מחקר למידת מכונה בתוך אפל הפך לאחד ה... חלקים מרכזיים להבנת האופן שבו בינה מלאכותית מתפתחת כאשר זה מוצג לציבור הרחב. אנחנו לא מדברים רק על מודלים מרהיבים מבוססי ענן, אלא על בינה מלאכותית שחיה על האייפון, האייפד, המק או השעון של אפל שלכם, ופועלת ישירות על המכשיר עם דגש כמעט אובססיבי על פרטיות.
במאמר זה נפרט כיצד זה עובד בפועל מחקר למידת מכונה של אפל ומערכת האקולוגית של אפל אינטליגנציהאילו טכנולוגיות הם משתמשים, אילו מסגרות יש לך כמפתח, כיצד מאורגן המחקר הפנימי, מינויו של עמאר סוברמניהאיזה תפקיד ממלאים מחשבי מק עם הסיליקון של אפל, ומדוע החברה מתעקשת כל כך על מושגים כמו "עיבוד במכשיר" או "מחשוב ענן פרטי"? תתחילו להתרכז, כי אנחנו הולכים לכסות הכל בפירוט. בואו נתחיל עם מדריך מקיף על... מחקר למידת מכונה של אפל: כך אפל חוקרת בינה מלאכותית ולמידת מכונה.
אפל אינטליגנציה: ההימור של אפל על בינה מלאכותית אישית ופרטית
אפל קראה ל-"מטריית התכונות החדשות של בינה מלאכותית" שלה כ- אפל אינטליגנציה, מערכת בינה אישית הוא משתלב עם iOS, iPadOS, macOS ופלטפורמות אחרות. הרעיון ברור: בינה מלאכותית מבינה את ההקשר שלך, את סדרי העדיפויות שלך ואת הנתונים שלך, אבל בלי שתצטרך לוותר על הפרטיות שלך.
בפועל, Apple Intelligence ניכרת בפונקציות יומיומיות כגון מיין התראות ואימיילים לפי מה שחשוב לך באמתכתוב מחדש, תקן או סכם טקסטים באמצעות כלי הכתיבה, או צור בקלות תמונות מתוך המערכת. כל זה נתמך על ידי מודלים בסיסיים חזקים המותאמים להפעלה על המכשיר.
ייחודיות בולטת אחת היא שאפל החליטה שהמערכת שלה של יצירת תמונות אינה יוצרת דיוקנאות פוטוריאליסטיים של אנשיםהסגנונות יהיו יותר אילוסטריים או יצירתיים, כדרך לרסן את השימוש בעומק זיופים ובניצול לרעה נפוצים אחרים בבינה מלאכותית גנרטיבית.
החברה שילבה גם בינה מלאכותית בפונקציות ספציפיות מאוד, כגון עריכת תמונות חכמה להסרת אלמנטים לא רצויים, שיפור הערות בכתב יד באייפד (תיקון כתב היד שלך בעזרת למידת מכונה), או יצירת איורים מסקיצות מהירות בפנקס הרשימות הדיגיטלי שלך.
פרטיות קיצונית: בינה מלאכותית במכשיר ומחשוב ענן פרטי
אחת האובססיות הגדולות ביותר של אפל היא שבינה מלאכותית תפעל, בכל הזדמנות אפשרית, ישירות על המכשיר כדי לספק הגנה מרבית על נתונים אישייםכאשר אפל מדברת על Apple Intelligence, היא מתעקשת שהמערכת "יודעת את המידע שלך, אבל לא שומרת אותו".
משמעות הדבר היא שפונקציות רבות של טקסט, קול, תמונה או הקשר משתמשות במודלים שפועלים באייפון, אייפד או מק, תוך הסתמכות על שבב הסיליקון ומנוע העצבי של אפל. זה פונה לענן רק כאשר נדרש יותר כוח או זיכרון.וכאן נכנס לתמונה מחשוב ענן פרטי.
מחשוב ענן פרטי מאפשר לתהליכים מסוימים לפעול ב שרתים עם שבבי אפל, שתוכננו במיוחד לעיבוד הנתונים שלך בבידוד ולמחוק מידע זה לאחר השלמת המשימה. אפל מבטיחה שגם במקרים אלה היא לא תיצור פרופילים אישיים או תקשר את הנתונים לזהותך.
פילוסופיה זו משתרעת גם על פונקציות ספציפיות כגון תמלולים בזמן אמת של שיחות או הקלטות. השיחות עוברות עיבוד ליצירת טקסט וסיכומיםאך תמיד תוך שמירה על ההנחה של אי חשיפת תוכנו מעבר לנדרש לחלוטין וליידע את המשתתפים כאשר שיחה מתועתקת.
יסודות טכניים: מודלים בסיסיים וממשקי API ברמה גבוהה
בלב ליבה של Apple Intelligence נמצאים ה- מודלים בסיסיים, מודלים של שפה גדולה ומודלים רב-מודאליים מיועד למגוון משימות יומיומיות: סיכום, חילוץ מידע, סיווג, יצירת טקסט מובנה או קיום דיאלוגים.
אפל יצרה מבנה פיתוח חדש בשם דגמי יסוד אשר מספק גישה תכנותית למערכות LLM אלו המותאמות למכשירים. עבור מפתח, ניתן לצמצם את החוויה לשלוש שורות קוד: ייבוא המבנה, יצירת סשן ושליחת הנחיה למודל.
מעבר ליצירת טקסט רגיל, המבנה תומך במה שהם מכנים דור מודרךבעיקרון, ניתן להגדיר סוגי נתונים באפליקציה ולסמן אותם כ"ניתנים לגיוון", תוך הוספת תיאורי שפה טבעית ואילוצי ערך. לאחר מכן המודל מאכלס את המבנים שלך ישירות, מבלי שתצטרך להתאמץ עם JSON או סכמות ידניות.
יכולת מרכזית נוספת היא ה- קריאה לכליבמקום פשוט לייצר טקסט, המודל יכול להחליט מתי להפעיל פונקציות שאתה מגדיר: לבדוק את הנתונים בזמן אמת, לקרוא את היומן, לגשת למידע על אפליקציה או לבצע פעולת מערכת. זה מרחיב את הידע של המודל מעבר למה שידע בזמן האימון שלו.
עם זאת, יש לציין כי דגמים אלה במכשיר אין להם הרבה ידע או נתונים עדכניים כמו למגה-מודל במרכז נתוניםההכשרה שלהם קפואה בזמן, כך שבמקרים הדורשים מידע חדש או ספציפי מאוד, מומלץ להשלים עם מקורות חיצוניים באמצעות כלים או שירותים מבוססי ענן.
ממשקי API של אפל המופעלים על ידי למידת מכונה
בנוסף למודלים של הקרן, אפל משלבת מזה שנים ממשקי API ייעודיים המופעלים על ידי למידת מכונה עבור משימות ספציפיות, לעתים קרובות עם כמה שורות קוד בלבד.
בתחום הראייה הממוחשבת יש חָזוֹןעם למעלה מ-30 ממשקי API להבנת תמונות ווידאו: זיהוי פנים, מעקב אחר אובייקטים, סיווג, זיהוי טקסט וכו'. בגרסאות האחרונות, Vision הוסיפה שיפורים מרכזיים כגון זיהוי מסמכים חכם יותר (קיבוץ פסקאות, כותרות, טבלאות...) ודרך ל זיהוי נקודות עדשה שמאתר לכלוך שיכול להרוס תמונה.
עבור טקסט ושפה טבעית, אפל מציעה שפה טבעיתמה שמאפשר לך לזהות את השפה, לפרק משפטים, לתייג חלקי דיבור ולזהות ישויות בעלות שם (אנשים, מקומות, ארגונים וכו'). יש גם את המסגרת תרגום, המתמקד בתרגום טקסטים בין שפות מרובות, שימושי מאוד כשרוצים להציע חוויות רב-לשוניות מבלי להיות תלויים תמיד בשירותים חיצוניים.
באודיו ובסאונד ישנם שני חלקים חשובים: ניתוח קול, כדי לסווג קטגוריות של צלילים (סירנות, צעדים, צלילי סביבה וכו'), ו נאוםעבור זיהוי ותמלול דיבור, Speech התפתח מ-SFSpeechRecognizer, שתוכנן בעיקר להכתבות קצרות, ל-API החדש. מנתח דיבורמיועד לאודיו ארוך וגמיש יותר.
SpeechAnalyzer עובד ישירות עם מאגרי שמע המומרים למודל חדש של דיבור לטקסט מהיר יותר וגמיש יותר, אידיאלי לכנסים, פגישות, פודקאסטים או שיחות מרחוק. כל זה עדיין קורה בעיקר במכשיר, מה שתואם בצורה מושלמת את הדגש של אפל על פרטיות.
ממשקי API ליצירת מערכת: תמונות, תגובות חכמות ועוד
אחת הדרכים הקלות ביותר להוסיף בינה מלאכותית גנרית לאפליקציות שלכם היא להסתמך על ה- ממשקי API שכבר משולבים במערכת ההפעלה, ללא צורך להתחבר לשירותים חיצוניים או לנהל מפתחות של צד שלישי.
לדוגמה, החל מ-iOS 18.4, המסגרת מגרש משחקים כולל את הכיתה יוצר תמונותמאפשר יצירת תמונות באמצעות קוד החל מטקסט תיאורי וסגנון, אתה יוצר מופע של היוצר, שולח את ההנחיה ומקבל וריאציות שתוכל לאחר מכן להציג או לשלב כרצונך באפליקציה שלך.
בתחום המסרים, אפל שילבה את ה-API של תשובה חכמה, אשר מאפשר תגובות חכמות שנוצרו מהמקלדת שימוש בהקשר של שיחה. כדי להשתמש בו, האפליקציה מספקת הקשר שיחה (להודעות או דוא"ל) לפני הופעת המקלדת, והצעות מוצגות למשתמש כחלופות מהירות.
בצ'אטים של הודעות מיידיות, התגובה שנבחרה מוכנסת ישירות לשיחה. באפליקציות דוא"ל, לעומת זאת, היא מועברת לשיטה כמו הכנס הצעת קלטמה שמאפשר לאפליקציה ליצור תגובות ארוכות או מותאמות אישית יותר בהתבסס על הצעה ראשונית זו.
רבות מיכולות אלו "עוברות בירושה" כמעט באופן אוטומטי בעת שימוש ב- פקדי ממשק טקסט סטנדרטיים מהמערכת: אם האפליקציה שלך מציגה תצוגות טקסט מקוריות או שדות כתיבה, Apple Intelligence מפעילה את כלי הכתיבה, Genmoji או Image Playground עם מעט מאוד הגדרות נוספות, אם בכלל.
כיצד לאמן ולהתאים מודלים: Core ML, Create ML וכלים נלווים
כאשר ממשקי API ברמה גבוהה לוקים בחסר, מפתחים יכולים לפנות אליהם Core ML, מסגרת הבסיס לפריסת מודלים של למידת מכונה במכשירי אפלCore ML עובד עם מודלים בפורמט משלו המתאר קלטים, פלטים, ארכיטקטורה ומשקלים נלמדים.
אפל שומרת מידע זה בכתובת developer.apple.com קטלוג של מודלים פתוחים שכבר הומרו ל-Core MLמאורגן לפי קטגוריה, עם תיאורי יכולות, גרסאות ומידע על ביצועים משוערים במכשירים שונים. בנוסף, אפל משתפת פעולה עם הקהילה דרך המרחב שלה ב פנים מחבקותהיכן שמפורסמים מודלים, הגדרות PyTorch וזרימות אימון וכוונון.
כדי להמיר מודלים ממסגרות כמו PyTorch או TensorFlow לפורמט Core ML, יש את... כלי ליבה של למידה אלקטרוניתזוהי קבוצה של כלי עזר אשר לא רק מתרגמים את הארכיטקטורה אלא גם מיישמים אופטימיזציות לביצוע על השבב של אפל. אלה כוללים מיזוג פעולות, ביטול חישובים מיותרים וטכניקות דחיסה כגון כימות, גיזום והתאמות לאחר אימון.
טכניקות דחיסה אלו הן אופציונליות ומאפשרות לך לחקור שיטות שונות איזונים בין גודל המודל, ביצועים ודיוקניתן לנסות תצורות קלות יותר עבור מכשירים עם פחות זיכרון, או מודלים כבדים יותר אך מדויקים יותר עבור סביבות עם יותר משאבים.
למי שלא רוצה לקפוץ מיד לקוד ברמה נמוכה, אפל מציעה צור ML, אפליקציה ומסגרת המאפשרות לך לאמן מודלים מותאמים אישית באמצעות נתונים קנייניים. החל מסווג תמונות שמשתלב עם Vision ועד לתוויות טקסט ספציפיות לשפה טבעית, כולל מודלים המרחיבים את יכולות Vision Pro לעקוב אחר אובייקטים ב-6 דרגות חופש בחוויות מרחביות.
Xcode, פריסה וביצועים של מודלים על Apple Silicon
לאחר שהמודל שלך מומר או מאומן בפורמט Core ML, Xcode הופך למרכז הפיקוד שלך. ה-IDE מאפשר לבחון את המאפיינים המרכזיים של המודלחקור את המבנה המלא שלו ומדוד את ביצועיו במכשירים ספציפיים המחוברים ל-Mac.
מ-Xcode אפשר לראות זמן השהייה המשוער של חיזוי, זמני טעינה והיכן כל פעולה מבוצעת (מעבד, כרטיס מסך או מנוע עצבי). הגרסאות האחרונות אף מציעות תצוגה גרפית של הארכיטקטורה כולה, שבה ניתן להתעמק בכל פעולה ולזהות צווארי בקבוק או הזדמנויות אופטימיזציה.
על ידי שילוב המודל בפרויקט שלך, Xcode יוצר ממשק סוג מאובטח ב-Swift ספציפי למודל זהזה מפשט מאוד את קוד ההסקה. במקום לטפל בטנזורים גנריים, עובדים עם טיפוסים תיאוריים יותר ובטוחים יותר בזמן קומפילציה.
בזמן ריצה, Core ML מחלק את העומס בין המעבד, הכרטיס הגרפי ומנוע העצבי באופן אוטומטי, בניסיון למקסם את יכולות השבב. זה מאפשר אפילו לדגמים גדולים יחסית לפעול עם השהייה סבירה וצריכת חשמל נמוכה.
כאשר אתם זקוקים לשליטה טובה עוד יותר על הביצוע, מסגרות ברמה נמוכה יותר כמו מתכת ו-Accelerate/BNNSGraphאשר מאפשרים לך לשרשר מודלים של Core ML עם טעינות גרפיקה מותאמות אישית או עיבוד אותות בזמן אמת עם בקרת זיכרון והשהיה קפדנית.
MLX: ניסויים עם דגמים גדולים על מק עם סיליקון של אפל
בתחום המחקר החדשני, אפל השיקה MLX, מסגרת לחישוב מספרי ולמידת מכונה תוכנן על ידי חוקרים משלו והופץ כפרויקט קוד פתוח.
MLX תוכנן כך שמפתחים ומדענים יוכלו חקור והפעל מודלים של שפה גדולה (LLM) וארכיטקטורות מתקדמות אחרות ביעילות על מק עם סיליקון של אפל. זה מאפשר בדיקת טכניקות הסקה חדשות, כוונון עדין או אימון מבוזר מבלי להיות תלוי תמיד באשכולות חיצוניים גדולים.
בזכות תמיכתה ב- ארכיטקטורת זיכרון מאוחדת של Apple SiliconMLX מאמץ מודל תכנות מסוים מאוד: מערכים אינם קשורים להתקן ספציפי; הפעולות הן שמחליטות אם הן מבוצעות על המעבד או הכרטיס הגרפי, ויכולות לעבוד במקביל על אותו מאגר ללא עותקים נוספים.
משורת הפקודה ניתן להפעיל הסקה LLM מסדר יחידלדוגמה, ניתן להשתמש בו כדי ליצור קוד, לסווג טקסט או ליצור סיכומים עם אורכי הקשר גדולים (1.024 טוקנים או יותר). יתר על כן, קהילת MLX ב-Hugging Face כבר מציעה מאות תבניות מותאמות, מוכנות לשימוש עם שורת קוד אחת בלבד.
MLX זמין ב פייתון, סוויפט, C++ ו-Cוהקהילה יוצרת קישוריות (bindings) לשפות נוספות, מה שמקל על השילוב בכל מיני פרויקטים. עבור אלו המעורבים במחקר בינה מלאכותית, זוהי דרך נוחה מאוד להישאר קרובים לחזית הטכנולוגיה מבלי לעזוב את המערכת האקולוגית של מק.
כיצד אפל חוקרת פרטיות בבינה מלאכותית: נתונים סינתטיים ופרטיות דיפרנציאלית
אחד האתגרים הגדולים ביותר של אפל בתחום הבינה המלאכותית הוא... מחויבות לפרטיות מקשה על איסוף נתוני משתמשים אמיתיים. כדי להכשיר מודלים גדולים. למרות זאת, החברה זקוקה למידע על איך אנחנו כותבים מיילים, אילו הנחיות אנחנו משתמשים בהן, או איך אנחנו מקיימים אינטראקציה עם ג'נמוג'י כדי להשתפר. Apple Intelligence.
בפרסום שנערך לאחרונה על ידי Machine Learning Research, אפל מפרטת גישה ל למד מנתוני שימוש מבלי לגשת ישירות לתוכן פרטיהטריק הוא לשלב נתונים סינתטיים, עיבוד במכשיר וטכניקות פרטיות דיפרנציאליות.
התהליך, המיושם למשל על דוא"ל, עובד כך: אפל מייצרת מספר מיילים סינתטיים בנושאים משותפים (הזמנות, אישורים, הודעות וכו'), עם וריאציות בשפה, בסגנון ובאורך. עבור כל אחד מהם נוצר קובץ מוטמע עם ייצוגים וקטוריים.
קבצים אלה נשלחים למספר קטן של מכשירי אייפון השייכים למשתמשים שהפעילו מרצונם ניתוח מכשירים. האייפון עצמו בוחר מדגם של האימיילים האמיתיים של המשתמש, מייצר את ההטמעות שלו ומשווה אותן לאלו הסינתטיים.להחליט אילו מהם דומים ביותר, והכל מבלי להראות לאפל את הטקסטים בפועל.
באמצעות פרטיות דיפרנציאלית, אפל אוספת רק אילו הטמעות סינתטיות נבחרו בתדירות הגבוהה ביותר על פני מכשירים רבים, ועם רעש סטטיסטי נוסף כדי למנוע מעקב אחר כל בחירה לאדם ספציפי. בעזרת מערך נתונים זה, החברה יכולה לשפר נתונים סינתטיים ולאמן מודלים של סיכום וכתיבה המשקפים בצורה טובה יותר את השימוש בעולם האמיתי, מבלי לראות אפילו אימייל אותנטי אחד.
ג'נמוג'י, מגרש משחקים של תמונות ושיפור מתמיד עם פרטיות דיפרנציאלית
אותה גישה חלה על פונקציות שובבות יותר כגון Genmojiהכלי שיוצר אימוג'ים מותאמים אישית מתיאורים. אפל משתמשת בפרטיות דיפרנציאלית עבור זיהוי דפוסי הנחיה פופולרייםאבל רק כאשר אלה נוצלו על ידי מאות אנשים, תוך שלילת כל אינדיקציה ייחודית או ניתנת לזיהוי.
אפל טוענת זאת הוא לא רואה את הג'נמוג'י המשויך למכשיר ספציפי.שהנתונים מגיעים אנונימיים, שיתווסף רעש אקראי כדי להגן על זהות המשתמשים ושהם אינם מקושרים לכתובות IP או למזהי חשבון.
בעזרת טכניקות אלו, החברה יכולה לכוונן את המודלים המפעילים את Genmoji ומערכות יצירתיות אחרות, ולשפר את התוצאות מבלי שתהיה לה גישה להנחיות בודדות. זהו איזון מורכב בין קבלת משוב שימושי לבין שמירה על סודיות.
הרעיון של אפל הוא להרחיב את השימוש בפרטיות דיפרנציאלית ובנתונים סינתטיים לתחומים נוספים של Apple Intelligence: החל מ-Image Playground ועד ליצירת זיכרונות, כלי כתיבה או בינה חזותית שמנתחת תמונות וסרטונים כדי להציע פונקציות חיפוש או הקשר.
עם זאת, רק אלו שהחליטו להשתתף בתהליכים אלה עושים זאת. לבחור לשלוח ניתוחי מכשיריםוכל אחד יכול להשבית אפשרות זו אם הוא מעדיף לא לתרום למחקר מסוג זה.
מקרי שימוש בחיישנים ופעילות: מיזוג נתונים עם LLM
קו מחקר מעניין נוסף של אפל סובב סביב האופן שבו ה- מערכות LLM יכולות לשלב מידע מחיישנים כמו מיקרופונים ומדי תאוצה. לזהות פעילויות אנושיות מבלי לאמן מודל ספציפי לכל משימה.
במחקר שנערך לאחרונה, אפל בוחנת את מה שהם מכנים "היתוך מאוחר"הרעיון הוא שנתוני האודיו והתנועה מעובדים תחילה בנפרד עם מודלים קטנים יותר, ומייצרים תיאורי טקסט ותוויות ביניים; לאחר מכן, LLM גדול יותר מקבל את הסיכומים הללו ומחליט איזו פעילות מתרחשת.
באמצעות מערך נתונים של פעילויות יומיומיות (בישול, כביסה, משחק ספורט וכו'), החוקרים הבחינו כי המודלים יכלו לזהות מה אדם עושה בדיוק רב יותר מאשר במקרה.מבלי שראו בדיוק את הפעילויות הללו במהלך האימונים שלהם.
לגישה זו מספר יתרונות: היא מפחיתה את הצורך ב ליצור מודל חדש לכל סוג פעולהזה מאפשר עבודה עם נתונים שעשויים להיות רועשים או לא ברורים, ומשפר את הפרטיות על ידי פעולה על תיאורים טקסטואליים נגזרים, במקום אודיו גולמי או עקבות תנועה מלאות.
במערכת האקולוגית של אפל, ניתן להשתמש בטכניקות מסוג זה כדי שיפור זיהוי אימונים ב-Apple Watchלהעשיר מדדי בריאות או אפילו ליישם תכונות חדשות באייפון שמזהות דפוסי פעילות מבלי להסתמך על פתרונות מותאמים אישית לכל מקרה ספציפי.
כיצד צוותים מאורגנים מחקר למידת מכונה של אפל
מאחורי כל המוצרים, המסגרות והניסויים הללו יש צוותים מיוחדים ביותר הפרוסים על פני תחומים שונים של מחקר למידת מכונה, לאחר שינויים כגון ה- המצעד של ג'ון ג'יאננדריאהאפל שמה דגש ניכר על מגוון הפרופילים, מסלולי הקריירה והניסיון האישי כמניע לחדשנות.
אחד הבלוקים הרלוונטיים ביותר הוא זה של תשתית למידת מכונהצוות זה אחראי על בניית תשתית המחשוב, האחסון והאנליטיקה התומכת בפרויקטים גדולים של בינה מלאכותית. מהנדסי קצה אחורי, פלטפורמה ומערכות, כמו גם מדעני נתונים, עובדים כאן ומעצבים כלים לאימון, הערכה ופריסה של מודלים בסביבות מבוזרות.
קבוצה מרכזית נוספת היא זו ש למידה עמוקה ולמידה חיזוקית, המורכבת מחוקרים ומהנדסים המכסים כמעט את כל הספקטרום המודרני של בינה מלאכותית מתקדמת: למידה מפוקחת ולא מפוקחת, מודלים גנרטיביים, למידה רב-מודאלית, למידה חיזוק עמוקה והפוכה, תורת ההחלטות ותורת המשחקים.
המטרה של הקבוצות האלה היא לא רק להישאר על הנייר, אלא להביא את ההתקדמות שלהם למוצרים אמיתיים וניתנים להרחבה, החל משיפורים ב-Siri ועד ליכולות חדשות ב-Vision Pro או תכונות חכמות באפליקציות מערכת.
לבסוף, האזור של עיבוד שפה טבעית וטכנולוגיות דיבור היא מאגדת מומחים בתחומי NLP, תרגום מכונה, זיהוי ישויות, מערכות שאלות-תשובות, פילוח נושאים וזיהוי דיבור. הם עובדים עם כמויות גדולות של נתונים רב-לשוניים ושיטות למידה עמוקה כדי להפוך את הממשקים של אפל לטבעיים יותר ויותר במגוון שפות.
תפקיד המק עם הסיליקון של אפל במחקר ופיתוח
מחשבי מק עם סיליקון של אפל ביססו את מעמדם כ פלטפורמות אטרקטיביות מאוד עבור מפתחי וחוקרים בתחום הבינה המלאכותית שרוצים להתנסות באופן מקומי עם מודלים גדולים מבלי להקים אשכול משלהם.
הודות לשילוב של מעבד, כרטיס מסך ומנוע עצבי, בתוספת זיכרון מאוחד, MacBook Air או Mac Studio יכולים... להריץ הסקות LLM ולאמן מודלים מבוקרים עם צריכת חשמל סבירה וללא תצורות מסובכות, זהו שדרוג נוח מאוד מהסתמכות מתמדת על שרתים חיצוניים לצורך בנייה מהירה של אבות טיפוס או בדיקת ארכיטקטורות חדשות.
מכשירים אלה גם משתלבים בצורה מושלמת עם פילוסופיית הפרטיות של אפלהם מאפשרים טכניקות בדיקה, מודלים וצנרת מלאה עם נתונים מקומיים מבלי להעלות מידע רגיש לענן, דבר בעל ערך רב בתחומים כמו בריאות, פרודוקטיביות או תקשורת.
יתר על כן, העובדה ש כל מחשבי המק עם סיליקון של אפל חולקים את אותה ארכיטקטורה זה מפשט מאוד את פריסת הפתרונות: ניתן לפתח במחשב נייד ולהתרחב למכונות חזקות יותר כמעט ללא שינויי קוד, תוך ניצול כל אופטימיזציות המערכת.
אם מוסיפים לכך כלים כמו MLX, Core ML, Create ML ואת האינטגרציות עם Xcode, מתברר מדוע. כל כך הרבה מפתחי בינה מלאכותית הם פונים למק כסביבת העבודה העיקרית שלהם לניסויים בלמידת מכונה.
כל המערכת האקולוגית הזו - Apple Intelligence, Foundation Models, MLX, Core ML, Vision, Speech, צוותי המחקר והאובססיה לפרטיות באמצעות ביצוע במכשיר וטכניקות כמו פרטיות דיפרנציאלית - מתווה אסטרטגיה ברורה מאוד: אפל רוצה שבינה מלאכותית תהיה שימושית, נפוצה וחזקה, אך גם דיסקרטית, אחראית ומכבדת מאוד את הנתונים של האנשים שמשתמשים בה מדי יום..
