KeyFrame內部研究專用

蘋果AI慘輸Google,AI全外包後隱私還安全嗎?google是幕後贏家還是血汗打工人?

陳寗 NingSelect·6月22日週一·11 min中文

三句話摘要

蘋果AI的真正價值不在功能創新,而在於隱私保護與無縫整合。 蘋果AI的價值在於隱私信任與功能整合,而非技術創新——這才是「AI世界的革命」所在。 AI不需要搜尋外網資料才算完整。ChatGPT初期根本無此功能,個人AI助理的核心價值在於能讀取你的個人資料(日程、聯絡人、郵件歷史)來精確執行任務,就像真正的助理需要知道老闆的行程才能訂餐廳一樣。

重點整理

重點
  • 1

    AI不需要搜尋外網資料才算完整。ChatGPT初期根本無此功能,個人AI助理的核心價值在於能讀取你的個人資料(日程、聯絡人、郵件歷史)來精確執行任務,就像真正的助理需要知道老闆的行程才能訂餐廳一樣。

  • 2

    隱私限制是AI時代最緊迫的問題。Samsung員工曾用ChatGPT處理國家預算文件導致洩露、OpenClaw軟體誤刪用戶信件和照片、大陸AI用Tim哥影片訓練模型——這些實例說明AI權限必須被嚴格約束,否則造成的損害無法彌補。

  • 3

    蘋果的隱私優勢來自十年信任積累。從T晶片、M晶片整合、安全傳輸協議,到拒絕FBI和警方要求,蘋果建立了用戶對其隱私承諾的信心,這使得用戶願意放心讓Siri AI讀取手機資料。

  • 4

    蘋果AI的競爭優勢是整合度與隱私保證。Google修圖功能技術相同,但用戶擔心照片被用於訓練或出現在搜尋結果;用OPPO手機的用戶則要同時承受Google追蹤和大陸廠商監控的風險。

實用技巧與重點

乾貨
  • 工具與服務:
  • Ollama(本地大語言模型框架)
  • OpenClaw(龍蝦):AI助理,可讀取電腦所有資料
  • Grok:Elon Musk團隊的AI,可進行圖像合成
  • 美圖秀秀:被發現利用用戶照片
  • 具體事件:
  • Samsung員工用ChatGPT洩露國家預算書
  • OpenClaw用戶家中科技大佬誤刪妻子電腦所有桌面文件
  • 大陸AI訓練中被發現使用YouTuber Tim哥(影視颶風)的影片
  • Tim哥的深偽影片製作逼真程度足以亂真
  • 硬體與架構:
  • T晶片、M晶片整合
  • 蘋果安全傳輸架構
  • Siri功能:從推出第一天就能搜尋外網資料、提醒用戶資訊
  • 競爭產品:
  • OPPO X9(Android手機)

結論

結論

蘋果AI的價值在於隱私信任與功能整合,而非技術創新——這才是「AI世界的革命」所在。

完整解析

詳細

蘋果推出AI助理功能後,網路上出現兩種質疑聲浪。第一種認為蘋果AI用的是Google模型,所以與其用修改過的Google AI,不如直接買Android手機。第二種則說蘋果生態封閉,AI發展空間有限,且必須等iPhone 17才能用。陳寗在影片中逐一拆解這些誤解。

他首先釐清一個常見迷思:AI是否必須搜尋外網資料。事實上,ChatGPT初期完全無法搜尋外網,所有資訊都受年限限制。用Ollama建置本地語言模型要加入網路搜尋功能也並不容易,甚至許多AI會刻意限制上網以避免污染資料庫。Siri從推出第一天就能搜尋外網資料、提醒用戶和尋找餐廳,所以這根本不是蘋果的創新。但真正的關鍵在於另一個面向:個人AI助理必須讀取你的隱私資料才能真正幫助你。

用一個生活比喻:如果你跟助理說要去吃飯,卻不告訴他去哪裡、吃什麼、跟誰吃,助理怎麼幫你準備?同樣地,AI助理若無法存取你的行程、聯絡人、郵件歷史,就無法提供有價值的幫助。過去人們不敢把資料給ChatGPT是出於隱私恐懼。但隱私問題並非杞人憂天——Samsung聰明的員工曾用ChatGPT整理國家預算書,導致機密外洩。OpenClaw這類AI助理軟體會讀取電腦所有資料,使用教學都會特別強調要用獨立電腦,因為軟體可能誤刪用戶郵件、LINE訊息,甚至有科技大佬的妻子因此失去所有桌面檔案。這正是為什麼AI能力必須受到限制。

但蘋果的優勢恰恰在於十多年來對隱私的堅持——T晶片、M晶片整合、安全傳輸協議、拒絕FBI和警方要求。正因為有這份信任基礎,用戶才敢心放心讓Siri讀取手機資料。舉例來說,Siri可以查看你的iMessage歷史,提醒你某朋友十年前曾說喜歡某餐廳的小籠包,從而為你的訂餐決定加分。而Google、美圖秀秀等服務雖然技術相似,但用戶會擔心照片被用於AI訓練或出現在搜尋結果。近期大陸AI被發現用YouTuber Tim哥的影片訓練,製作出逼真的深偽影片,正是這類顧慮的實例。選擇用大陸OPPO手機的用戶更要同時承受Google追蹤和廠商監控的雙重風險。

因此,蘋果AI真正的卖点就兩項:整合度(打開手機就能快速使用,無需開啟單獨App)和隱私保障(用戶可放心將照片交給蘋果處理,確信不會被濫用)。功能本身並無創新,但信任與易用性的結合,才是其競爭力所在。

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。