PyTorch Foundation 在旧金山支持举办了 ExecuTorch 黑客马拉松，20 多个团队的 100 多名参与者使用 PyTorch 和 ExecuTorch 构建了实时 AI 应用。

各团队基于搭载骁龙平台的三星 Galaxy S25 Ultra 设备进行开发，重点关注延迟、离线能力、隐私敏感处理、能效和实时用户体验。

祝贺获奖团队：

第一名：SafeScreen AI，一个设备端视觉安全层

第二名：SixthSense，一种辅助可穿戴设备，可将视觉信息转换为定向触觉信号

第三名：Toddle AI，一个隐私优先的原型，用于本地分析幼儿走路模式

获奖项目展示了本地执行如何支持需要即时反馈、有限连接或敏感数据处理的应用程序。

阅读来自 @matthew_d_white (PyTorch Foundation)、Andrew Caples (@Meta) 和 Lauren Lunde (@Qualcomm) 的完整回顾：https://pytorch.org/blog/building-the-future-of-on-device-ai-at-the-executorch-hackathon/…

在 ExecuTorch 黑客马拉松上构建设备端 AI 的未来 – PyTorch

来源：https://pytorch.org/blog/building-the-future-of-on-device-ai-at-the-executorch-hackathon/

精选项目

• PyTorch 标志 (https://pytorch.org/projects/pytorch/)

上周末在旧金山，开发者、研究人员、移动开发者以及 AI 从业者齐聚 ExecuTorch 黑客马拉松，这是一场为期两天的现场活动，聚焦一个实际且日益重要的问题：当强大的人工智能在你手中的设备上本地运行时，我们能构建什么？这次黑客马拉松于 2026 年 6 月 27 日至 28 日举行，挑战团队使用 ExecuTorch 构建和优化直接在搭载骁龙平台的移动设备上运行的实时 AI 应用。参与者基于搭载骁龙平台的三星 Galaxy S25 Ultra 设备进行开发，并获得了来自高通和 Meta 专家的研讨会、指导以及实践支持。

本次活动由高通、Meta、GitHub、PyTorch Foundation 等支持举办，三星作为硬件合作伙伴，提供了团队现场使用的搭载骁龙平台的 Galaxy S25 Ultra 设备。活动形式刻意注重实践：团队被要求设计、构建并演示使用 PyTorch 和 ExecuTorch 本地运行的真实面向用户应用，重点关注延迟、离线能力、隐私敏感处理、能效和实时用户体验。

从活动一开始，房间里的能量就毋庸置疑。开发者们准备好开始构建，这种势头持续了整个周末。在研讨会、导师会议、调试对话、实时测试和最终演示中，人们明显且持续地表现出将 AI 从纯云端部署模式转移到资源受限的边缘环境的兴趣。最出色的项目不仅仅展示了模型可以在本地运行；它们还证明了为什么本地执行对于真实产品至关重要，特别是在响应性、隐私、成本和连接性对用户体验至关重要的场景中。

这正是 ExecuTorch 的用武之地。ExecuTorch 是一个端到端的解决方案，用于在移动和边缘设备（包括可穿戴设备、嵌入式设备和微控制器）上实现设备端推理。它是 PyTorch Edge 生态系统的一部分，能够将 PyTorch 模型（包括视觉、语音和生成式 AI 模型）高效部署到边缘设备。其价值主张在于跨设备类别的可移植性、通过熟悉的 PyTorch 工具链实现的生产力，以及通过能够利用 CPU、NPU、DSP 和其他硬件能力的轻量级运行时实现的性能。

此次活动吸引了大量参与，20 多个团队共 100 多名参与者。提交的作品反映了边缘 AI 机会的广度：无障碍工具、隐私优先的助手、视觉安全系统、离线文档智能、移动生成式 AI 工作流、医疗和工业支持工具等等。

祝贺获奖团队：

第一名：SafeScreen AI

SafeScreen AI 凭借一个及时且雄心勃勃的应用获得第一名：一个本地、设备端的视觉安全层，旨在帮助用户在完全接触之前保护他们免受露骨、辱骂和操纵媒体的伤害。该应用使用 ExecuTorch 直接在搭载骁龙平台的 Android 设备上运行，并在设备端实时分析视觉内容。当检测到潜在有害内容时，系统可以直接在屏幕上警告、模糊、编辑、遮盖或阻止该内容。

SafeScreen AI 之所以脱颖而出，是因为它将边缘 AI 的性能与明确的人类需求联系起来。通过保持视觉分析本地化，该项目强调了低延迟和保护隐私的安全——这两个特性在敏感图像或视频必须首先发送到远程服务器时很难实现。该项目还展示了设备端 AI 如何成为一个主动的用户安全层，而不仅仅是一个被动检测系统。

第二名：SixthSense

第二名由 SixthSense：盲人触觉视觉获得，这是一种辅助可穿戴设备，使用手机摄像头和本地 AI 模型帮助盲人和低视力用户在物理空间中导航。该系统解释摄像头看到的内容，将障碍物分为左、中、右三个区域，并向佩戴在腰间的腰带发送定向振动信号，以便用户感知障碍物的位置并走向更清晰的路径。

SixthSense 捕捉到了边缘 AI 最引人注目的承诺之一：使辅助技术更加易得、响应迅速且价格低廉。该项目使用设备端模型进行物体检测、深度估计、语音交互和文本阅读，模型通过 ExecuTorch 在手机上运行。通过避免依赖持续连接，该团队创建了一个在拥挤、嘈杂或网络受限环境中更有用的原型，在这些环境中即时反馈至关重要。

第三名：Toddle AI

Toddle AI 凭借一个隐私优先的 Android 原型获得第三名，旨在帮助家长捕捉和了解幼儿的走路模式。该应用可以录制或导入走路视频，评估片段是否可用，使用 33 个关键点的人体模型本地运行姿态估计，并应用可解释的步态分析流程来识别步数并生成结构化观察结果。它还包括一个本地 AI 助手，以家长友好的语言解释结果，而无需将原始视频发送到服务器。

Toddle AI 是一个很好的例子，展示了本地 AI 如何支持敏感的个人工作流。该项目避免了黑盒诊断，而是专注于可测量的观察、捕捉质量、可解释性和隐私。它展示了边缘 AI 如何帮助用户更好地理解在日常环境中捕获的数据，同时将敏感视频保留在设备上。

在全部三个获奖项目中，出现了一个共同模式：最引人注目的应用不仅仅是“手机上的 AI”。它们是那些本地执行对产品体验至关重要的应用。SafeScreen AI 需要即时、私密的干预。SixthSense 需要实时、定向的反馈。Toddle AI 需要对敏感家庭视频进行隐私保护的分析。这些正是边缘 AI 能够改变开发者所能构建东西的用例类型。

这个周末还凸显了针对实际约束进行优化的重要性。开发者并非在抽象环境中构建。他们使用的是真实移动硬件、真实的性能考量、真实的电池和延迟权衡以及真实的用户体验期望。这使得活动特别有价值：参与者必须从模型想法过渡到可部署的应用，从演示过渡到能够在用户手中实际运行的系统。

对于 PyTorch 社区而言，这是一个令人兴奋的信号。PyTorch 长期以来因其灵活性、易用性以及从研究到生产的工作流而受到重视。ExecuTorch 将该开发者体验扩展到了边缘，帮助团队将 PyTorch 模型引入到计算、内存、功耗和连接性受限的环境中。黑客马拉松表明，开发者已经为这一转变做好了准备。他们希望构建本地、响应迅速、私密、高效且有用的 AI。

我们感谢每一位参与者、导师、评委、组织者和合作伙伴，是你们让 ExecuTorch 黑客马拉松成为可能。整个周末的兴奋感源于机遇是真实的：设备端 AI 正在成为一个实际的开发目标，社区渴望探索它。SafeScreen AI、SixthSense、Toddle AI 以及所有提交的项目，让我们初步看到了当 PyTorch 模型通过 ExecuTorch 高效迁移到边缘设备上时，开发者可以创造什么。

AI 的未来不会由一种部署模式来定义。它将包括云端、边缘、混合和完全本地化的体验。这个周末清楚地表明：边缘已准备好迎接开发者，开发者也已准备好迎接边缘。