共计 5503 个字符，预计需要花费 14 分钟才能阅读完成。
6 月 11 日凌晨 1 点，苹果公司召开今年的开发者大会 WWDC，用近半首场发布会篇幅讲述 AI 如何整合到苹果系统中，使其融入 Apple Intelligence，实现人工智能无形化。媒体和资本对此评价两极分化。一部分人认为苹果软硬件结合，在系统层面提供 AI 能力，给众多 AI 创业者带来巨大冲击；另一部分人则觉得苹果此次更新缺乏新意，新功能仍集中在常见的“文生图”“文本总结”“跨应用联动”等方面。不过，从发布会后股价上涨近 7.26% 来看，资本市场对“苹果 AI”基本满意。英文版 Apple Intelligence 今年秋天上线，其他语言版本要到明年才有后续，这半年时间里，AI 行业或许会有新变化，其他竞争者可能会对苹果的蓝图发起挑战。
科技公司全面卷入 AI
AI 浪潮涌起后，美股七雄（Alphabet、亚马逊、苹果、Meta、微软、英伟达和特斯拉）分化明显，市值排序起伏不定。6 月 5 日大涨后，“卖铲子”的 NVIDIA 市值超 3 万亿美元，超越苹果，距离微软的 3.15 万亿仅差不到 5% 的涨幅；微软借助 AI 登上榜首，借 OpenAI 的东风建立了更好的工具和商用系统，还推出了 AI-PC，23 年营收高达 2210 亿美元；Meta 用开源大模型造福国内公司，通过 AI 改进广告、内容审核和个性化推荐，利润翻了两番；亚马逊将 AI 整合到 AWS 框架中，着眼企业级 AI，还投资了 Anthropic，与 NVIDIA 合作 Blackwell Gpu；Alphabet 对标 OpenAI 节奏，稍有涨幅；特斯拉掉队，苹果则还在规划蓝图。
在大模型领域，科技公司存在“害怕错过”的心理，都想拥有独特优势；在产品和生态方面，后发制人具有一定优势。非盈利机构 OpenAI 是最大的推动力量，苹果与其合作顺理成章。苹果放弃造车后，专注于 AI 更广泛的应用，提出个人化 AI（Personal），与微软的工具性 AI（Azure/Microsoft365/Copilot）不同，它充分利用生态优势，更注重操作的“非 AI 感”，强调理解用户情境，与用户生活融合，并重视隐私保护。
苹果发布会上展示了一个例子，比如去机场接妈妈，Apple Intelligence 能直接读取妈妈发来的航班信息，查询航班延误情况和机场交通，自动生成行动时间表并更新在日程中，原本需要花费好几分钟安排的事情现在能自动完成。这与 Siri 类似，都是生活工作小助手的定位，但 Apple Intelligence 功能更强大。它用语言界面替代操作界面，更能理解人的需求和语言含义，不仅仅是在数值上表现更聪明。这是让 AI 与人类生活方式相契合，既巧妙又合理。
据“新皮层”报道，Apple Intelligence 的模型架构主要由 3 部分组成，按调用优先级分别是自研的端侧模型、云端模型和 GPT-4o 等第三方模型。其中自研模型是苹果发布的一系列小型模型，像可以读懂 iPhone 屏幕的多模态理解模型 ReALM（Reference Resolution As Language Modeling），OpenELM（开源高效语言模型）等。由于苹果的模型能力不及 OpenAI，所以选择接入第三方模型，且第三方模型可能不止 GPT-4o。《华尔街日报》3 月也曾报道，苹果还曾与百度初步谈判，打算在其中国版设备（如 iPhone）中使用百度的 AI 技术，不过苹果从未证实这一传闻。
如此看来，Apple Intelligence 更像是由多种模型组装而成的工具包，各部分发挥着不同作用。在苹果生态里，AI 并非简单的对话、唱歌、画图小软件，而是能帮人完成一系列复杂操作的 AI-Agent，它连接各平台设备，提升使用体验，一部分是以智能家居的方式，另一部分则充满想象空间。
当然，AI 的聚合与融合，离不开 AI 公司、资本、政府的高期望，而 AGI 就是这种期望的体现。若将实现 AGI 作为最终目标，当下的 AI 处于大力投入基础设施建设的阶段，包括投入算力、新型数据中心、模型等。这三类投资分别对应生产 GPU+ 卖 GPU 的云 + 用 GPU 训练模型的公司，即英伟达、AWS+Azure 和 OpenAI 等大模型公司。苹果算是其中的异类，它既不开发新模型，也未推出新应用，只是进行整合。
然而，AGI 的实现还很遥远。在 AI 造富的道路上，一些 AI 公司开始面临困境，出现破产、倒闭、寻求收购等情况。2024 年第二季度还未结束，曾经估值 10 亿美元、拥有 180 名员工、创造出 Stable Diffusion 系列模型的明星独角兽 Stability AI 就资金链断裂，寻求合并。前 OpenAI 和谷歌 AI 开发人员创立的 AI 公司 Adept 也在谈判出售价格。在这个“洗牌期”，即便有足够资金支撑的 AI 公司，也开始裁员并降低成本。
这些现象揭示了残酷的行业现状：所有 AI 公司 / 项目，包括巨头在内，盈利都很困难。连 OpenAI 都只能靠不断融资来维持 ChatGPT 高昂的运行成本。其他效仿其订阅模式和企业版模式的玩家，处境只会更艰难。Meta 为 AI 建设增加了约 100 亿美元预算，但未来几年内仍不指望盈利。
据行研机构 PitchBook 数据，AI 创企在 2021 – 2023 年获得了约 3300 亿美元投资，同比增长 2 /3，但很多 AI 创企的资金仍不够用，高昂的 AI 建设成本和人工成本拖垮了不少公司。
国内的情况是，炼制大模型的巨头虽能无忧生存，但因竞争激烈，打起了价格战。5 月 6 日深度求索（DeepSeek）发布的 DeepSeek v2，提供的 API 定价仅为 GPT-4-Turbo 的近百分之一，之后智谱、字节、阿里、百度、科大讯飞和腾讯都纷纷下调了部分大模型的 API 价格。
考虑到国内大模型大多面向企业用户和特定行业，可能是性能评测标准不够刺激，也可能是大模型落地困难，性能遇到瓶颈，只能进行同质化竞争，价格战成了国内大模型行业问题的缩影和最终解决方式。
国内的 AI 公司和产品长期对标 OpenAI，期望自家的 AI 在跑分、推理、表现等方面超过 GPT 系列，至于是否做到暂且不论，但其中存在一些误区。AI 与搜索引擎、平台入口、内容站不同，其技术性更强，在实际进入应用领域之前，是纯粹的科学和技术投入事业。
在国内环境下，人们对 AI 的实质和真正用途之间存在“理解鸿沟”，这首先是由大模型的黑箱性质造成的。同时，国内的 AI 产品，无论是豆包、元宝、Kimi，还是阿里激进投入整条赛道所做出来的东西，目前呈现出的能力很难让用户持续买单，更难以获得企业级用户的认同。毕竟 GPT-4o 和 Midjourney 早已设立了行业标准。
苹果 AI 为国内市场提供了新思路：跑分高只是抽象能力，自研模型够用即可，多模型融合、多层级协同，让 AI 实际发挥作用，融入整体应用环境才是关键。
理论上，AI 可以与人类制造的所有软件、系统、数据库、云、电子设备结合，并产生新的交互模式。例如，当 AI 掌握了搜索引擎的使用方法和用户需求，就会诞生新的流量和内容入口，搜索将成为 AI 的子功能，以往的计算广告投放模式也会受到影响。
AI 正在改变一切，重新安排事物的重要性。是时候拥抱新世界，创造新事物了。总比等苹果做好一切，国内再去模仿要强。AI 时代与流量时代截然不同，起码“模仿式创新”会变得更加困难。
AI 改变个人工作流，但尚未改变行业
生成式 AI 的冲击改变了科技行业的发展轨迹，但在普通人看来，这种冲击在 ChatGPT 发布之后逐渐减弱。文字工作者（如笔者）和广义的内容创作者们早已全面接受 AI。虽然 AI 很难创作出 80 分以上的作品，但它能高效满足创作者工作流中的各种离散需求，如快速生成大纲、与用户头脑风暴、模仿文风、修改文本、长文本翻译、文字 - 语音互转、信息获取、数据整理、梳理财报等，在这些方面 AI 表现出色。
在艺术、影视、教育、人文学术圈，AI 很受欢迎，它提供了快速试错和筛选的工具，自身也成为一种卖点和噱头，代表着机遇与危机感。任何研讨会加上“AI 时代”的名头，都能吸引更多注意力和流量。
这一波生成式 AI 的发展可能会经历四个阶段：惊艳的玩具、（多样化且具备替代效应的）生产力工具、个人化系统、（具有网络效应）的生态系统。目前的产品大多处于从第一阶段向第二阶段过渡的状态。
大部分 AI 产品，包括国外的，长期使用下来，除了内嵌在应用和网页中的 AI 以及特定用途 AI（如 wiki AI，notion AI，memo AI，Perplexity）外，大多华而不实，存在大量重复建设。
当下，AI 更多是给人带来新鲜感，对个人工作的助力大于对组织的改变，它只是改变了游戏的乐趣，并未改变游戏规则，就如同个人写作选择 Word 还是 Ulysses，只有细微的体验差别，与生产力并无直接关联。工具需要组织化、社会化、网络化，才能发挥最大效能（如微信和 github）。
回到产业层面，AI 尚未颠覆任何领域，也没有干掉任何公司，除了那些做二次开发（套壳）的公司，它们每次在 OpenAI 发布新产品时都会哀叹不已。在客服、审核等岗位存在行业替代性，但尚未大规模爆发，因为 AI 还不够先进，无法重塑流程。
与互联网浪潮不同，大模型时代或许不需要 Killerapp，无论 AI 多么强大，要整体提升工作流程、提供端到端的输出都比较困难。这些流程依赖长程推理、常识和行业专业知识，仅靠语义链接远远不够。
大模型作为概率模型，在低容错率场景下仍面临诸多问题，远没有人们想象的那么神奇。笔者在写这篇文章时，让 GPT-4o 查询 NVIDIA 近年股票和市值变化，这看似简单的问题，它需要先将问题拆解成步骤，分别搜索相应信息，再做总结，结果还出错了，速度甚至不如直接用搜索引擎。
此外，很多定制化工作中，可能 90% 的文档都无法满足大模型 Embedding 时的质量要求，需要进行大量数据清洗才能使用。而且大模型的注意力不够稳定，经常被不相关问题干扰，出现幻觉。
大模型的产品发展与互联网产品发展还有一个显著差异：边际成本非常高，模型成本远高于人力成本和买量成本。移动互联网时代的 App 可以小步快跑式迭代，但基于底层大模型 + 开源小模型的鸡尾酒分层打法的 App 尚未找到类似的迭代路径。因此，目前还不存在大公司被小公司弯道超车的可能性。
当然，假以时日，AI 也许能在软件编写方面有所作为。纽约市风险投资基金 Pace Capital 的创始合伙人 Chris Paik 在《软件的终结》一文中提出，大模型不一定会颠覆 toC 产品，但有可能颠覆软件生产。因为软件成本主要在于开发人员将人类语言翻译成计算机语言，而大模型或许在这方面比人更擅长，从而形成液态系统，建立中间层，连接一切。
“代码将变得灵活可塑，传统的技术栈概念将逐渐消失，取而代之的是由 AI 生成的微服务的流动海洋，这些微服务可以根据需要进行重新组合和再构。”苹果似乎也认同这一观点。
如果没有 AGI，你还会期待 AI 吗？
不要对 AGI 抱有过高期望。在业界热烈讨论 AGI 何时能实现时，学界泼了冷水。图灵奖得主、Meta 首席 AI 科学家杨立昆（Yann Lecun）不认可 AGI，他认为不存在通用智能，大模型也不可能通向 AGI。他还在 X 上表示，“如果你是一名对构建下一代人工智能系统感兴趣的学生，不要研究大型语言模型（LLMs）”。
杨立昆并非唯一反对 AGI 的人。李飞飞从另一个角度论证了类似观点，她认为无论大模型有多少参数，AI 都无法拥有“知觉”，即所有的感觉，如饥饿、疼痛、坠入爱河等，所以 AI 不可能拥有主观体验的能力，甚至无法接近人类智能。
李飞飞曾经的老师，香港大学马毅认为，当前生成 AI 的能力依靠规模定律（Scaling Laws）涌现，但规模定律并非物理定律，而是一种偶然，迟早会失效，AI 并非只有通过喂数据、堆参数这一种方式来构建。
马毅在接受《晚点》采访时说，“如果你的信仰就是 Scaling Laws，觉得把现在的系统做大就能实现 AGI，我觉得你该改行了。因为你已经不可能有作为了，你就只能做一个螺丝钉”。大模型是有极限的，随着语料库耗尽、Scaling Law 失效，以及算力和电力几何级数增加，内部黑箱无法破解，也许有一天，生成式 AI 的发展会停滞，这并非不可能。
回想 AlphaGo/Zero 大展神威的时代，人们对 AI 的能力既惊奇又恐惧，代表人类最强棋手的李世石输给 AI，似乎预示着碳基生命的命运走向。但现在看来，并非如此悲凉。
当时，笔者偶然与人工智能早期先驱、《GEB》作者侯世达（Douglas Hofstadter）见面，问他 Alphago 是否实现了某种意义上的“智能”，他回答说并非如此，即使 Alphago 战胜了人类，但与人类相比，AI 还是太简单，如同缸中之脑，对现实一无所知。他坚信深度学习无法实现智能，但可以很好地解决一些问题。
当 Sora 出现时，人们讨论它是否理解物理世界（尽管它内置了牛顿定律），物理主义者可能认为 AI = 大脑 = 智能 = 有无限潜力的理解工具，但有常识的人会认为这是个错误的问题。
如果没有 AGI，AI 前进的动力和目标是什么？OpenAI 联合创始人 Greg Brockman 有一个恰当的比喻，人工智能被“烘焙”进了经济之中。这意味着，AI 的部署需要与其他“原料”混合，它们以不同方式运作，经过一段时间后开始发挥作用。从消费者角度看，与 ChatGPT 的对话就像调用一次 API，如同访问一次网站、下载一部电影。随着技术发展，公司将 AI 细化，使其融入软件之间、用户界面以及无数中间层，功能变得越来越细微，用户会逐渐习惯 AI。
苹果对 AI 进行深度整合，即便表现平庸，至少可用。未来，也许 AI 能服务于每个人的日常生活，最终，人们无需察觉到 AI 的存在。大模型虽未诞生杀手级应用，但手机形态可能比大多软件商活得更久，这是从 2024WWDC 隐约能看到的图景。
