苹果向谷歌支付1万亿韩元的真正原因

开篇

订阅者朋友，您好，这里是OZ Talking。“灾难（disaster）。”2025年12月，Wedbush的分析师Dan Ives用这个词形容了苹果的AI战略。Needham的Laura Martin则表示“落后于竞争对手1到2年”，而Siri至今仍是段子的素材。然而在2026年6月8日，苹果却在WWDC舞台上一口气发布了5个自研基础模型¹​。这里值得关注的并不是模型性能。苹果打造这些模型的方式和结构，才是真正的新闻。个人认为，这是本届WWDC 2026中最值得关注的部分，但似乎被淹没了，所以想借此机会提一提。

先说结论：苹果并不是在AI军备竞赛中输了，而是压根在打一场完全不同的比赛。

🏗️ 在6000亿美元军备竞赛中独自缺席的公司

如今大型科技公司的AI基础设施投资规模，达到了史无前例的水平。以2026年为基准，来看看主要企业的年度CapEx²​。

• 亚马逊：约2,000亿美元
• 微软：约1,900亿美元
• Alphabet（谷歌）：约1,800亿美元
• Meta：约1,250亿美元 仅这四家公司加起来，每年就超过6,000亿美元。折合韩元约830万亿韩元，相当于韩国政府年度预算的约1.2倍。这笔钱都花在哪里呢？用来购买GPU、建设数据中心、训练更大规模的模型。微软在最近的财报发布会上甚至表示，其年度CapEx中约250亿美元是因为“内存零部件价格上涨”所致。史上规模最大的基础设施投资，正在同时发生。

那么苹果呢？2025年全年CapEx为127亿美元。2026年预计约为140亿美元。仅为四大科技巨头合计的1/40水平。苹果一年的投资，甚至比谷歌一个季度花的钱还要少。

华尔街的反应十分严苛。Wedbush的Dan Ives将苹果的AI战略称为“灾难”，甚至表示：“华尔街没有人相信苹果相较于微软、谷歌、Meta、OpenAI取得了有意义的AI成果。”据Quartz报道，也有分析指出苹果内部自己也评估认为，相较于OpenAI和谷歌落后了2年。

但仔细拆解WWDC 2026的发布内容，画面就完全不同了。可以看出，这家公司并不是没花钱，而是花钱的方式完全不同。同一个目的地，走的是完全不同的路径。

💰 一堂1万亿韩元的课，拆开来看它的结构

2026年1月，苹果与谷歌正式宣布了一项多年期AI合作。据彭博社Mark Gurman报道，规模约为每年10亿美元（折合韩元约1.4万亿韩元）。苹果由此获得了对谷歌Gemini（参数规模达1.2万亿的前沿模型）的访问权限。这里有一点很多人存在误解。有种反应是“苹果最终不还是把AI交给谷歌了吗”，但实际结构完全不同。

核心在于一种叫做蒸馏（distillation）³​的技术。参考庞大“教师模型”（Gemini）的输出，来训练小而高效的“学生模型”（AFM）。WWDC结束后，苹果高级副总裁Craig Federighi这样说道：

“我们使用的谷歌助手用量为零。”

负责AI的副总裁Amar Subramanya的表述则更为准确。他说：“所有模型都是为苹果芯片定制构建的，是用Gemini前沿模型的输出精炼（refined）而成的。”

总结一下，结构是这样的：

• 教师：谷歌Gemini（1.2万亿参数）
• 学生：苹果AFM 3系列（5个模型）
• 授课方式：蒸馏 ≈ 将Gemini的输出用作训练信号
• 考试（运行时）：不依赖Gemini，由AFM独立推理 上课归上课，考试却是自己一个人考的。打个比方，就像每年花1万亿韩元请最好的家教来上课，但毕业证书上写的是自己的名字。

这在2026年的AI行业中正逐渐成为一种模式。真正自研前沿模型的企业只是少数，其余企业则是将其成果蒸馏后，再加工为适合自己产品的形态。苹果是以最大规模、最明确的方式采用这一模式的案例。以下是近期在马斯克与OpenAI的诉讼中提到的、关于蒸馏的“行业？”标准。

站在法庭上的马斯克：“大家都是这么做的”一直在指责DeepSeek的美国大型科技公司，在自己国内也早已司空见惯。oztalking.com

还有一点需要提一下，那就是这笔交易对谷歌意味着什么。据The Information报道，苹果在自家数据中心内获得了对Gemini模型的完整访问权限。这不仅仅是调用API的级别，而是直接拿到模型权重本身，用来运行蒸馏流程的结构。对谷歌而言，这意味着获得了每年10亿美元的稳定收入，同时也确保了AFM 3 Cloud Pro能够在自家云基础设施（Google Cloud + NVIDIA GPU）之上运行。这对双方来说都是一笔合理的交易。

Fortune围绕这一结构提出了一个有趣的问题。“AI模型会成为可互换的商品，还是会成为持续竞争优势的来源？”苹果押注的是前者。因为如果模型变成了一种商品，那就没必要花费数千亿美元自己去研发，只需拿来最好的模型进行蒸馏即可。

📱 真正的武器不是模型，而是20亿部装在口袋里的设备

那么，苹果把省下的成本集中投向了哪里呢？答案是端侧AI（on-device AI）。

**AFM 3 Core Advanced是本次发布的技术亮点。这是一个拥有200亿参数规模的模型，却能在只有12GB RAM的iPhone上运行。这在通常情况下是不可能的。因为一般的LLM需要将全部权重加载到DRAM中。**这个模型使之成为可能的功能包括：“带情感的自然TTS（文本转语音）语音、更精准的听写，以及能够理解图像的多模态处理”，也就是说，诸如Siri这样的功能，全部都是在设备本地运行，无需借助云端。这在技术上是了不起的成就。

2024年首次发布Apple Intelligence时，端侧模型的规模是30亿参数级别。短短两年间，规模扩大了近7倍，而使这一切成为可能的，正是苹果研究团队开发的一项名为IFP（Instruction-Following Pruning）⁴​的技术。其工作原理是这样的：

• 将全部200亿参数存储在NAND闪存⁵​中，也就是存储照片或应用程序的那块内存。
• 用户提出问题时，一个轻量级的预测模块会挑选出该请求所需的“专家”，将其加载到DRAM中。
• 每个prompt实际被激活的参数为10亿到40亿个，剩下的160亿个则依旧“沉睡”在闪存中。 一般的MoE⁶​模型需要按token切换专家，导致内存带宽成为瓶颈，而IFP则是按prompt做一次性的路由决策。这相当于用架构设计绕开了NAND-to-DRAM带宽较慢这一现实制约。

这为什么重要呢？**无论是ChatGPT、Gemini还是Claude，基于云端的AI最终都需要向服务器发送请求。这需要网络，数据也会流向外部。而苹果的端侧模型完全不存在这个过程。隐私由此在结构上得到了保障。**更繁重的任务会被转交给苹果自研的服务器Private Cloud Compute，即便在这里，用户数据也不会被存储，包括苹果在内的任何人都无法访问。

这里还有一个数字值得关注。苹果的活跃设备数量超过20亿台。相比之下，ChatGPT的周活跃用户为4亿（截至2025年12月），Gemini的月活跃用户约为3.5亿。苹果做的不是打造一款全新的AI应用，而是通过操作系统更新，把AI部署到已经装在人们口袋里的20亿台设备上。

从模型性能竞争的角度看，AFM 3很难胜过GPT-4o或Gemini 2.5 Pro。但在自家的基准测试中，代际间的飞跃是显而易见的。在苹果的人工评估中，AFM 3 Cloud在文本任务上相较前代以64.7%对8.7%的比例获得偏好，在图像理解方面则是37.8%对9.6%。而且今年Foundation Models框架首次支持图像输入，第三方应用开发者也能够将端侧多模态AI直接集成到Swift应用中。

这意味着，苹果想做的并不是拿下基准测试的第一名。而是把“足够好”的模型，交付给“尽可能多的人”，并在这个模型之上，打造一整套应用生态。如果说ChatGPT或Gemini是某一款应用，那么苹果的策略，是把AI植入到承载这些应用的操作系统本身。

Oswarld视角

坦白说，看完这次发布，我首先看到的不是技术，而是分销战略。

在制定技术经营战略的过程中，我反复确认过一种模式。在技术市场上，“最好的产品”获胜的情况，比想象中要少见得多。更常获胜的，是“足够好的产品+压倒性的分销”这种组合。VHS战胜Betamax如此，安卓占据智能手机市场70%份额也是同样的结构。

我认为，如今AI市场正处于类似的转折点。前沿模型之间的性能差距正变得越来越小。GPT-4o、Gemini 2.5、Claude 4之间，只凭基准测试1到2分的差距就在排名上互相易位（水涨船高式趋同）。用户能感受到的差异越小，选择的标准就越会从模型性能转向可及性与集成度。这是模型正在进入商品化（commoditization）阶段的信号。

如果这个方向是对的——如果决定胜负的不是模型本身，而是谁、在哪里、以何种方式部署模型——那么苹果这笔140亿美元的战略，就不是浪费，而是先见之明。当然，这是一个很大的“如果”。

风险也同样明显。AFM 3在发布之初，无法在欧盟和中国大陆的iPhone、iPad上使用。考虑到苹果20亿台活跃设备中，相当一部分位于这两个市场，“最大规模部署”这一战略的前提条件出现了漏洞。而“足够好”的模型是否真的足够好，也要等到今年秋天正式投入实际使用之后才能得到验证。

结语

总结一下：苹果并不是在AI军备竞赛中输了，而是选择了一场把军备竞赛的成果重新加工并部署出去的游戏。它每年花1万亿韩元蒸馏谷歌的前沿模型，并将省下的成本集中投入到端侧架构上。

这一战略若要奏效，AI模型就必须持续走向商品化。一旦某个模型拉开压倒性差距，这一战略就会崩塌，但从目前的走势来看，这种可能性正在逐渐降低。AI竞争真正的问题，或许不是“谁能造出最聪明的模型”，而是“谁能率先抵达20亿人的口袋”。

💬 订阅者朋友，您认为AI中更重要的是“模型性能”，还是“部署规模”？欢迎在评论区留下您的看法。

参考资料与延伸阅读

核心来源

• Apple Machine Learning Research，“Introducing the Third Generation of Apple’s Foundation Models”，2026.6.8。：这是今天这期通讯的技术依据，来自苹果官方发布。
• Bairu Hou等，“Instruction-Following Pruning for Large Language Models”，Apple AI/ML与加州大学圣塔芭芭拉分校，ICML 2025。：这是IFP技术的原始论文，展示了30亿激活参数的模型性能可以接近90亿参数的密集模型。
• ofox.ai，“Apple’s Third-Generation Foundation Models: A Developer’s Read on WWDC 2026”，2026.6.8。：这是从开发者视角出发，对Gemini蒸馏结构梳理得最为准确的一篇文章。

背景知识

• Fortune，“While big tech burns cash on AI, Apple waits”，2026.2.17。：这是一篇用“模型商品化”假说，分析苹果CapEx克制战略的专栏文章。
• CNBC，“Apple is facing pressure from Wall Street to figure out its AI strategy”，2025.7.30。：这篇报道展示了在WWDC之前，华尔街是如何看待苹果AI的。
• VentureBeat，“On-device AI agents hit a hard memory limit. Apple’s new architecture routes around it.”，2026.6.9。：这篇文章很好地阐述了IFP以及基于NAND的端侧推理在技术上的意义。

作者安光涉是世宗大学经营学教授，也是 OBF（Oswarld Boutique Consulting Firm）首席顾问。他在大学教授经营数据管理、商业分析等统计与数据分析课程，同时在产业现场负责 GTM 与人工智能战略咨询，设计技术与商业的连接方式。他曾发表关于 AI 对话系统记忆架构（HEMA）的学术论文，并运营每日策展全球 AI 论文的 Daily Arxiv 项目。他毕业于高丽大学技术经营专业研究生院与 KMBA，著有《把思考交出去的人：Homo Brainless》。

注释

1. 基础模型（Foundation Model）：经过大规模数据预训练、可通用于多种任务的AI模型。GPT、Gemini、Claude等都是其代表。 ↩

2. CapEx（Capital Expenditure，资本性支出）：企业在设备、基础设施、装备等方面投入的费用。在AI时代，GPU采购和数据中心建设费用占据了其中的大部分。 ↩

3. 蒸馏（Distillation）：一种将庞大“教师模型”的知识转移到较小“学生模型”中的训练技术。学生模型通过模仿教师模型的输出进行学习，从而在较小的规模下也能实现较高的性能。 ↩

4. IFP（Instruction-Following Pruning）：苹果开发的一种动态剪枝技术。通过分析用户的输入（prompt），挑选出该任务所需的参数并加以激活。与以往永久性缩减模型规模的剪枝方式不同，它可以在每次请求时激活不同的部分。 ↩

5. NAND闪存：智能手机或SSD中用于存储数据的非易失性存储器。速度比DRAM慢，但容量大得多，且断电后数据仍能保留。苹果将这一存储空间用作AI模型的“仓库”。 ↩

6. MoE（Mixture of Experts）：一种在模型内部设置多个“专家”网络、并根据输入只激活其中一部分的架构。相较于总参数量而言，可以减少实际的运算量，因此被用于大规模模型的高效运行。 ↩