旧手机如何组建集群,跑点云计算?

简介: UC San Diego 与 Google 合作推进“手机集群计算”:拆解退役手机主板,组建低碳小型计算集群。首期将部署 2000 台 Pixel 手机主板,替代传统服务器,为教学科研提供低成本云资源,兼顾环保与算力复用。

不知道大家如何处理自己退役下来的手机,可能大多数人都将它们放进了抽屉,在某个日子里拿出来感叹下它曾经服役的日子。Google Research 最近介绍了一个来自 UC San Diego 的研究项目:把退役智能手机里的主板拆出来,重新组装成一个小型计算集群,用来跑一些通用云计算任务。

这个方向被称为 phone cluster computing,即:手机集群计算。这个想法很环保,毕竟手机本身退役了,但里面的处理器、加速器、内存和存储,很多还可以继续用。UC San Diego 计划在 Google 支持下,部署一个由 2000 台 Pixel 手机组成的数据中心,给学生和研究人员提供低成本的云计算资源。

旧手机依旧能做计算?

图注:Pixel Fold 不同类型 CPU 核心与服务器单核性能的 SPEC 对比。蓝色柱为 Pixel Fold 性能核心,黑色空心框为服务器单核表现。图源:Google Research

这个想法能实现的最大原因是,现在的手机性能已经不弱了。在一些单线程测试里,已经可以接近甚至超过部分现代多核服务器的单核表现。Google 的文章里拿 2023 年 Pixel Fold 和一台 ASUS 服务器做了 SPEC benchmark 对比,在不少测试里,Pixel Fold 的性能核心单核表现更好。

当然,手机毕竟和服务器还是有差距。服务器通常有更多核心、更大的内存;一台手机只有几个异构处理器核心,内存大概在 8–12GB。简单来说,我们要对手机适合跑的任务要个筛选,选择那些更适合小型、可拆分、对单机内存要求不高的任务。

如何搭建手机计算集群

图注:从消费级手机到服务器节点,要先拆掉手机屏幕、电池和外壳等部件。图源:Google Research

要搭建一个手机计算集群,不能直接粗暴地把旧手机直接堆在一起。手机屏幕、电池、外壳、摄像头等部件,在大多数的服务器场景中是用不上的,还会占据空间。不止如此,电池这类部件长期放在数据中心环境,还存在一定的安全隐患。

所以,这个项目先把手机处理成只保留主板的形态。手机主板保留了处理器、内存、存储这些核心计算部件,而且它本身也是手机制造过程中“最费碳”的部分之一。Google 原文提到,按他们的内部评估,主板大约占一台手机制造碳排放的一半。

从 Android 系统到 Linux 系统

手机的硬件拆完了,软件也要改造。

Google 手机上运行的 Android 系统本身基于 Linux,但它的用户空间主要是服务手机。我们要把手机变成云计算节点,就需要换成更通用的 Linux 发行版,让开发、部署、运维更接近普通服务器。

此外,手机系统里还有一些面向消费设备的保护机制,比如 low memory killer。它会限制占用内存过高的应用。这个设计对普通手机有用,但放到云计算任务里,可能会影响任务运行,所以也需要调整。

组成一个小集群的手机数

单台手机算力有限,所以真正的用法是组集群。

按照上面 SPEC benchmark 的结果,大约 25–50 台手机可以对应一台现代服务器的计算能力。项目把这些手机组织成 25–50 台 / 组的小集群,再通过容器和 Kubernetes 来管理任务。

每台手机是一个小节点,多个节点通过网络连接起来,由 Kubernetes 统一调度。任务一旦拆解开,就分发到不同手机上跑;任务跑完,再把结果收回来。

手机计算集群的应用场景

图注:20 台手机组成的集群,用来运行编程课作业的自动评测任务,对比了不同提交压力下的延迟和吞吐表现。图源:Google Research

UC San Diego 首先测试的场景,是大学里的教学和研究计算。比如 Jupyter Notebook、课程作业评测、系统编程实验环境。这些任务很多时候不需要很强的 GPU,也不一定需要大内存服务器。加上目前不少评分后端,本来就在 AWS t3.micro 这种小规格云实例上跑。

在这个项目的早期实验中,一个 20 台手机组成的集群,就能支撑 75 人以上课程在高峰期提交作业评测,而且延迟低于默认的 AWS 后端。

假如 UC San Diego 计划中的 2,000 台手机能部署成功,理论上可以同时支持上百门类似课程。

小结

这个项目有意思的地方,应该是把一批已经退役、但还能算的手机主板,“废品回收”改造成一个小型计算集群,再放到真实教学和研究场景里试试看。

手机集群到底能发挥多大作用、能不能长期稳定地跑起来,还要等 UC San Diego 计划中的 2,000 台 Pixel 手机集群上线后,才能看到更清楚的结果。这个集群预计会在 2026 年秋季投入使用。

参考资料

  • Google Research《A low-carbon computing platform from your retired phones》
相关文章
|
1天前
|
云安全 人工智能 运维
阿里云SecOps Agent,全新安全跨产品执行体验
自然语言驱动 云安全中心/WAF/CFW/ 等多款安全产品联动
1563 0
|
11天前
|
缓存 测试技术 API
Qwen 3.7 Plus 与 Max 实测:性价比与多模态能力差异解析(2026)
2026 年 6 月 1 日,阿里悄无声息地发布了 Qwen 3.7 Plus,距 Qwen 3.7 Max 上线刚好 11 天。同样的 1M 上下文,同样的 35 小时自治上限。但价格才是头条:Plus 是 0.40/M输入,Max是 2.50/M——便宜约 6 倍——并且还能看图、看视频。Vision Arena 上 Plus 已经排到 #16。所以这周真正值得讨论的问题不是”要不要为视觉能力买单”,而是”Max 凭什么用 6 倍价格换来 2 个百分点的 benchmark 领先”。
|
12天前
|
JavaScript 定位技术 API
CodeGraph 爆火:编程 Agent 需要的不是更多上下文,而是一张提前画好的代码地图
CodeGraph 是一款爆火的本地代码智能工具,通过 tree-sitter 解析 AST 构建结构化知识图谱(存于 SQLite),为编程 Agent 提前生成“代码地图”。它显著降低 Agent 在中大型项目中的探索成本——实测工具调用减少71%、Token 降57%、速度提升46%,支持19+语言及主流框架路由识别,完全离线、无需 API Key。
853 11
CodeGraph 爆火:编程 Agent 需要的不是更多上下文,而是一张提前画好的代码地图
|
12天前
|
人工智能 运维 JavaScript
阿里云Qoder CN(原通义灵码)全解析 产品形态、版本划分与技术适配说明
在AI辅助开发与智能办公工具持续普及的当下,阿里云旗下原通义灵码正式更名为Qoder CN,同时延伸出QoderWork CN、Qoder CN CLI、Qoder CN Mobile等多款配套产品,形成覆盖代码开发、日常办公、终端交互、移动端使用的完整工具矩阵。Qoder CN核心定位为AI智能编码助手,深度适配主流代码编辑器、集成开发环境以及终端场景;QoderWork CN则偏向桌面端综合办公辅助,二者面向不同使用场景,划分了多个版本档位,搭配差异化资源配额、功能权限与计费规则,同时兼容多款主流大模型。
878 8
|
1天前
|
机器学习/深度学习 人工智能 调度
🐴 HappyHorse 1.1 现已上线阿里云百炼!快来查收模型使用指南,现在调用享 6 折~
HappyHorse 1.1 是新一代视频生成大模型,全面升级动态表现力、角色一致性、指令遵循、视觉质感与音画协同能力。支持I2V/T2V/R2V三类生成,适配短剧、电商广告、品牌营销等场景,提供高质、流畅、可控的AI视频生产力。
312 1
🐴 HappyHorse 1.1 现已上线阿里云百炼!快来查收模型使用指南,现在调用享 6 折~
|
12天前
|
JSON 缓存 安全
通过 CC Switch 本地路由让 Codex CLI 接入 DeepSeek 等第三方模型
CC Switch 通过本地路由(`127.0.0.1:15721`)实现协议转换:将 Codex 的 Responses API 请求自动映射为 DeepSeek 等厂商的 Chat Completions 接口,兼容流式响应与工具调用,无需修改 Codex 源码,安全隔离 API Key。(239字)
2384 7
通过 CC Switch 本地路由让 Codex CLI 接入 DeepSeek 等第三方模型
|
12天前
|
存储 安全 Java
AgentScope Java 2.0:打造分布式、企业级智能体底座
AgentScope 2.0 面向分布式部署、稳定运行、权限安全等企业级需求全面升级,打造支持多租户隔离与长期稳定运行的企业级智能体底座。
|
8天前
|
人工智能 自然语言处理 算法
阿里云百炼Qwen 3.7 Plus与Max实测全解:性价比与多模态能力、成本深度对比
2026年,阿里云百炼平台推出的Qwen 3.7系列成为企业与开发者落地AI应用的核心选择,其中Qwen 3.7 Max与Plus作为两大旗舰版本,定位差异显著:Max是纯文本推理旗舰,专注高强度智能体与复杂逻辑任务;Plus则是多模态全能版,在保留强大文本能力的同时,补齐图像、视频理解能力,且价格大幅降低。本文基于2026年最新实测数据,从核心参数、文本能力、多模态能力、智能体表现、性价比与场景选型六大维度,全面解析两款模型的差异,为用户提供精准选型参考。
419 0