周末整理工作台，面对几台吃灰的旧手机，我决定做一个小实验——

把一台手机作为主机与显示器，另外两台分别作为键盘与鼠标，构建一套完整的便携计算系统。

更具挑战的设想是：承担输入任务的二、三号机，其闲置的SoC算力，能否通过分布式调度，协助一号机进行并行计算？

这个想法并非空穴来风。国外YouTuber ETA Prime最近干了一件事：他用一部屏幕报废的三星Galaxy S20 FE（骁龙865），加一个树莓派外壳和一个Anker 310 USB-C转HDMI适配器（16.99美元），硬生生搓出了一台迷你PC——实测《空洞骑士》稳定60fps，PS2模拟器全速运行，总成本不到100美元。

既然单台废铁都能变神机，三机合体，应该也能玩出更大的花样。

一、先定架构

脱离架构谈拼装是无效的。

电脑的本质是"运算+输入+输出"的系统集合，运用第一性原理拆解，三台手机在逻辑上应构成一个微型的主从计算集群，各节点的权责必须清晰界定：

一号手机（Master节点 / 主机兼计算核心）

作为系统的算力核心，负责重度逻辑运算、画面渲染及I/O总线调度。它是整个集群的"大脑"。

二号手机（Worker节点1 / 虚拟键盘）

作为专用输入终端，横屏提供全尺寸键位，竖屏切换为数字小键盘；同时，其闲置的CPU线程将被征用，承担本地文本预处理及轻量级脚本运行。

三号手机（Worker节点2 / 虚拟触控板 / 协处理器）

提供低延迟的指针输入与手势映射；在算力互助架构中，其GPU/NPU资源将作为一号机的异地渲染或AI推理引擎。

这种物理上的功能解耦，实现了输入与输出的完全隔离——一号机不再因弹出输入法而遮挡工作区，二号、三号机则化身为可动态编程的专用外设与算力池。

一个必须提前澄清的问题：屏幕到底看哪个？

文章写到这里，我必须交代一个在原始构想中含糊过的关键点——三机集群有两种使用模式，显示方案完全不同：

固定模式（办公桌/酒店）

一号机通过USB-C转HDMI直出至外部显示器（DeX/电脑模式），二三号机仅做输入。

显示延迟：几乎为零。

移动模式（便携外出）

三号机通过VNC/RDP远程查看一号机桌面，兼做便携显示器。

显示延迟：端到端约30-50ms（H.264编码→网络传输→解码）。

后文中涉及"VNC画面延迟"的体验描述，均针对移动模式。固定模式下不存在此问题。

二、 连接层：节点间的数据总线与协议互通

三、软件栈：节点的系统环境与工具链部署

硬件连通后，软件栈的部署是将物理设备转化为逻辑节点的关键。

1. 一号手机：桌面环境与集群调度

系统选择

优先选用支持原生桌面模式的系统（三星DeX或华为电脑模式）。

若追求极致，红米K20 Pro等骁龙855机型可通过Mindows工具箱刷入Windows 11 ARM版或原生Linux，但需注意：刷入后通常丢失通话、短信功能，部分版本需在Android下先开启移动数据才能在Windows下联网。

调度工具

安装分布式计算框架的控制端（如exo框架的主节点），用于拆分AI模型推理任务并下发

部署SSH Server，接收二三号机的控制指令与计算结果回传

通过ADB监听来自局域网的TCP/UDP控制报文，注入系统输入事件

关于Scrcpy的说明：Scrcpy适用于"PC控制手机"的场景（如开发调试），其服务端天然运行在被控设备上。在本架构中，二三号机→一号机的控制流已由自定义Socket承担，无需引入Scrcpy。若你确实需要从外部PC远程操控一号机，Scrcpy是优秀选择，但它不是集群内部控制链路的必要组件。

2. 二号手机：输入法引擎与边缘预处理

系统环境

安装Termux终端，搭建轻量级Linux环境——无需Root，通过proot-distro一键部署Ubuntu/Debian容器即可。

控制层

运行自定义的Python脚本或开源蓝牙键鼠模拟App，监听屏幕触控事件并转化为网络报文发送给一号手机。

计算层

在Termux内部署Node.js或Python环境，执行一号手机分发的文本预处理任务（如拼写检查、语法纠错），实现本地消化算力开销。

3. 三号手机：指针映射与异构加速

系统环境

同样部署Termux，并开启proot-distro安装完整版Debian/Ubuntu。

若追求底层性能完全释放，可解锁BL锁刷入Linux Deploy甚至PostmarketOS，获取直接操作硬件寄存器的权限——但华为等品牌解BL锁受限，只能采用免Root方案，牺牲部分硬件调用权限。

计算层

在Linux环境中部署PyTorch Mobile或ONNX Runtime。当一号机前台进行重度操作时，三号手机可在后台静默运行大模型推理节点或视频转码进程。

四、算力互助：第二台和第三台的算力能借过来吗？

两台只做输入的闲置手机，能否帮主机"代打工"？

这不是玄学，而是典型的分布式边缘计算问题。

1. 异构AI集群的构建

借助exo等P2P架构框架（GitHub 45K+ Stars），可将多台设备串成AI集群。

exo采用流水线并行（pipeline parallelism），将模型按层分配给不同设备，数据像流水线一样依次流过各节点。在三号机的Termux中运行exo Worker节点，当一号机发起Qwen2等大语言模型请求时，二三号机的CPU/NPU将参与Token的并行推理。

关于20B参数模型：3台8GB手机理论上可跑通4-bit量化的20B参数模型（需约10-12GB显存+KV Cache），三台设备可用统一内存约15-18GB（扣除Android系统占用后），容量上刚好卡线。但实测Token生成速度极低（通常<1 token/s），技术上可运行，实用价值有限。更现实的场景是两台设备协作跑7B模型，体验相对可用。

2. 后台渲染与传感器数据汇聚

爱沙尼亚塔尔图大学的工程师曾用4台10年前的旧手机（每台约9美元）构建微型数据中心，在偏远环境中完成图像识别等数据处理任务（IEEE Spectrum, 2025）。

在我的架构中，三号手机可作为一号机的协处理器，在后台默默执行视频素材的格式转换，或汇聚处理外部传感器的数据，将结果回传一号手机前台展示。

3. 我的结论

通用场景下，三台手机算力叠加做不到1.5倍。特定场景（AI推理、分布式编译）可以接近1.3-1.6倍。

为什么这么低？

三台手机之间走WiFi 5GHz，实测TCP吞吐量约80-100MB/s（物理层速率的50-70%），纯网络ping延迟约5ms。

而电脑主板上CPU到内存的带宽是50GB/s，延迟100ns。

带宽差500倍，延迟差5万倍。

三个CPU如果需要频繁共享数据，它们花在"等数据传过来"上的时间远多于实际计算时间。

1967年，Gene Amdahl提出的定律早就说清了这件事：加速比取决于可并行比例。公式为：

S = 1 / [(1-P) + P/N]其中P为可并行比例，N为处理器数。

日常操作能并行的部分不到30%，代入P=0.3、N=3，理论加速比1.25倍。加上通信开销，1.1倍都勉强。

还有内存的问题——三台手机各内存物理隔离，一个程序没法直接读另一台手机的内存，得序列化、网络传输、反序列化，比本地内存访问慢几千倍。

但有些场景确实能叠：

AI大模型推理

exo将模型按层分配给不同设备，两台设备跑7B模型，实测加速1.3-1.6倍。更多设备的收益受限于流水线气泡（pipeline bubble），边际递减。

分布式编译

make -jN仅支持本地并行，跨节点需借助distcc或icecream等分布式编译工具。三节点distcc编译C代码，实测加速比约1.3-1.8倍，具体取决于Makefile并行度和预处理占比（distcc官方benchmark数据）。

通用分布式计算

BOINC、Folding@home这类项目早就在用手机闲置算力做科学计算，但那是后台慢慢算，不是实时交互。

如果想在手机A的Linux环境里调用手机B和C的算力，可以在每台手机上都装Termux + SSH，然后用pdsh（并行分布式Shell）或Ansible同时给三台发任务。exo项目提供了更优雅的方案——自动发现设备、分配模型层、管理通信，但目前主要支持AI推理场景。

五、硬件清单和建议

如果真要搭，硬件选择会直接影响体验：

手机A（主机）：骁龙8系列，8GB+内存→ 主机承担主要计算，性能尽可能拉满

手机B（键盘）：任意，屏幕大点更好→ 只跑输入转发，性能无要求

手机C（触控板/协处理器）：骁龙6系以上，6GB+内存→ 移动模式下兼做VNC显示+后台计算

外部显示器（固定模式）：任意HDMI显示器→ 一号机DeX直出，近零延迟

网络：WiFi 6路由器，三台手机5GHz频段→ 降低延迟和抖动

可选：USB-C线：主机与显示器间走有线→ 比无线投屏延迟更低

可选：手机散热背夹：主机长时间满载会发热降频→ 骁龙8系满载功耗可达8-12W，远超日常3-5W

六、搭完之后是什么体验

说实话，不算惊艳，但比预想的好用。

文字编辑、终端操作、网页浏览——完全流畅

固定模式下DeX直出至显示器，体验与一台低配安卓笔记本无异；移动模式下VNC画面有约30-50ms延迟，打字可感知但不影响使用。写代码、跑Python脚本、SSH到远程服务器，跟一台低配Linux笔记本没太大区别。

看视频、玩游戏——移动模式下别想了

VNC的帧率和压缩质量撑不住，手机GPU也没有被桌面环境正确调用。但固定模式+DeX直出至显示器的场景下，轻量级游戏和视频播放是可行的。

跑AI模型——当前三手机集群最实际的用途

exo支持把手机A跑不了的7B模型分摊到三台上，虽然不是三倍速，但至少能跑起来。

七、工程评估

核心优势：

出差/旅行应急：带三台手机出门的概率远高于带笔记本。酒店里临时要写文档、SSH连服务器、处理紧急代码，搭起来就能用，不需要额外设备。

极低的重构成本：利用旧手机改造，核心硬件成本仅为一根USB-C转HDMI适配器（约百元），配合二三号机充当的外设，整体造价远低于商用笔记本。

天然的冗余与隔离：三机各自独立运行，一号机处理工作流，二号机运行社交通讯，物理级隔离杜绝了弹窗打断与数据串扰。

低功耗与持续供电：旧手机日常负载功耗约3-5W，骁龙8系满载时约8-12W，仍远低于x86服务器；且自带电池充当UPS，断电不丢数据。

存在的不足：

生态依赖与刷机风险：算力互助极度依赖底层指令架构的同源，iOS与Android无法底层互通；部分机型（如华为）解BL锁受限，只能采用免Root方案，牺牲部分硬件调用权限。

稳定性挑战：刷入原生Linux后，常面临相机、基带驱动丢失的问题；且长期运行需拆除电池改为直连供电，否则电池鼓包风险极高。

性能天花板：这套架构的本质是用时间换空间，用分布式换取单点性能的不足，无法胜任高强度实时工程渲染。

写在最后

三台旧手机，一个WiFi路由器，一根转接线——搭出来一台"刚好够用"的应急工作站。

它最大的价值不在于算力叠加，而在于功能解耦：一号机专心运算和显示，二号机专心输入，三号机在输入之余默默贡献后台算力。至于分布式计算能不能帮上忙——能，但只在特定场景下。Amdahl在57年前就把上限算死了，这不是技术问题，是物理问题。

但话说回来，能用吃灰的旧手机跑起一个7B的大语言模型，这件事本身就够酷了。

参考来源

① Notebookcheck, "YouTuber converts cracked smartphone into under $100 mini PC for gaming and emulation", 2026-02-24. ETA Prime使用骁龙865/6GB RAM的Galaxy S20 FE，通过三星DeX + Anker 310适配器 + 树莓派外壳搭建，实测《空洞骑士》60fps及PS2/GBA模拟器全速运行。

② 红米K20 Pro（骁龙855）刷入Windows 11 ARM版需借助Mindows工具箱，存在通话/短信缺失、部分版本需先在Android下开启4G等已知问题。

③ Termux通过proot-distro可一键安装20余种Linux发行版，无需Root。PRoot方案性能开销约5-15%，对计算密集型任务影响较小。

④ exo（exo-labs/exo）GitHub Stars从2024年7月的2.5K增长至2026年的45K+，支持Mac/Linux/Android/iOS多平台组建P2P AI推理集群。

⑤ IEEE Spectrum, "Old Smartphones Get New Life as Tiny Data Centers", 2025. 塔尔图大学工程师用4台10年前旧手机构建微型数据中心，完成图像识别等边缘计算任务。

⑥ distcc官方benchmark：三节点加速比取决于Makefile并行度与预处理本地开销，实际范围1.3x-1.8x，2x仅在理想条件下可达。