端侧 AI 让手机相册变成高效的私人图书馆

这要是全靠NPU跑，我那台骁龙8Gen2估计得发烫到能煎鸡蛋。很多人都有这种共感：手机相册其实就是一个巨大的“数字垃圾场”。里面充斥着大量的临时截图、毫无意义的连拍废片，以及偶尔闪现的珍贵瞬间。最让人焦虑的是，当你面对几千张照片想要清理空间时，总会陷入一种“删除恐惧症”——担心在快速滑动删除时，不小心误删了某张不可替代的照片，结果最后干脆放弃，任由存储空间被撑满。

我在研究 Product Hunt 上的项目时，发现了一个叫 Piqt 的 iOS 应用，它对“清理”的定义非常独特。市面上大多数清理工具的逻辑是“删除”，而 Piqt 走的是“策展（Curating）”路线。作为一名 AI 工程师，我最关注的其实是它的底层架构。

目前很多号称 AI 整理的应用，本质上是把你的照片上传到服务器，在云端跑一遍模型再把结果传回手机。但 Piqt 采用的是纯粹的“端侧 AI（On-device AI）”方案。据开发者透露，该项目在产品化之前，经历了大量的 Jupyter Notebook 模型实验验证。这意味着所有的计算全部发生在 iPhone 的 NPU 芯片上，不需要账号登录，也不需要连接云端，这在隐私保护上是一个巨大的加分项。

在实际操作的细节上，Piqt 解决了一个非常硬核的痛点：用户对 AI 误删的恐惧。为了消除这种焦虑，它在代码层面做了一个非常克制的处理——它根本没有调用删除 API 的权限。它不会直接执行 delete 操作，而是通过算法将重复、模糊或低质量的照片自动归类到一个特定的临时相册中。这种设计把最终的“生杀大权”交还给了用户，你只需要在那个临时相册里肉眼确认，觉得没用再手动删除。

那么，它在本地是如何识别哪些是“废片”的？它并不是靠简单的文件大小或日期过滤，而是综合调用了 Apple Vision API，并结合了一套机器学习模型和聚类算法（Clustering algorithms）。它会对照片进行多维度的分层和排序，通过对图像质量、内容语义的分析，对照片进行“分级”。

举个具体的场景：如果你在同一个角度拍了五张极其相似的照片，传统的清理工具可能只会机械地告诉你这里有重复，但 Piqt 会尝试通过质量分析，帮你筛选出那张构图最好、最清晰的一张，而将其余四张标记为

本地跑起来简直爽歪歪，再也不用忍受云端传几百张图转圈圈的焦虑感了。Piqt 采用的是纯粹的“端侧 AI（On-device AI）”方案，根据开发者透露，该项目在产品化之前，经历了大量的 Jupyter Notebook 模型实验验证，所有的计算全部发生在 iPhone 的 NPU 芯片上，不需要账号登录，也不需要连接云端，这在隐私保护上是一个巨大的加分项。而且 Piqt 解决了一个非常硬核的痛点：用户对 AI 误删的恐惧。为了消除这种焦虑，它在代码层面做了一个非常克制的处理——它根本没有调用删除 API 的权限。它不会直接执行 delete 操作，而是通过算法将重复、模糊或低质量的照片自动归类到一个特定的临时相册中。这种设计把最终的“生杀大权”交还给了用户，你只需要在那个临时相册里肉眼确认，觉得没用再手动删除。这让整个清理过程变得超级安全，不用担心宝贝照片被误删。很多人都有这种共感：手机相册其实就是一个巨大的“数字垃圾场”。里面充斥着大量的临时截图、毫无意义的连拍废片，以及偶尔闪现的珍贵瞬间。最让人焦虑的是，当你面对几千张照片想要清理空间时，总会陷入一种“删除恐惧症”——担心在快速滑动删除时，不小心误删了某张不可替代的照片，结果最后干脆放弃，任由存储空间被撑满。 我在研究 Product Hunt 上的项目时，发现了这个叫 Piqt 的 iOS 应用，它对“清理”的定义非常独特。市面上大多数清理工具的逻辑是“删除”，而 Piqt 走的是“策展（Curating）”路线。作为一名 AI 工程师，我最关注的其实是它的底层架构。那么，它在本地是如何识别哪些是“废片”的？它并不是靠简单的文件大小或日期过滤，而是综合调用了 Apple Vision API，并结合了一套机器学习模型和聚类算法（Clustering algorithms）。它会对照片进行多维度的分层和排序，通过对图像质量、内容语义的分析，对照片进行“分级”。 举个具体的场景：如果你在同一个角度拍了五张极其相似的照片，传统的清理工具可能只会机械地告诉你这里有重复，但 Piqt 会尝试通过质量分析，帮你筛选出那张构图最好、最清晰的一张，而将其余四张标记为可清理。这种能力让它从一个简单的“空间清理器”变成了“相册组织者”，把

要是用 128G 内存的旧手机跑这种端侧 AI，估计分分钟烫成暖手宝，不过它通过算法将重复、模糊或低质量的照片自动归类到一个特定的临时相册中，这种不直接调用删除权限的设计确实挺稳妥。