不玩“套殼”遊戲！蘋果正面迴應 iOS 27 AI 爭議：Apple Foundation Models 系純正自研
重點摘要
蘋果在WWDC26發佈iOS27，其深度集成的人工智能體系Apple Foundation Models (AFM)成為焦點。針對“套殼Google Gemini”的質疑，蘋果高管強硬迴應：AFM並非簡單換皮，而是完全自主開發的成果，僅借鑑了部分Gemini技術。
### 不玩「套殼」遊戲！蘋果正面回應 iOS 27 AI 爭議：Apple Foundation Models 系純正自研
蘋果在日前舉行的 WWDC26 開發者大會上，正式發表了 iOS 27 作業系統，其中最受矚目的莫過於深度整合的人工智慧體系——Apple Foundation Models（AFM）。這項技術被視為蘋果在 AI 領域的關鍵布局，然而發表後卻立刻引發外界質疑，指稱 AFM 其實是「套殼」Google Gemini 的產物，並非真正自研。針對這波爭議，蘋果高層罕見地做出強硬回應，強調 AFM 完全由內部團隊自主開發，僅在部分環節借鑑了 Gemini 的設計思路。
#### 重點整理：AFM 是什麼？爭議從何而來？
Apple Foundation Models 是蘋果專為 iOS 27 打造的多模態 AI 核心，涵蓋文字、圖像、語音等多種能力，並深度嵌入系統底層，例如 Siri 升級、相簿智慧分類、郵件與訊息摘要等功能。由於蘋果過去在 AI 領域較為低調，外界普遍預期它會選擇與 OpenAI 或 Google 合作，而非從零開始。因此在 WWDC26 上，當蘋果展示出媲美 Gemini 的表現時，部分分析師與開發者便懷疑 AFM 只是「換皮」的 Gemini 版本，甚至有人挖出蘋果與 Google 過往的授權協議作為佐證。
#### 蘋果高層強硬回應：絕非簡單換皮
面對排山倒海的質疑，蘋果 AI 部門主管在會後媒體專訪中明確表示：「Apple Foundation Models 是一套從資料收集、模型設計到訓練流程都完全自主掌控的系統。」他強調，蘋果確實研究過 Gemini 的技術架構，但僅作為參考，就像所有 AI 團隊都會參考公開論文一樣。真正的核心演算法、資料管道與最佳化策略，都是蘋果多年來累積的成果。這番話等於直接否定了「套殼說」，並試圖挽回市場對蘋果自研能力的信心。
#### 背景脈絡：蘋果為何選擇此刻正面迎戰？
蘋果過去在 AI 領域的布局相對保守，主要依賴裝置端處理與隱私保護作為差異化賣點。然而隨著 ChatGPT、Gemini 等雲端 AI 迅速普及，消費者的期待已大幅提升。iOS 27 的 AFM 正是蘋果試圖在「隱私優先」與「強大功能」之間取得平衡的關鍵產品。若被貼上「套殼」標籤，不僅會動搖開發者與用戶的信任，更可能打亂蘋果未來在 AI 生態的節奏。因此這次罕見主動澄清，可視為蘋果捍衛自研技術形象的重要表態。
#### 可能影響：對蘋果生態與競爭格局的衝擊
若蘋果的說法屬實，AFM 將成為繼 M 系列晶片後，蘋果另一項自研核心技術。對開發者而言，這意味著未來 iOS 27 的 AI API 可能更具封閉性與獨佔性，從而強化 App Store 的護城河。對消費者來說，裝置端 AI 的處理速度與隱私保護將成為重要賣點，尤其在中國市場，蘋果若能證明 AFM 完全自主，也有助於避開部分地緣政治風險。另一方面，Google 與 OpenAI 可能會感受到壓力，因為蘋果正以「純自研」的角度切入，試圖重塑 AI 裝置的定義。
#### 讀者可關注的後續發展
這一事件後續仍有幾個關鍵觀察點。首先，蘋果是否會在 iOS 27 測試版中向開發者公開 AFM 的部分技術細節或白皮書，以證明其自研性。其次，第三方機構（如 AI 模型評測平台）能否獨立驗證 AFM 與 Gemini 的差異程度。此外，蘋果是否會開放 AFM 的 API 供第三方 App 使用，或者繼續維持封閉生態。最後，從長遠來看，蘋果在 AI 領域的自研路徑是否會延伸到未來的硬體晶片設計，例如針對 AI 推論的專用神經網路處理器，都值得持續追蹤。
總而言之，iOS 27 的 AI 爭議雖然短暫動搖市場信心，但蘋果這次正面回應的態度，也讓外界看到了它對自研技術的堅持。接下來就看實際體驗能否經得起考驗，否則再強大的官方說詞也難以說服挑剔的用戶與開發者。
Related
相關文章
Liquid AI Introduces LFM2.5-Embedding-350M and LFM2.5-ColBERT-350M: Dense Bi-Encoder and Late-Interaction Models for Fast Multilingual Search Across 11 Languages
This week, Liquid AI released two new retrieval models. They are LFM2.5-ColBERT-350M and LFM2.5-Embedding-350M. Both hold 350M parameters. Both are the first bidirectional members of the LFM family. They build on LFM2.5-350M-Base, released in March. The pair targets fast multilingual and cross-lingual search across 11 languages. Their footprint is small enough to run almost anywhere. Both are available now on Hugging Face under the LFM Open License v1.0. LFM2.5 Retrievers The two models share one backbone but represent text differently. LFM2.5-Embedding-350M is a dense bi-encoder. It turns each document into a single vector. Pick it when you want the fastest search and the smallest, cheapest index. LFM2.5-ColBERT-350M is a late-interaction model. It converts each token into a vector rather
Perplexity Launches Brain, a Self-Improving Memory System That Builds a Context Graph of an Agent’s Work and Learns Overnight
Most AI memory remembers the user. It stores your preferences, your tastes, and your role. Perplexity is taking a different path. Today, Perplexity launched Brain, a self-improving memory system for its agent product, Computer. Brain does not focus on remembering you. It remembers what the agent did. That reframes what memory in AI is for. What is Perplexity‘s Brain Brain is a self-improving memory system. It builds a context graph of the work Computer performs. At set intervals, such as overnight, Brain reviews that graph. It then teaches itself how to do the work better. The idea is straightforward. The more work you do, the more efficient Brain makes your Computer. Brain is rolling out today to Perplexity Max and Enterprise Max subscribers in Research Preview. Two Axes of AI Memory Perp
智譜新高，MiniMax承壓，“大模型雙雄”命運殊途
這篇消息聚焦「智譜新高，MiniMax承壓，“大模型雙雄”命運殊途」。原始導語提到：大模型在被市場重新定價 從 AI 情報角度來看，這類內容值得關注其背後的技術進展、產品落地、產業競爭與後續市場影響。
華為昇騰 0 Day 支持智譜 GLM-5.2 模型，提供全面推理優化
華為昇騰 AI 宣佈在智譜開源 GLM-5.2 大模型當天即完成深度推理優化。通過 MOE 大融合算子、通信計算融合、高併發調度等七項關鍵技術，顯著提升編程和長程任務的處理效率，現已支持 A3 系列產品部署。#AI 大模型# #國產算力#
企業AI轉型再添利器：青雲科技算力雲接入 MiniMax-M3 模型
企業AI落地面臨高效低成本難題。青雲科技旗下基石智算平臺接入國產開源大模型MiniMax-M3，提供新算力支持。MiniMax-M3以卓越上下文處理能力等三大核心技術見長，依託自研架構，助企業便捷部署AI業務。
阿里開源統一科學大模型 LOGOS，僅用五十六分之一參數超越微軟
阿里 ATH-Token Foundry 聯閤中國人民大學高瓴人工智能學院開源科學基礎模型 LOGOS。該模型採用統一科學語法與純序列建模範式，在六大科學任務上匹配或超越傳統專用方法。其中 LOGOS-1B 僅 1B 參數，即展現出極高效率，性能超越參數量達 8×7B 的微軟模型。