Linux，若要连接屏幕，树莓派 Zero 有 Micro - HDMI 端口，通过迷你 HDMI 转全尺寸 HDMI 的导线或适配器，能连接 HDMI 显示器。在网络方面，树莓派 Zero W 版本内置 Wi - Fi 和蓝牙模块，可实现无线连接；也可通过 USB 转以太网适配器实现有线网络连接。
Omega2：售价 5 美元，大小不足一张扑克牌的四分之一，运行 Linux 系统。它内置 Wi - Fi 802.11 b/g/n，支持以太网接口，可方便地进行网络连接。若要连接屏幕，可通过相关的显示扩展模块来实现，但可能需要额外的成本和一定的技术知识。
Luckfox Pico Mini：售价 39 元（约合 5.6 美元），基于瑞芯微 RV1103 芯片，CPU 达 1.2G，内存 64MB，可运行 Linux。它有网口接口，能扩展网口，即使不扩展也能使用 USB 虚拟网口进行网络连接。如果要连接屏幕，需要根据其硬件接口和相关文档来选择合适的屏幕模块进行连接和配置，可能需要一定的开发工作。

此外，一些旧款的开发板或二手设备也可能满足需求，在选择时需根据自身技术水平和项目需求进行评估。

参考 11 篇资料

那么树莓派 Zero W 有没有购买的链接？

树莓派 Zero W 可以在树莓派官方网站购买。

此外，也可以在一些电商平台如亚马逊、淘宝等购买。不过在国内的电商平台上可能较难找到全新的树莓派 Zero W，更多的是其升级版本树莓派 Zero 2 W，你可以在树莓派官方网站购买该产品。

我在网上看到有人介绍可以把 AI 的向量保存为 MP4 这种视频文件。这是什么原理啊？为什么可以把 AI 的向向量？保存为视频，而且还能够快速检索。 AI 的向量是什么意思呢？是 embedding 呢？究竟怎样去做快速检索呢？

AI向量是一种将现实世界中的数据，如图像、文本、音频等，转化为计算机可处理的数值型特征表示的工具。以文本为例，AI向量可以是词向量（Word Embedding）等，通过将单词或句子映射到低维向量空间，来表示其语义信息。

将AI向量保存为MP4文件主要是通过Memvid等工具实现的，其原理是将大规模文本分块，每块文本编码为一个QR码，这些QR码作为视频帧写入MP4文件。同时，系统为每个文本块生成语义向量（embedding），并用FAISS建立向量索引，存储于JSON文件。

在检索时，用户输入查询，系统会生成查询嵌入向量，然后FAISS在索引中找到最相似的文本块ID。接着根据索引定位到视频中的具体帧，最后解码QR码还原文本内容，实现高效的语义检索与内容恢复。

那么是不是能够理解成它仅仅是每个文本编译为一个 QR 码，就是一个图片，其实跟 MP4 视频文件没什么关系？因为你实际上是一个一个的图片，因为 MP4 的话是视频流，就是说你不可能说同样的图片重复很多遍吧，是不是？那就没有意义了。所以它仅仅应该是应该更好的说应该是保存为一系列的图片文件，或者说它的每一帧都是单独的，所以这个视频的话完全是一秒钟跳跃 24 帧完全不同的视频。难道说它每一帧之间相邻帧是最小变化值，可以有连续性。

将 AI 向量保存为 MP4 文件，并非仅仅是将文本编译为 QR 码图片就与 MP4 文件无关了。

MP4 格式有其优势，它的视频压缩算法（如 H.264、H.265 等）可以对这些 QR 码帧进行高效压缩，相比直接保存为一系列图片文件，能大大减小存储空间。例如，100 万个文本块（每块 512 字符）压缩后仅需约 1GB 存储空间，相比传统向量数据库节省 90% 以上的存储成本。而且，MP4 是一种广泛支持的视频格式，便于传输、共享和存储，也方便在各种设备上进行播放和访问。

在实际应用中，这些 QR 码帧组成的视频，帧与帧之间不一定有连续性，也不一定是相邻帧有最小变化值。因为每个 QR 码是由不同的文本块生成的，它们之间的内容可能没有直接关联。当然，在生成视频时，可以根据具体需求和优化策略，对帧的排列和内容进行设计，以提高存储效率和检索性能。但总体来说，将 AI 向量保存为 MP4 文件是利用了 MP4 格式的特点和优势，将文本数据以一种创新的方式进行存储和管理，而不仅仅是简单地将图片组合在一起。

那你这么说的话，大模型是不是也能够按照 MP4 这种视频 H264 的压缩来，把这个大模型进行大规模的压缩呢？那这种压缩很多是有损压缩，是不是就是大模型被压缩以后就不能够正常的工作了呢？

大模型一般不采用 H.264 这种视频压缩方式来进行大规模压缩，主要原因如下：

数据结构与特性差异：H.264 压缩视频是基于图像帧间和帧内的冗余信息进行编码。而大模型的数据结构复杂，包含大量的参数、权重等，这些数据间的关系与视频帧的像素关系不同，H.264 的压缩原理难以直接应用于大模型。
压缩目标不同：H.264 旨在压缩视频数据以减少存储空间和传输带宽，同时尽量保持视觉上的画质质量。大模型压缩更关注在减少存储和计算成本的同时，最大程度保留模型的语义理解、生成等能力，两者的优化目标不同。

大模型通常采用量化、剪枝、蒸馏等专门的压缩技术。其中量化是将模型参数表示为低精度的数据类型；剪枝是去除模型中不重要的连接或参数；蒸馏是利用一个大模型（教师模型）来指导一个小模型（学生模型）的训练，使小模型学习到教师模型的知识。

采用有损压缩技术对大模型进行压缩后，模型不一定不能正常工作，这取决于压缩的程度和技术的有效性。如果在压缩过程中，能够合理地去除冗余信息，同时保持模型的关键特征和语义理解能力，那么模型在压缩后仍可以保持较好的性能，能够正常工作。例如，稀疏量化表示（SpQR）就实现了 LLM 的近乎无损压缩，对于高精度的 LLaMA 和 Falcon LLM，在困惑度中实现了小于 1% 的相对精度损失。

那么之前讨论的，把这个 AI 向量组成的 MP4 进行视频压缩算法。我刚才说帧与帧之间使用最小变化值，以达到这个视频的看起来连续性的目的是什么呢？是说进行快速检索。意思就是说我把这些 QR 码。就是是 AI 向量转化的 QR 码，进行一个排序吧。那么它就会相邻两帧之间肯定是最小变化值，这就是成为一种可以进行所谓的二分法等等的快速检索。那也就意味着说，这个 MP4，它的相邻帧是变化至最小，能够进行一种平滑过渡。这样不是更好吗？

将 AI 向量转化的 QR 码组成的 MP4 视频，使相邻帧变化最小有一定好处，但也存在一些问题，具体如下：

优点

提高压缩效率：视频压缩算法（如 H.264）利用相邻帧的相关性，通过预测编码等技术，对变化小的相邻帧进行高效压缩，减少冗余信息，降低存储空间和传输带宽要求。
利于快速检索：相邻帧变化小，可在一定程度上使 QR 码的排列更有序。检索时，能更方便地根据索引定位到包含目标信息的帧，有助于实现快速检索。比如在 Memvid 工具中，若帧间变化规律，可结合索引更快找到与查询向量相似的文本块对应的帧。

缺点

编码复杂度增加：为实现相邻帧最小变化，需在编码时对 QR 码进行复杂的排序和调整，增加了编码的计算量和时间成本。像 Memvid 将文本编码成 QR 码帧写入 MP4，本身写入速度就慢，若再考虑帧间最小变化，会使编码过程更耗时。
语义信息可能受损：单纯追求相邻帧的最小变化，可能会打乱文本块的原有顺序，影响语义信息的连贯性。例如，原本相关的文本块被分到不同帧，不利于准确理解和检索文本内容。

在实际应用中，要综合考虑各种因素来决定是否采用相邻帧最小变化的方式。如果对存储和检索性能要求极高，且能承受一定的编码复杂度和语义信息损失风险，那么可以尝试这种方式；否则，可能需要选择更简单直接的方法来生成和处理视频文件。

参考 6 篇资料

如何利用相邻帧最小变化值提高视频压缩效率？

相邻帧变化小的视频有哪些优缺点？