既然隐私是 SaaS 唯一的溢价，我就用端侧算力实现了本地“盲抠”。感受电脑掌托处传来的极其微弱的震动，那是 M3 Max 的神经引擎在满负荷运转，处理一张 8K 产品图，而 Rembg Pro 的模型就在我本地，没往任何云端服务器发送哪怕一个字节。
2025年了，你还在用那些需要上传图片的在线抠图工具？我早就戒了。不是技术洁癖，是商业直觉被现实毒打出来的条件反射。2019年那会儿，我们团队给一个珠宝品牌做小程序，用了某大厂的图像处理 API 做商品图优化，结果三个月后，竞品店里上了几乎一模一样的爆款设计，连拍摄角度和光影细节都像得离谱。客户直接炸了，尾款没了，团队散了，我蹲在空荡荡的办公室里抽了半包烟，才想明白问题可能出在哪——那些“免费”或“廉价”的 API，喂进去的数据，就是别人训练下一个爆款模型的饲料。从那天起，我就对“云端处理”这四个字有了生理性厌恶。
所以当 Rembg Pro 这类端侧 AI 抠图工具出现时，我像抓到了救命稻草。但早期的版本，就是个玩具。处理 1024×768 的图还行，一到高分辨率，要么慢得像便秘，要么直接内存溢出崩溃。那时候的端侧算力，就像个营养不良的孩子，空有框架，使不上劲。
转折点是去年底。苹果的 M3 系列和 NVIDIA 的 RTX 40 Super 笔记本 GPU 开始普及，端侧推理的算力瓶颈被暴力破解了。我拿到 M3 Max 本子的第一件事，就是重新编译部署了 Rembg Pro 的最新 ONNX 模型，用 Core ML 和 Metal Performance Shaders 重新优化了推理管线。结果让我头皮发麻——一张 6000×4000 的 RAW 转 JPG 图片，带复杂毛发边缘（以前是云端算法的护城河），本地抠图只用了 2.3 秒，CPU 占用不到 15%，GPU 安静得像没工作，但掌托那点温热的震动告诉你，神经引擎正在疯狂吞吐数据。
这才是真正的“盲抠”。不是闭着眼睛乱抠，而是整个过程对你、对网络、对任何可能的窥探者而言，都是“盲”的。数据流从 SSD 到内存，再到 NPU，最后输出透明通道 PNG，整个路径长度不超过 15 厘米，被物理边界锁死在我的铝镁合金机身里。什么 MITM 攻击、云端日志泄露、训练数据回收，这些风险归零。这种安全感，是任何 SLA 协议都给不了的。
我甚至开始用 n8n 搭建本地自动化工作流。相机 SD 卡插入，自动触发图像导入，Rembg Pro 批量处理，抠好的图按预设模板排版，直接推送草稿到我的内容管理后台。全程离线。以前这套流程要依赖三个不同的 SaaS，月费加起来小一千，数据还要在他们的服务器里旅游一圈。现在？一次性的软件购买成本（或者干脆是开源方案），加上本地算力的沉没成本，边际成本几乎为零。
隐私成了 2025 年 SaaS 唯一的、也是最后的溢价。当功能同质化到可以用同一套开源模型微调出来，当接口相似到可以一键切换，用户凭什么为你付费？就凭你那份写得天花乱坠但执行起来漏洞百出的隐私政策？别逗了。真正的溢价，是让数据永远不必离开用户的设备。这是技术架构的彻底转向，从“中心化处理-分发结果”到“分发模型-本地处理”。端侧算力的爆发，终于让这个梦想照进现实，哪怕它此刻只是我掌下这一点微弱的震动和温热。
那些还在鼓吹“全栈上云”的布道者，该醒醒了。云是管道，是基建，但它不该是数据的终点站。未来的溢价服务，是卖那把锋利的、能在家门口自己处理一切的“刀”，而不是替你保管食材还抽成的“中央厨房”。我这十年，从迷信云端万能，到被云端背刺，再到现在亲手把计算权夺回本地，算是一个迟到的闭环。掌托的震动停了，任务完成。图片在本地文件夹里静静躺着，背景干净透明，像从来没去过别处一样。
