全部 · 2026-06-08

这篇博客更像一份企业宣言，而不是产品更新。奥尔特曼把公司历史切成三段：研发、推向市场、现在要搞普及。但“普及、易用、安全”这三个词放在一起，本身就是一组矛盾——要易用就可能牺牲安全，要安全就很难快速普及。文章没解释怎么平衡。 三个目标里，“自动化 AI 研究员”听着像要造能自己搞科研的模型，但正文没披露任何技术指标或验证结果。“给全球每个人配一个专属通用人工智能”这个说法很宏大，可连“专属”是指一个模型实例还是个性化配置都没讲清楚。唯一具体的信息是当天秘密提交了 IPO 申请，这让人很难不把这篇博客看成上市前的定调。 文章还呼吁成立国际机构来管 AI 风险，甚至说必要时可以暂停前沿模型研发。但 OpenAI 自己就是前沿模型的主要推动者，这种“一边踩油门一边喊刹车”的立场，需要更具体的自我约束方案来支撑，否则就是表态而已。

Anthropic 这次发的是一个 Swift 包，让 Claude 模型直接接入苹果的 Foundation Models 框架。对开发者来说，最大的好处是省事：写三行代码就能调用，返回的是 Swift 原生类型，不用再手动解析 JSON。支持的场景包括多步推理、代码生成、联网搜索和数据分析，跑在 iOS 27、macOS 27 这些新系统上。 这件事值得关注的点在于，Claude 成了苹果官方 AI 框架里可选的第三方模型，不再是开发者自己绕路接 API。但正文没披露具体的延迟数据和成本对比，也没说和苹果自家模型在设备端推理上怎么分工。另外，iOS 27 意味着用户基数一开始不会太大，实际落地规模要看新系统铺开速度。 还缺一个关键信息：这个包是只支持云端调用 Claude，还是能走苹果的本地推理管线。如果是纯云端，那离线场景就指望不上。

苹果演示了一个挺直观的功能：在 Safari 里用大白话描述需求，比如“把网上的菜谱存下来并加备注”，浏览器就能当场生成一个扩展。这直接打 Safari 扩展生态薄弱的痛点——因为苹果对扩展开发卡得严，数量一直追不上 Chrome。用 AI 生成扩展，等于把开发门槛从写代码降到了说话，对普通用户吸引力不小。 但报道来自 The Verge 的 RSS 片段，正文没披露任何上线时间、需要的系统版本，也没说生成的扩展能有多复杂、能不能上架或分享。目前只能把它当成一个技术演示，离真正好用还有距离。另外，AI 生成的代码稳定性和安全性也是未知数，苹果后续怎么审核、怎么防止滥用，这些关键信息都缺。 我会先打个折：想法直接，落地待观察。如果苹果能把生成质量和安全审核跑通，这可能是 Safari 缩小与 Chrome 差距的一步好棋。

Sam Altman 这篇博客给 OpenAI 定了个两年后的目标：到 2028 年 3 月，让 AI 接手公司大部分研究工作。路径分三步走——先造出能自动做研究的 AI 研究员，再用它加速科学发现和产品开发，最后给每个人配一个个人 AGI，帮你处理工作、学习、写代码、做生意、健康文书和日常决策。 这个时间表很具体，但正文没披露任何验证标准。比如“AI 主导研究”到底怎么衡量，是论文产出量、实验设计能力，还是替代多少人力，全都没说。成本、安全措施和失败预案也一概缺席。Altman 画的是终点线，没画跑道。 我会先打个折。OpenAI 擅长用博客定调子，但 2028 年这个节点更像是内部动员口号，不是对外承诺。真正值得盯的，是他们接下来半年有没有放出能独立跑实验的 agent 原型，以及这个“个人 AGI”到底是订阅服务还是本地部署。这两点比时间表更能说明问题。

苹果在WWDC上宣布，App Store首次下载量不到200万的小开发者可以免费调用它的Foundation Models，跑在私有云计算上，不产生云端API费用。这个门槛跟它之前给小开发者降佣金的小企业项目思路一致，都是在用价格换生态粘性。同时，Foundation Models框架今年会加入图像输入和对第三方云端模型的支持，开发者可以接自己喜欢的模型做更复杂的任务。 不过，文章没写清楚免费额度是按月算还是按总量算，也没提超量后的阶梯价格。对想认真做产品的团队来说，免费只是第一步，模型能力、延迟和跟苹果生态的绑定成本才是决定去留的关键。另外，私有云计算虽然强调隐私，但实际审计报告和第三方验证情况正文也没展开，这点先别太激动。

这条合并对在本地跑 Gemma-4 的人来说是个实打实的性能提升。MTP 是 Gemma-4 用来加速推理的“多 token 预测”机制，现在 llama.cpp 正式支持了它的 E2B 和 E4B 两种助手模式。更关键的是，这次更新顺带修了 KV 缓存（模型用来记住上下文的临时记忆区）里一个低效操作：之前会反复拷贝缓存单元，现在直接避免了这些拷贝。从 PR 描述看，这能明显改善 MTP 场景下的性能，但具体能省多少内存、吞吐量提升百分之几，正文没给实测数据。另外，这个优化目前只针对 Gemma-4 的 MTP 实现，其他模型能不能复用这套逻辑，也没提。如果你正在用 llama.cpp 部署 Gemma-4，建议升到 b9551 之后的版本试试，但最好自己跑一遍基准测试，别光信合并公告。

苹果这次把 Gemini 接进来，不是简单调个 API，而是专门做了一套新架构来让模型在苹果系统里跑得更顺。但原文信息缺口很大：没说是 Gemini 的哪个版本，也没提模型参数量，更没给上线时间和哪些设备能跑。这些恰恰是判断这套方案实际能力的关键。 从现有描述看，这套架构的作用像是给 Gemini 在苹果生态里搭了一条专用通道，但端侧和云端各处理多少任务、延迟和隐私怎么平衡，全都没讲。苹果一贯强调端侧处理，如果这次大量依赖云端 Gemini，那跟它之前的隐私叙事会有冲突，这点需要等后续技术细节出来才能判断。 对从业者来说，值得关注的是苹果怎么解决“别人的模型跑在自己系统里”的工程问题，但目前能看到的只有方向，没有方案。

这次 WWDC 最实在的变化，是苹果终于不再硬撑自家模型了。新 Siri 的复杂任务处理直接用了谷歌的 Gemini 模型，苹果自己只做前端交互和任务拆解。对用户来说，Siri 能办的事确实变多了，比如跨应用订餐、整理行程，这些以前根本跑不通。但这也意味着，Siri 的智能水平现在要看谷歌的脸色，响应速度和回答质量都不完全在苹果手里。 TechCrunch 的报道主要展示了功能演示，没提端侧和云端的具体分工，也没说清哪些数据会送给谷歌处理。Bloomberg 的总结更偏向商业影响，同样没给出技术细节。两家都没披露谷歌模型的版本、延迟指标，或者离线场景下 Siri 会退化成什么样。 我会先打个折：功能看着热闹，但实际体验得等真机上手。苹果强调隐私保护，可一旦依赖第三方模型，数据怎么脱敏、请求怎么隔离，这些关键点发布会上一句没提。如果这部分处理不好，所谓的隐私优势就站不住脚了。

这条新闻本身信息量极低。苹果对外放话，说改造后的 AI 平台虽然部分用了谷歌的技术，但隐私保护机制还在。问题是 Bloomberg 的正文被反爬机制挡死了，我们看不到任何实质内容：不知道用的是 Gemini 还是别的模型，不知道推理是在手机本地跑还是调谷歌云，也没有第三方审计或隐私条款的具体说法。 对从业者来说，这里真正值得盯的点是“部分用了谷歌技术”到底指什么。如果只是用谷歌的 TPU 做训练，那隐私风险不大；如果是把用户请求直接发给谷歌的云端模型，那苹果过去一直标榜的端侧隐私叙事就要重新审视。目前这篇报道只提供了一个标题和一句摘要，所有关键细节都缺失。 建议等有完整条款或技术白皮书出来再下判断。如果苹果后续不公开模型调用链路和数据处理边界，那“隐私没丢”这句话就只能当公关表态看。

这条消息目前只有一个标题和 Hacker News 上的讨论链接，正文没披露任何技术细节。苹果到底怎么把 Gemini 嵌进自己的架构里、用的是 Gemini 哪个版本、是端侧跑还是云端调、什么时候上线，这些关键信息全都没有。51 个赞、6 条评论的讨论量也说明社区还没拿到能深挖的材料。 如果是真的，这意味着苹果在自有模型之外开始认真用第三方的底座模型，对开发者生态和隐私策略都会有影响。但眼下能确认的事实太少，连 MacRumors 的原报道正文都没被收录，只能看到 RSS 摘要。建议等苹果官方文档或 WWDC session 出来再下判断，现在这条更像是一个信号而非结论。

苹果在WWDC 2026给相册加了两个AI修图功能，一个是“重构图”，一个是“扩展画面”。重构图让你在拍完照片后，还能像重新摆机位一样调整透视——比如把头顶的路牌挪开，或者把没对准的眼神拉回来。操作是手指拖拽，实时预览，边缘模糊的部分由苹果的生成模型补全。扩展画面则是往外扩图，给主体留点呼吸空间，或者把歪掉的地平线拉直而不裁掉重要内容。 这两个功能听起来实用，但关键限制在正文里也写了：重构图只生成填补透视变化后留下的缝隙，不会整张图重画。这算是一种克制，能减少AI乱编画面的风险，但也意味着调整幅度有限，别指望能把一张侧脸照掰成正脸。另外，TechCrunch的报道没提这些功能是纯本地跑还是需要联网，也没说支持哪些机型。如果是本地跑，老机型可能用不上；如果要联网，隐私又是个问题。这两点苹果都没披露，先别急着觉得修图自由了。

苹果这篇声明很短，核心就一句话：因为欧盟《数字市场法》（DMA）的监管要求，Siri 的新 AI 功能不会随 iOS 27 和 iPadOS 27 在欧盟上线。至于被拦下的具体是哪些功能、延迟到什么时候，正文完全没披露。 这更像是一次提前的舆论站位，而不是产品说明。DMA 对大型科技平台有互操作性和数据使用的硬性规定，苹果可能担心 Siri 接入第三方数据或调用系统级能力时会踩线。但声明里没有给出任何技术细节或与监管机构的沟通进展，所以“DMA 导致延迟”目前只是苹果单方面的说法。 对欧盟用户来说，这意味着新系统到手后 Siri 的 AI 体验可能和其他地区有明显差距。对从业者，值得关注的是苹果后续会不会被迫开放更多接口，以及这种监管压力会不会蔓延到其他市场。

Dwarkesh Patel 把最近几年的 AI 进步归结为一句话：不是模型学得更省了，而是喂进去的数据更多、更好了。他把强化学习（RL）重新解释成一种合成数据生成——先砸算力用验证器筛出“好”答案，再让模型去预测这些答案，本质上和让它预测下一个词没区别。这个视角挺直接，也解释了为什么每个新技能都需要上百个人类专家写示例、定评分标准，催生出一个年收入几十亿美元的数据标注行业。 文章给了一组对比：人到成年大约接触 2 亿个 token，而前沿模型训练要用几十万亿到上百万亿 token，差距接近百万倍。人学遥控操作机器人只要几小时，自动驾驶模型需要的数据量比青少年学开车高出三到四个数量级。这些数字说明现在的模型在样本效率上几乎是个黑洞。 不过文章没给出任何解决方案，也没讨论为什么样本效率这么低。它只是把现象摊开，用“数据黑洞”这个比喻收尾。开源模型只落后闭源四个月，作者认为这恰好证明数据才是核心驱动力，因为数据可以从公开 API 蒸馏，而架构技巧很难抄。这个判断有道理，但正文没披露蒸馏的具体效果对比，也没讨论模型架构本身是否已经触及某种瓶颈。