KeyFrame內部研究專用

库克的离场,苹果新AI权力重构与价值观天平|WWDC26

硅谷101·6月18日週四·43 min中文

三句話摘要

2026年蘋果WWDC揭示了新領導層如何重組AI戰略,從五款自研模型到與Google合建隱私計算鏈,試圖在AI時代從追趕者重回定義者。 --- 蘋果這次WWDC交出的是一張及格但未超預期的答卷——端側模型架構、隱私計算框架與開發者生態布局已初具雛形,真正的考驗在於秋季落地後能否打通第三方App、讓Agentic場景從demo走進日常使用。 1. 組織危機觸發人事重組

重點整理

重點
  • 1

    1. 組織危機觸發人事重組

  • 2

    Apple Intelligence 2024年發布後數度延期,引發消費者虛假廣告訴訟與股東證券欺詐訴訟。蘋果高層意識到這不只是產品延期,而是組織、文化與領導力問題,於2025年進行秘密人事改組,由擅長複雜工程的Vision Pro負責人Rockwell接掌Siri。

  • 3

    2. 五款自研模型架構,底層借助Google基礎設施

  • 4

    五款模型均為蘋果自研,但Cloud Pro運行在Google Cloud的NVIDIA GPU上,底層使用Gemini相關技術。200億參數端側模型透過MoE稀疏激活(每次激活10~40億參數)與閃存存放部分固定參數兩項技術,突破端側記憶體瓶頸。

  • 5

    3. PCC是真金白銀的隱私基建,非行銷話術

  • 6

    蘋果與Google共同構建端到端加密推理鏈:設備先做遠程證明驗證節點身份,請求加密後才傳送,推理完成後數據與密钥立即銷毀(無狀態計算)。這是業界首次將機密計算整合為可全球規模運行的生成式AI端到端系統。

  • 7

    4. App Intents是蘋果的生態護城河策略

  • 8

    蘋果以「胡蘿蔔+大棒」推動開發者加入:月活低於200萬的開發者免費調用AFM模型,同時警示不加入者將失去未來數十億Siri流量入口。真正的Agentic場景需要第三方App深度適配,目前仍在生態搭建初期。

  • 9

    --

實用技巧與重點

乾貨
  • 模型規格
  • AFM 3 Core:30億參數,端側運行
  • AFM 3 Core Advanced:200億MoE架構,每次激活10~40億參數,支援多模態與語音
  • AFM Cloud:雲端主力(server-side workhorse)
  • AFM Cloud Pro:最強雲端模型,負責複雜推理與Agentic tool use,運行於Google Cloud NVIDIA GPU
  • ADM Cloud Image:雲端圖像生成與編輯模型
  • 硬體需求
  • AFM 3 Core Advanced需:iPhone 17 Pro/Pro Max、iPhone Air(M4以上)、iPad M3以上12GB統一記憶體、Mac M3以上12GB統一記憶體
  • PCC技術棧
  • Intel TDX(可信執行環境,隔離CPU虛擬機)
  • NVIDIA Blackwell Confidential Computing(保護GPU推理中data in use)
  • Google Titan芯片(硬體信任錨點,驗證平台啟動完整性)
  • 蘋果軟體證明(驗證實際運行代碼)
  • 系統編排器四大組件
  • App Toolbox(透過App Intents調用第三方App功能)
  • Spotlight Index(語義索引個人數據)
  • On-screen Context(屏幕感知)
  • World Knowledge(聯網搜索,經PCC加密)
  • 關鍵人物
  • Mike Rockwell:前Vision Pro負責人,現掌管Siri,向Federighi匯報
  • Amar Subramanya:Google 16年、Gemini/Bard工程VP,跳微軟5個月被蘋果挖走
  • John Ternus:2026年9月接任CEO
  • John Giannandrea:被邊緣化後離職
  • 市場數據
  • 歐洲2025年營收1110億美元(第二大市場)
  • WWDC當週股價跌超5%
  • 開發者條款:月活低於200萬免費調用AFM
  • --

結論

結論

蘋果這次WWDC交出的是一張及格但未超預期的答卷——端側模型架構、隱私計算框架與開發者生態布局已初具雛形,真正的考驗在於秋季落地後能否打通第三方App、讓Agentic場景從demo走進日常使用。

完整解析

詳細

2026年蘋果WWDC是一場特殊的權力交接儀式。卸任前最後一次主持大會的Tim Cook收到全場近一分鐘的掌聲,而新CEO John Ternus將在今年9月正式接班。外界最關心的問題只有一個:沉寂已久的蘋果AI,這次能否真正交出成績單?

這個問題的答案要追溯到2025年的一場危機。2024年Apple Intelligence發布後,蘋果數度延期AI功能,引發消費者虛假廣告訴訟與股東證券欺詐訴訟。問題核心在於,蘋果引以為傲的「完美文化」——每年憋一個大招——在AI時代每週都應該有新版本的節奏面前完全失節拍。庫克本人未出席的秘密高層會議隨後決定了人事洗牌:原AI負責人John Giannandrea被邊緣化直至離職,取而代之的是Vision Pro負責人Mike Rockwell。Rockwell本想直接向Cook匯報、主導整體AI方向,但軟體工程老大Craig Federighi堅持AI應屬於軟體體系,最終Rockwell接下Siri卻要向Federighi匯報。與此同時,曾在Google工作16年、主導Gemini與Bard的Amar Subramanya被挖來擔任AI模型負責人,完成了蘋果AI新權力版圖的拼圖。

有了新領導班底,這次WWDC的產品發布圍繞五款自研AFM模型展開。端側部署兩款:30億參數的AFM 3 Core供一般設備運行,200億參數MoE架構的AFM 3 Core Advanced則針對語音與多模態優化,透過稀疏激活(每次僅激活10~40億參數)和將固定參數存入閃存的技術,解決了端側記憶體不足的瓶頸。雲端則有AFM Cloud、AFM Cloud Pro(運行於Google Cloud NVIDIA GPU)和圖像模型ADM Cloud Image。值得注意的是,這五款模型均由蘋果主導自研,底層借助了Gemini相關技術與Google Cloud基礎設施,並非直接引入Gemini。整套系統由「System Orchestrator系統編排器」統一調度,下轄App Toolbox、Spotlight索引、屏幕感知與雲端世界知識四大功能組件,共同構成Siri的智能底座。

這次發布最具技術份量的部分,反而是藏在功能背後的私密雲端計算(PCC)隱私框架。蘋果與Google花費大量資源共同構建了一條可驗證的端到端加密計算鏈:設備先透過遠端證明驗證雲端節點身份,確認後才加密傳送請求,推理過程在Intel TDX隔離的CPU環境與NVIDIA Blackwell機密計算保護的GPU環境中完成,任務結束後數據與臨時金鑰立即銷毀,連蘋果自身也無法讀取用戶內容。這是業界首次將機密計算技術整合為可全球規模運行的生成式AI端到端系統,技術門檻之高,被認為只有少數具備頂級基礎設施能力的公司才能實現。

然而市場反應依然冷淡,WWDC當週股價跌逾5%。投資人的疑慮集中在兩點:其一,目前發布的是beta版本,秋季才正式上線且僅限美國;其二,真正能驅動估值想象力的Agentic功能,需要徹底打通第三方App生態,但目前蘋果距此仍有相當距離——演示中連Uber比價訂車這樣的基礎跨App任務都尚未實現。歐盟的DMA競爭法同樣構成阻礙,要求蘋果允許競爭性AI助理接入,雙方談判數月未達共識,而歐洲是蘋果2025年營收高達1110億美元的第二大市場。從長遠看,蘋果掌握著用戶數十億設備上最完整的個人數字生活上下文數據,如果AI真正做起來,「context is king」的優勢將難以被任何對手複製。

---

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。