论文一窥苹果AI大计，Siri这回要变厉害了

5月7日消息，尽管外界普遍认为苹果在AI领域的动作较慢，实际上，苹果一直在悄然筹备，并等待合适时机发力。
通过分析研究论文，美媒可以看出苹果的AI策略逐渐明朗化。苹果正致力于优化AI模型，使之更加精简和高效。通过在设备上直接处理数据并改进存储方式，苹果已显著加快了处理速度并提高了模型效率。此外，苹果还开发了名为EELBERT的系统，该系统能显著减小模型的体积，同时尽量保持性能尽量不受影响。
在提升用户体验方面，苹果特别关注如何改进Siri，使其更智能地处理语音指令和查询。研究团队正在开发一种新技术，使Siri无需唤醒词即可激活，同时优化对模糊查询的处理。
此外苹果也意识到了AI在健康监测、创意设计和音乐编辑等多个领域的应用潜力。
苹果最雄心勃勃的AI项目之一则是多模态大语言模型Ferret。它能够根据用户的指令专注并理解指定的对象及其周围环境。Ferret的潜力不止于此，它甚至能解析屏幕上的内容。这一技术可能彻底改变人们使用智能手机和Vision Pro的方式。
以下是翻译内容：
在人工智能领域的竞争中，常有人误以为苹果起步较晚。自2022年底ChatGPT风靡全球以来，多数竞争对手都在加速追赶。虽然苹果偶尔参与讨论人工智能，并推出一些相关技术的产品，但外界普遍感觉苹果似乎仅是试探，而非全力以赴。
然而，近几个月的传闻和报道揭示了苹果的战略布局。实际上，苹果一直在等待合适的时机。最近几周有消息称，苹果正在与OpenAI和谷歌等巨头探讨合作，旨在增强其人工智能功能，并积极开发自己的人工智能模型，名为Ajax。
通过仔细研读苹果发布的人工智能研究论文，可以感知到该公司的AI策略日渐成型。当然，我们应认识到，从研究到产品的转化是一个复杂且充满不确定性的过程。但随着苹果预计在今年六月的全球开发者大会（WWDC）上展示其人工智能技术，我们将至少能一窥这家科技巨头的远大蓝图，以及其如何将这些技术融入日常生活。
更小、更高效的模型
我们共同期待的无疑是更优秀的Siri体验！更出色的Siri即将到来！苹果和全球科技界的许多研究都基于同一个前提：大语言模型（LLM）将立即提升虚拟助手的智能。对苹果来说，提升Siri意味着必须迅速部署这些模型，并确保它们普遍可用以便为用户提供服务。
最新报道指出，在iOS 18中，苹果计划让所有人工智能功能都能在设备上完全离线运行。即便拥有庞大的数据中心网络和数千个顶尖GPU，构建一个功能全面且出色的模型也并非易事，而在智能手机这样有限的空间内实现这一目标，更是难上加难。因此，苹果需要展示其非凡的创新能力。
在一篇名为《闪存中的LLM：有限内存下的高效大语言模型推理》（LLM in a flash: Efficient Large Language Model Inference with
Limited Memory）的论文中，研究人员设计了一种创新系统来存储模型数据。这种系统将数据主要存储在设备的SSD而非RAM上。
研究人员写道：“我们已证明能够在SSD上运行的LLM大小是可用DRAM的两倍，推理速度在CPU上提高了4到5倍，在GPU上提升了20到25倍。”他们发现，通过巧妙利用设备上最便宜且易于获得的存储空间，可以使模型运行得更快更高效。
此外，苹果研究人员还开发了一个名为EELBERT的系统，该系统能够将大语言模型压缩到更小的尺寸，同时基本保持其性能不受影响。他们在谷歌BERT模型上的测试成功将数据压缩到原来的1/15，即只有1.2兆字节，且质量仅下降了4%。然而，这种压缩确实带来了一些延迟上的妥协。
总体而言，苹果正在努力解决模型世界中的一个核心矛盾：模型越大，其性能越好，但同时也变得更复杂、更耗电，运行速度更慢。与许多其他公司一样，苹果也在寻找在这些方面达到最佳平衡的方法，并探索实现这一目标的最有效途径。
Siri将变得足够好？
在探讨人工智能产品时，虚拟助手的功能常常成为焦点——它们能获取信息、提醒事项、解答疑问，甚至代替我们完成任务。因此，苹果的许多人工智能研究专注于一个核心问题：如何将Siri提升至完美水平？
苹果研发团队正在探索一种无需唤醒词即可激活Siri的新方法。想象一下，无需再说“嘿Siri”或“Siri”，设备就能直觉地感知到你是否在与它对话。研究人员承认：“这一挑战比简单的语音触发检测要复杂得多，因为缺少了标志语音命令开始的明确触发短语。”为了解决这一问题，另一组研究人员致力于开发更精确的唤醒词检测系统。另一项研究中，他们训练了一个模型，以更好地理解那些通常难以被虚拟助手理解的罕见词汇。
大语言模型的优势在于其理论上能更快地处理大量信息。例如，在唤醒词研究中，研究人员发现，不是刻意排除所有不必要的声音，而是将所有声音都输入模型，让模型自己判断哪些是重要的，这样做可以显著提高唤醒词的识别率。
一旦Siri捕获到用户的声音，苹果便竭尽全力确保其能更好地理解并进行交流。其中一个创新是名为STEER的系统，该系统通过判断用户是在提出后续问题还是新问题，来改善与虚拟助手的交互。
另一个研究利用大语言模型处理“模糊查询”，使得无论用户如何表达，系统都能准确理解其意图。研究人员指出：“在不确定情况下，智能对话代理可能需要主动提问，以减少不确定性，从而更有效地解决问题。”还有一项研究致力于使生成的回答更加简洁明了，研究人员利用大语言模型优化了虚拟助手的语言表达。
AI在健康、创作以及音乐领域的应用
每当苹果公开讨论人工智能时，其焦点总是如何让这项技术改善日常生活，而非仅仅展示其技术力量。因此，尽管Siri得到了广泛关注，特别是苹果正试图与如Humane
AI Pin、Rabbit R1这样的设备竞争，同时谷歌也在将Gemini集成到所有安卓系统中，苹果显然看到了人工智能在多个领域的巨大潜力。
在苹果关注的诸多领域中，健康领域尤其重要。理论上，大语言模型能帮助我们分析从各种设备收集的海量生物识别数据，并理解这些数据的深层含义。因此，苹果一直在积极探索如何收集并整合用户的运动数据，如何利用步态识别和耳机识别用户身份，以及如何追踪和解读心率数据。为推进这一领域的研究，苹果还创建并发布了名为“最大的基于多设备多位置传感器的人类活动数据集”，收集了50名参与者的详细生物传感数据。
苹果还视人工智能为创新工具。在一项研究中，研究人员与动画师、设计师和工程师进行了深入交流，开发了名为Keyframer的系统。此系统允许用户迭代地构建和完善设计。与传统图像生成不同，Keyframer并非仅仅依赖输入提示符来生成图像，而是提供了一个工具箱，用户可以根据个人喜好调整和完善图像的各个部分。这一系统可广泛应用于从Memoji个性化设计到苹果更专业的艺术工具等多个领域。
另一项研究描述了一个名为MGIE的工具，该工具允许用户通过描述修改意图来直接编辑图像，如“让天空更蓝”、“让我的脸看起来不那么奇怪”或“添加一些石头”，MGIE能将这些指令转化为明确的视觉意图，并实现合理的图像编辑。尽管初期实验并非完美无缺，但其潜力已经显现。
在Apple Music中，人工智能的应用同样值得关注。一篇名为《资源受限的立体声唱歌声音消除》（Resource-constrained Stereo Singing Voice Cancellation）的论文探讨了如何将歌曲中的人声与乐器声分离的技术，这一技术如果被苹果采用，将为喜欢混音的TikTok或Instagram用户提供强大的工具。
苹果硬件与AI相结合
本文作者敢断言，随着时间的推移，苹果将越来越多地将人工智能技术融入其产品和服务，特别是在iOS平台上。苹果不仅将在其自家应用程序中集成这些功能，还计划通过API向**开发者开放。苹果一直自豪于其硬件性能，尤其是相比普通安卓设备。将强大的硬件与注重隐私的人工智能结合使用，无疑将为苹果在市场竞争中带来显著优势。
然而，谈到苹果最大、最具野心的人工智能项目，不得不提Ferret。Ferret是一个多模态大语言模型，可以根据用户的指令，专注并理解用户指定的对象及其周围环境。这项技术是为了应对当前常见的AI场景而设计的，即向设备询问周围的世界信息。
但Ferret的潜能不仅限于此，它还能解析并理解屏幕上的内容。在Ferret的相关论文中，研究人员展示了它如何帮助用户导航应用程序，回答关于App Store评分的问题，以及描述他们所看到的内容等。这对提高可访问性有深远的意义，也可能彻底改变人们使用手机、Vision Pro和智能眼镜的方式。
虽然我们对这些技术的设想可能看起来颇为超前，但想象一下，这些技术如何与苹果正在开发的其他产品相结合：一个能够理解你需求的Siri，配合一个能看见并理解屏幕上所有内容的设备，将真正实现手机的自我操作。苹果不需要对所有产品进行深度整合，只需运行相应的应用程序并自动点击正确的按钮即可。
必须指出，这一切目前还只是处于研究阶段。如果从今年春天开始，这些技术能够顺利运行并应用到实际产品中，那将是一项前所未有的技术成就。我们预计在今年的WWDC上，将见证苹果在人工智能领域的重大公告。
苹果CEO蒂姆·库克（Tim Cook）在2月份已经透露了这方面的信息，并在本周的财报电话会议上基本确认了这一点。有两件事已经很清楚：苹果在AI竞赛中处于激烈的竞争状态，这些技术可能会彻底改变iPhone。想象一下，将来你甚至可能愿意频繁使用Siri，这将是苹果在AI领域取得的重大成就。（小小）