Tether首席执行官Paolo Ardoino将焦点放在人工智能的一个不同领域：完全在设备上进行翻译，而无需将敏感文本发送到云端。
在许多情况下，用户并不完全了解数据的去向、保留时间或可能被谁访问。Ardoino认为，这不仅是一个理论性问题，而是一个实际问题，尤其是在涉及保密性的应用场景中。
根据Ardoino的观点，解决方案并不是依赖越来越庞大的通用AI模型。相反，他认为翻译是一个小型专用模型可以超越“巨人”的领域。
在他看来，如果任务是将一种语言翻译成另一种语言，就没有必要使用一个可以写诗、总结文章并执行一打不相关任务的大型模型。对于翻译而言，一个专门为单一目的构建的模型可以更小、更快且更可靠。
超越大型LLM
Ardoino指出，通用语言模型在手机和笔记本电脑等边缘设备上的限制。即使是相对较小的模型，也可能消耗大量存储空间，加载时间较长，且用户体验仍然不够流畅。
相比之下，专用神经机器翻译模型可以显著更轻，通常只有几十兆字节的大小，加载时间在毫秒级别，翻译速度远快于大型模型。在Ardoino看来，这一差异不仅仅是技术琐事，而是改变了真实用户在真实设备上的可能性。
这种以隐私为中心的论点是QVAC项目推动的核心思想。他在文章中讨论了这个项目。其理念是使翻译完全本地化，让整个过程在用户的手机、笔记本电脑或嵌入式硬件上进行，无需云请求。
无需第三方查看文本。对于关注合规性的用户和开发者而言，这也意味着更少的数据处理麻烦、更少的跨境传输问题和更少的安全疑虑。Ardoino还阐述了团队为何选择这一方向。
他们早期的翻译工作依赖于Opus-MT模型，虽然有效，但在移动设备上的速度和大小不尽如人意。覆盖范围也是一个问题。如果某对语言尚未可用，训练新的模型将需要额外的工作。
实用的桥接策略
Ardoino将其称为一种实用的桥接策略。如果需要快速推出新的语言对，可以首先部署一个较大的模型，同时并行训练一个专用翻译模型。这样，用户能够立即获得支持，用户体验可以随着较小模型的替换而逐步改善。
文章中的另一个主题是批量翻译。Ardoino表示，一旦团队超越演示，开始考虑文档、聊天记录和多句输入等生产用例，批量翻译便显得尤为重要。