跳票两年,苹果的Siri AI终于来了——但欧盟用不了,中国也用不了今天,苹果正式推送iOS 27,全新一代Siri AI以英语测试版形式上线。
这是Siri自2011年诞生以来最大的一次重构,也是苹果自2024年WWDC高调承诺"全新Siri"之后,迟到了整整两年的答卷。
问题是,这份答卷的分数,可能没苹果想象的那么高。
来了,但没完全来
先说覆盖面。
Siri AI目前只支持英语,下个月才扩展到法语、日语、韩语、葡萄牙语和西班牙语。更要命的是——欧盟用户暂时用不了。苹果官方表态:Siri AI在iOS、iPadOS和watchOS上初期不向欧盟开放,理由是"正在努力寻找一条既能保护用户隐私和安全、又能推进落地的路径"。
中国大陆同样不在首批支持范围内,苹果称正在应对当地监管要求。
也就是说,苹果最核心的两大海外市场——欧盟和中国——全部缺席。这不像是一次全球发布,更像是一次"有条件开放"。
再叠加设备限制:只有iPhone 15 Pro及以上、iPad mini(A17 Pro)及M1以上iPad、M1以上Mac才能运行Siri AI。高阶功能(个性化语音、离线听写)更是要求12GB以上内存,只有iPhone 17 Pro系列、iPhone Air和M3以上Mac才能解锁。
能用的地方不多,能用的人也不算多。
跳票的代价:2300亿美元蒸发
回头看这两年发生了什么。
2024年WWDC,苹果高调发布Apple Intelligence,承诺Siri将具备屏幕感知、跨应用操作和自然语言理解能力。资本市场信了,股价一路走高。
然后就是连续跳票。2024年秋季没上线,2025年又以"内部技术问题"推迟。更尴尬的是,2025年3月内部会议曝光:Siri新功能的执行成功率只有60%到80%——每五次交互就有一次失败。
最终苹果在2026年5月支付了2.5亿美元和解金,了结因AI功能宣传与实际不符引发的集体诉讼。
今年1月,苹果做了一个意味深长的决定:和Google达成合作,将Gemini模型整合进Siri底层架构。一个曾经以"端到端自研"为傲的公司,不得不向别人借核心技术。
6月WWDC 2026上,即将卸任的库克最后一次以CEO身份发布了Siri AI。股价盘中触及历史新高,随后一路回落,收盘跌了1.9%,从最高点蒸发超过2300亿美元市值。
市场用脚投了票。
Siri AI到底变了什么
公平地说,功能层面的升级是实质性的。
个人情境理解:Siri AI可以调用你手机里的短信、邮件、照片、日历、备忘录来回答问题。朋友在消息里推荐的餐厅,你直接问Siri就能找回来;旧邮件里的酒店确认号,Siri也能跨App搜索定位。
屏幕感知:Siri能"看到"你屏幕上正在显示的内容。收到聚餐邀请后直接问Siri该带什么,它能把食谱加进备忘录,全程不用复制粘贴或切换App。拍一张背包照片,它能结合你的航班信息判断是否符合随身行李尺寸。
跨App操作:支持从零草拟邮件、编辑相册并分享照片,不再只是"打开某个App"。
独立Siri App:首次上线,支持对话历史回看,通过iCloud私密同步,iPhone上开始、iPad上接续、Mac上完成。
底层架构才是真正值得关注的部分。苹果设计了三层推理体系:简单任务走端侧自研模型AFM 3,中等任务走苹果私有云,最复杂的推理交给Google Cloud上的定制Gemini。
AFM 3最关键的突破是一个200亿参数的稀疏模型,每次请求只激活10亿到40亿参数。靠的是苹果研究院的"指令跟随剪枝"技术——200亿参数的模型能装进手机跑起来,还不牺牲续航。
够不够"新"?
这是最致命的问题。
华尔街科技评论员Nilay Patel的评价很直接:从用户角度看,Siri AI相当于两年前ChatGPT免费提供的水准。
独立App、对话历史保留——ChatGPT 2022年就有了。视觉识别拍物体搜索——Google Lens 2017年就上线了。这些功能单独看都不新。
苹果的优势在于系统级深度集成。Siri AI不是一个独立的App,它嵌入了iOS的每一个毛细血管——照片、邮件、日历、短信、Spotlight,全部打通。这种集成度是任何第三方AI应用都做不到的。
但问题是,两年前承诺的时候,这些功能是超前的。跳票两年后落地,它们变成了"基本合格"。
更大的隐忧
华尔街分析师指出了一个长期风险:随着AI智能体和自主系统的发展,未来的经济行为——比如叫车、订餐、购物——可能直接由AI完成,绕过应用商店。
这意味着苹果赖以生存的App Store抽成模式,可能被AI时代釜底抽薪。
Siri AI现在的定位是"实用工具"而非"AI朋友",风格克制冷淡。The Verge测了一个细节:问"你能做我的朋友吗",ChatGPT会热情回应一大段,Gemini也滔滔不绝,Siri AI只回了一句——"无论顺境逆境,我都会做你的朋友。"
这句话很苹果。简洁、克制、带点冷幽默。
但市场要的不是冷幽默,是真功夫。Siri AI是苹果在AI时代的入场券,不是终局牌。迟到两年已经付出了2300亿美元的代价,接下来能不能靠系统集成的护城河追上来,就看这第一步走得多稳了。
实测最新版「豆包手机」助手:所有手机里的AI都该变成它这样作者|王兆洋
微信|Geisterspiele
豆包手机助手消费者版今天正式发布。
搭配了它的手机长这个样子:
搭配了豆包手机助手消费者版的努比亚 NaviX Ultra 将在 9 月 16 日发布
和预览版相比,官方对这个助手的定位显然变化:这是一个面向量产,面向广大消费者的产品。也就是说,它不再只是一个原型机了。
在此前第一次亮相时,豆包手机助手引起了不小的波澜,它以 GUI 为主的技术路线给既有的一切都带来了新思路,让所有人开始思考模型越来越强后,手机会变成什么样,过往我们已经习以为常的以 App 为主的交互方式又会变成什么样。
所以当豆包的朋友找我说要不要提前体验下这个产品时,我立刻答应下来。我对它充满了好奇,和初代的实验属性不同,这个要真正量产,大规模提供给广大用户的产品,究竟做到了什么程度?
现在正式官宣之后,也终于能跟大家分享这段时间提前使用它的感受了。
1
万能对讲机
豆包手机助手消费者版和硬件做了很多融合设计,比如第一时间拿到这台机器,从外形来看,最明显的就是侧面的 AI 键。是的,你可以用它唤起豆包助手。
在我之后的各种使用里,这个 AI 键成了我和这台机器交互最主要的方式。
比如,当我让豆包自动去飞书发送会议邀请时,我的操作过程是,在锁屏状态按住 AI 键直接呼出豆包,语音告诉它去给我们的飞书群发一个会议邀请。
因为这个小小的 AI 按键配置了指纹识别功能,手机识别指纹后可以给豆包助手相关的更高权限。所以不需要屏幕解锁,只要是 AI 键识别了你的指纹,它就在后台开始一顿操作,然后很快就完成了任务。
后来我还顺便让它去看了看我飞书上昨日在内容部门等几个核心工作群里的记录,给了我一个待办列表。这些都是很多人日常工作的常态,而整个过程丝滑无感。
这种按住说话,然后事情就完成摆在你面前的感觉,的确改变了人们对手机的交互方式的预期。
而且在使用了一段时间,用这种方式处理了诸多类似任务后,它成了我下意识会去使用的交互方式。
任务解决的完成度越高,这种新交互“习惯”养成的顺滑度也越高,我不自觉的去按这个按钮的频率,可能真不亚于人们接受 iPhone“发明”的滑动触碰交互方式的速度。
这是个融入了硬件的 AI 交互。这不免让人想起当年苹果早早在 iPhone 17 的侧面就放了一个“快门”按键,为后来的苹果 Intelligence 先占了坑,然而后面的故事有点变成笑话。
我感觉人们眼里苹果本该给这个按钮打造的功能,应该就是豆包二代的这个样子。
这种按住说话的交互给我的感觉,像是我在拿着一个万能对讲机。
这会让人想不停探索这个对讲机能搞定的事情。
我也试了几个我一直想做的,“一句话完成各种 agent 任务”的能力。
比如,我直接通过语音,让豆包助手去自己操作手机,调用底层能力,跨 App 操作,完成了一个 vlog 剪辑工作。
我“口喷”的提示词(其实就是想到哪说哪)很简单:
把我相册里不超过 20 秒的视频,按照《午夜巴黎》开头的那个空镜的组合的方式去剪辑成一个 vlog, 保留视频本身的原声音,然后再配一个同样同款的 BGM。
以下是它给我的结果:
可以看到这个指令涉及多个复杂环节,它涉及对一部电影的某个含糊表达的具体部分的理解,涉及对我意图的判断,和对手机上可以调用的 App 的选择,以及,自动操作手机的能力。
而我暗中观察了它操作的过程,这些难点都一一顺滑实现。
这是个我一直想做,但因为我从来没用过剪映没怎么剪过视频,而一直没做的任务。现在,只要我手机里有这些素材,就真的能“张张嘴一句话”完成了。
这些体验下来,你很难不觉得这个手机就像一个从哆啦 A 梦兜子里拿出来的万能对讲机。
另外,在这个任务里,还可以看到豆包手机助手在 AI 层面不少核心设计思路。
豆包手机助手预览版最引人瞩目的就是自动操作手机的能力。但也是引起最多争议的能力。这一代在操作不同 App 的方法上,也引入了类似 MCP 的方式。基于软硬件结合的设计,豆包手机助手底层的打通程度更深,大模型可以调用电话、日历、闹钟、飞书等底层工具的能力来完成任务。
而自动操作手机的能力继续以 Beta 版的形态保留。当你在设置里打开,它可以在一些任务里通过模拟点击和调用工具的方式来帮你操作手机上的各类应用。操作可以在后台进行,不影响用户正常使用手机。
在这个任务里,可以看出它对手机本身的相册的底层调用,对 App 的 GUI 点击操作。这些能力目前主要会支持一方应用和字节系相关产品调用。
这也是外界最关注的能力之一,而在这一次发布的同时,豆包手机助手也一起推出了一个新的协议:SAEP,也就是屏幕自动化操作声明协议(Screen Automation Execution Protocol)。
它给了第三方应用选择权,应用可以自主选择允许或拒绝 AI 助手在应用内执行屏幕自动化操作。
同时,它也允许开发者们申请和接入协议。
发布之日起,豆包手机助手也启动了为期 30 天的规则公示:
“公示期内,豆包手机助手仅对系统自带应用、字节跳动旗下应用,以及已经通过 SAEP 或邮件明确同意接入的第三方应用执行自动化操作,其他应用默认不操作。”
我还用了用豆包“替你接电话”的功能:
在设置里,你可以设置它接听的范围,接听的策略。我给了它所有权限,然后用自己的另一个号试了试,再然后,我就……忘记了自己开通了这个设置。
直到有天在车上,我突然看到手机自己开始对话起来,低头发现是豆包在替我接电话。
有意思的是,这个电话听到后面,我才意识到,对面也是 AI。
深度的使用了一段时间后,我发现它的很多功能都已经很强,也比较稳定。而这是任何一个有野心彻底重新建立起一套交互习惯的产品,必须做到的前提。
按照官方给出的数据是,这一代相比此前,整体可用率提升至了 80%。
这些能力已经足够神奇,但在个人 agent 类产品过去一段时间快速的在用户里渗透后,它们似乎多少还有些“常见”。
而我对这款产品更大的期待和好奇,是它能不能更加接近一个真正的个人助手,甚至,私人助手的状态。
也就是它开始在这些常规任务之外,能更深入你个人的 context,解决一些你自己定义的需求。
而在边用边查看它在技术工程上的创新点后,我突然意识到,有一个我嘀咕了一年却一直没实现过的功能,可能终于可以做出来了。
1
胡适日记 AI
2025 年我发过一条朋友圈。
要完成“根据我过去一年的照片的地理位置信息,告诉我过去一年都在哪些地方游荡,分别待了多久”这个任务,其实每一个零件都是现成的。照片有 EXIF,EXIF 里有经纬度和时间戳,地图能把经纬度翻成地名,模型能把这堆结构化数据写成人话。没有任何一环需要新技术。
我常年在外面跑,一年下来去过多少城市、见了多少人,到年底一复盘,全忘了。可这些信息全都躺在这台设备里——几千张带 GPS 和时间戳的照片,排得满满的日历,便签里塞着的机票截图和随手记。
但之前这些信息都是“死”的。
过去一年里我试过第三方 App,试过云端模型,全都卡在同一个地方:拿不到东西。没有一个第三方应用能顺畅读完你整个相册的位置信息,你得一张一张传;没有一个助手能自己跳去日历、跳去便签、跳去读书 App 把材料凑齐。想做一次完整的复盘,先花两三个小时在十几个软件之间复制粘贴——那还不如不做。
模型早就够用了。卡住的是权限和接口。没做的是具体的工程工作。
当时诸多 AI 硬件都在追逐着某种“模型原教旨主义”,试图让模型来接管一切手机和硬件产品的操作。
但我的这种需求并不是要模型来单独搞定,而需要模型、硬件底层、工程等一起协同设计解决。
所以在用了一段时间豆包手机助手消费者版后,我终于把这个需求扔给了它。
第一版指令很简单:根据我相册里的图片来告诉我这两天我在哪里,做了些什么?
几秒钟出结果。准确,完整,有据可查。这一步在过去没有任何设备替我做到过。相册、定位、时间戳,第一次真的被一个助手完整读了一遍,不用我传,不用我导,不用我在十几个软件之间来回捣腾。
但我对着结果看了一会。我发现这本质还是只是把我的数据念了一遍给我听。
读完之后,最大问题是我没觉得它更懂我。它做的还是检索和罗列,我自己想了想,我其实想要的是理解和呈现。
那怎么搞,其实能想到的直接方法也简单,就是提示词再改改。但过去的经验提示,这样去操作其实会很随机,有时效果好有时不好。
如何让这个手机上的 AI 助手能更懂你,最好就是一个安全可控的记忆系统。
说直白一点,记忆这一层夹在你和模型中间。模型本身是不记事的,每次任务都从零开始;而手机里的数据又太多太杂,全塞给它也没用。豆包这次把能记的东西分成了三类。
第一类是你手机里本来就有的存量数据——录音、联系人、相册、短信、便签、日历。这些东西一直都在,只是从来没有被完整读过。主动授权之后助手可以调用,为此他们专门配了一个本地搜索工具,负责在这堆存量里检索和找回。
第二类是你主动告诉它要记的。给助手发一条记忆指令就行,灵感、购物清单、待办都算。
第三类是你日常刷手机时顺手“收”的,豆包手机助手提供了诸多入口:语音(对手机助手说记一下),AI 按键,组合键,快捷手势(三指上滑就能把屏幕里的内容保存进记忆),截图(截完点一下「记忆」,长截图也支持)等。
此外还有一层单独的,也就是个人 context。
它有两个来源:一是你主动提供的、希望被记住的信息,比如常用地址;二是豆包在跟你对话过程中自己学到的偏好,比如口味、习惯。这些不会作为一条条"记忆"摆给你看,而是沉淀下来,在后续任务执行的时候当上下文用。
我感觉是豆包把这手机本身作为一个大模型,给它做了一整套新的 harness 系统。
于是我决定在这个记忆系统里简单操作一下。
我想了想我要它怎样来记录或者说描述我,想了想,也许就像让 Her 里的 Samantha 来描述西奥多。
然后我想到了胡适和他的日记。
既然这是一个有点日记意味的功能,那当你想要记录今天的生活,看着这个全世界不停发生“见证历史”的大事、AI 突飞猛进、但同时每个人其实还是在过着自己眼前生活的时代的时候,总让我想到胡适,想起胡适的日记。
民国乱世,世界打得天翻地覆,他似乎该打牌打牌,该读书读书。一战打得最凶的时候,他在日记里检讨自己最近牌打多了。大时代的惊涛骇浪和一个人细碎的日常揉在一起,读起来让人心有戚戚。
于是!需求到这儿就完整了:
让豆包手机通过理解相册里的图片内容和地理信息,然后用胡适的方式,把我每天的生活细节,和当天发生的行业大事拼进同一篇“日记”里,用最懂我的方式记录日常。
我先让它自己上网搜索并阅读胡适的日记,把其中最符合我所说的感觉的语句加入到长期记忆中去,作为写法的参考。与此同时,它其实也已经根据它的理解,记录了不少它认为适合记录的关于我的个人 context,我很好奇这一切“揉”在一起,产出的“日记”,会是什么样。
然后我对它用语音发出了一个非常随意但繁琐长程的指令:
能不能去看一下我昨天拍摄的照片,然后根据这些照片内容的信息,和尤其是照片在手机里存的这个地理位置信息,结合着一起,然后判断一下我在,我昨天都做了些什么事情。同时呢也去搜索一下当天发生的世界上最重要的的一些新闻,然后呢用你,我之前存过的我非常喜欢的胡适的日记的风格去记录一下我昨天的一些,算是一个小的日记,不用特别长篇大论,然后放到我的便签里面。
说完我放下手机,去倒了杯水。水还没喝完,3 分钟后,手机弹了通知:任务完成,已保存至便签。
说完我放下手机,去倒了杯水。水还没喝完,3 分钟后,手机弹了通知:任务完成,已保存至便签。
我打开这个弹窗:
七月二十一日,星期二
今日在西溪龙湖天街盘桓竟日。傍晚与友人在商场内食寿喜锅,蘸生鸡蛋入口,滋味尚佳。饭后闲步逛店,见玩具反斗城陈设,中庭人来人往,市井烟火气甚浓。晚间驱车返程,至五常港路遇晚高峰拥堵,车窗外灯火连绵,车流如织,伫立良久方得通行。阅今日新闻,英国工党伯纳姆就任首相,十年来英已换七相,政局之不稳可见一斑;西班牙竟在世界杯加时胜阿根廷夺冠,倒是意外之喜;国内上半年工业增加值增百分之五点四,青年失业率回落,也算可喜的消息。世事纷纭,日常的一餐一游,倒是最实在的光景。
看完愣了会。寿喜锅、五常港路的晚高峰、英国换首相、西班牙夺冠。
我的私人生活和当天的世界大事,就这么并排放在了一起。
1
唯一一直在你身边的可能就是你的手机
在“开发”出来这个胡适日记 AI 后,每天一天结束我都会让这个 AI 胡适出来写一写。
操作了几次之后,豆包主动提示可以把它做成一个固定任务。
这样一个我一直想实现的功能就这么实现了,而且它的确让我第一次感觉到一个"手机"能有多懂你。
在快 20 年前 iPhone 诞生的那场发布会上,乔布斯说 iPhone 是三样东西合成一个:一个宽屏 iPod,一部手机,一个上网设备。
他当时没有说、大概也没有办法预料的,是手机的第四个角色。
后来的十几年因为这个东西实在太好用,人们开始把它带去所有地方。吃饭带着,走路带着,睡觉放在枕头边。十几年里,几十亿人把自己拍的、写的、说的、买的、去过的地方,源源不断地倒进了它连着的那张网。
是手机让今天的 AI 真正成为可能。
十几年里,事实上我们一直在往这些设备里写。每个人的一生大多数时候,唯一一直在你身边的可能就是手机。它替你记下了每一个地点、每一顿饭、每一次深夜的搜索。但是从来没有过一个读者。
所以那天那篇日记让我愣住的地方,其实不在于它写得有多好,而在于这些东西第一次被理解了一遍。手机做了十几年的记录设备,现在它多了一个身份,它开始成为一个读者。
当然,没有人愿意用几千张照片、全部行程和通话记录,换一篇写得还不错的日记。它今天之所以能成立,很大程度上是因为这些检索和理解发生在这台设备本身,而不是发生在某个你看不见的地方。二代豆包手机上,这些带指纹识别的 AI 键、留在本地的全局记忆的设定、负责在本机数据里检索的本地搜索工具等,也都是在解决这个隐私和安全问题。这一切能否保障好,才是让手机变成真正最懂你的 AI 助手的前提。
而当这些功能的运转足够安全,当它们开始可以由你自己定义、自己发明、自己在手机上实现后,我觉得我们就真的回不去从前的手机体验了。
我们看待手机的方式也会快速变化。我们用了它十几年来记录这个世界。现在轮到它来记录我们了。
一文看完苹果发布会:折叠iPhone又给所有手机上了一课(除了AI)作者|陆
微信|SHARK_CHILI_LU
北京时间 9 月 10 日凌晨,John Ternus 首次以苹果 CEO 的身份主持了这场秋季新品发布会。iPhone 18 Pro 和 Pro Max、AirPods 5、Apple Watch Series 12 与 Ultra 4 依次登场,折叠屏则留给了最后的“One more thing”。
图源:Apple
标准版 iPhone 18 和第二代 Air 没有在这一晚出现,整场手机新品的重心,明显向高端“移动”了。
1
苹果终于发布了折叠屏 iPhone,可是大家都猜错了名字
关于折叠 iPhone 的名字,大家替苹果操了很久的心。 最早爆料的 iPhone Fold 最直白,iPhone Ultra 听起来也符合“有史以来最贵 iPhone 的这个标签”,然而最后出现在发布会上的却是 iPhone Duo。
Duo 这个名字让我立刻想起微软的 Surface Duo,那台由两块独立屏幕组成、像小本子一样打开的设备,曾经也让人期待手机能有另一种用法。可惜这个系列没能走下去,如今两代产品都已结束系统与安全更新。苹果这次展开的是一块连续的柔性屏,技术路线不同,但那个熟悉的名字,还是让人忍不住多想了一下。
图源:不客观实验室
把 iPhone Duo 合起来看,它的轮廓更接近一本护照。5.4 英寸外屏听着不大,苹果给出的显示面积却相当于 iPhone 18 Pro 的约九成;打开之后,7.6 英寸内屏比 Pro Max 多出约一半显示面积,内外屏保持相同的画面比例,内容在开合时可以按比例展开,减少切换屏幕后重新排布的突兀感。
图源:Apple
在演示里,比屏幕尺寸更容易让人注意到的,是挪到侧面的 Dock 和操作控件。苹果把过去占据上下空间的部分按钮移到两侧,给内容留出更多纵向空间,也让拇指更容易够到。
图源:Apple
邮件可以同时显示列表和正文,两个应用可以并排运行,同一个 Safari 也能打开两个窗口,淘宝京东拼多多比价时终于不用反复切来切去。
图源:Apple
这些用法在安卓折叠屏上已经不陌生了。轮到苹果来做,我其实更想知道微信里的链接、购物页面、文档和视频,能不能同样顺畅地利用这块屏幕。发布会上展示的系统应用适配只能回答一部分问题,真正每天会碰到的,是那些我们用得最多、却未必会第一时间为新形态重新设计的应用。
苹果还预告在今年晚些时候,USB-C 版 Apple Pencil 将能在 Duo 的内外屏上使用,iPhone Duo 的侧边按钮集成了 Touch ID,内屏的 FaceTime 摄像头藏在显示屏下方;手机半折着放在桌上,可以自己站住拍照、打视频电话;进入待机显示也不再要求一直插着电。几项功能放在一起,已经能让人想到床头、办公桌和出差途中的具体用法。
图源:Apple
图源:Apple
当然,折叠屏打开之后,没用过折叠屏的用户最先找的恐怕还是那道折痕。
图源:APPLE 美国现场 爱范儿拍摄
苹果在这场发布会上花了相当多时间解释屏幕结构,表面采用纳米纹理处理,减少眩光和反射;定制聚合物覆盖层与防刮涂层负责保护表面,内部还有高强度玻璃、允许各层在弯折时相对滑动的黏合材料,以及位于底部的钛金属支撑板。
图源:Apple
发布会还展示了铰链匹配、逐台扫描和微层补偿等制造环节,想让一块能反复弯折的屏幕看起来足够平整,显然要处理的远不止中间那一道印记。听到屏幕下面的钛板,我想到的是三星前段时间公布的 Flex Titanium。
三星在 7 月 15 日的官方介绍中,提到了一套由钛合金薄膜和钛板组成的结构:薄膜位于 OLED 面板下方,提供内部支撑;更下方的钛板则支撑整个显示模组,并通过折叠区域的微孔设计兼顾弯曲能力。三星希望借此减轻折痕、提高耐用性,同时继续压缩显示结构的厚度。
图源:三星
把两个介绍放在一起看,确实很容易联想到此前关于三星为苹果提供高度定制折叠显示方案的传闻。至少在材料选择和支撑思路上,两者有值得对照的地方。不过仅凭“都用了整块钛板”还不能确认它们采用同一套结构,更不能把面板供应直接等同于整机折叠方案,苹果这次强调的表面处理、铰链、叠层和装配校准,也都在影响最终效果。
Duo 内部采用 A20 Pro、C2 调制解调器和双电池设计。苹果标注的内屏视频播放时间最长为 31 小时,外屏为 44 小时;有线快充约 20 分钟可充至最多 50%。这些是指定条件下的测试结果,日常频繁开合、拍照和联网使用的续航,还要等实际测试。
图源:Apple
拍照方面,它配备 4800 万像素主摄和超广角,支持主摄提供的 2 倍光学品质变焦,但没有 Pro 系列的独立长焦和可变光圈。
图源:Apple
折叠结构倒是带来了一些很生活化的功能:被拍的人可以在外屏看见自己,拍孩子时可以播放动画吸引视线,合照也能让手机判断大家准备好后自动拍摄。15999 元的起售价并不意味着 iPhone Duo 的每一项相机配置都超过 Pro Max,贵出来的部分更多落在这套屏幕和结构上。
图源:Apple
交互方面一直都是苹果的强项,iPhone Duo 用丝滑的动画效果,给这个世界上所有其他的手机厂商结结实实的“上了一课”。
当演示中的 iPhone Duo 在掰开的一瞬间内屏亮起,外屏进入磨砂玻璃效果的那一瞬间,你就明白了这家科技巨头仍然是地球上最注重细节的公司,那种宛如翻开一块玻璃的“通透感”,值得所有友商好好学习。
图源:Apple
值得注意的是,国行 iPhone Duo 的上市安排这次也需要把发布前后的消息分开看。
发布前曾有国行可能因 eSIM 适配而晚到的说法,这很容易让人想起去年的 iPhone Air。不过,截至发稿,苹果中国官网已经明确写出:10 月 16 日晚 8 点接受预购,10 月 23 日发售,与英文新闻稿中的首发日期一致。
图源:Apple
我更关心的,其实是已经用上 iPhone Air 的人这次能不能“少跑”一趟营业厅。毕竟手机的照片、应用和设置都可以在换机时迁移,手机号码能否一起过去,却取决于运营商是否支持相应的 eSIM 转移方式。
苹果中国官网对 Duo 的说明仍然要求前往运营商线下营业厅,核验身份证件并激活 eSIM;目前也没有看到明确适用于国行 Air 换 Duo 的免到店迁移承诺。
因此,我们还不能把系统里的“eSIM 快速转移”理解成大陆用户一定能用;甚至发布会上介绍的 iOS 27 可以支持两部 eSIM 版 iPhone 进行“信号接力”的功能,中国大陆用户也暂时无缘。
图源:Apple
对第一批接受 eSIM 的用户来说,去年已经为了体验新形态的 iPhone Air 调整过一次使用习惯,今年换机时如果还能再省掉一道手续,体感上的便利可能比发布会上许多漂亮的过渡动画都更加直接。
1
可变光圈终于来到了 iPhone Pro 上
把目光从 Duo 移开,iPhone 18 Pro 这次最值得展开说的是相机和散热。
iPhone 18 Pro 的 4800 万像素主摄加入可变光圈,提供 f/1.48、f/1.8、f/2.8 和 f/4.0 四档选择。系统可以根据场景自动调节,也允许用户自己控制。
图源:Apple
暗处需要更多进光量,合影时希望前后排都清楚,或者想主动改变画面景深,现在的新 iPhone 多了一项真正发生在镜头里的机械调节。不仅如此,iPhone 18 Pro 还首次加入了相机的 Pro 控制选项,能够自行 调整快门速度、白平衡和直方图,常用设置可以放到更容易找到的位置。
图源:Apple
对喜欢拍照的人来说,这比再多几个预设滤镜更有探索空间。不过小尺寸传感器上的光圈变化最终能带来多大程度的自然虚化和画质提升,虽然苹果在发布会用样张展示了可能性,但日常随手拍能否稳定得到同样的改善,才决定这项功能会不会经常被用到。
图源:Apple
芯片方面,A20 Pro 进入了 2 纳米制程,苹果为其增加了第二组神经网络引擎,总计 32 核,并把芯片与内存的封装布局重新调整,让芯片更直接地连接散热系统。新一代均热板面积达到上一代的三倍,官方宣称,整机持续性能相比 iPhone 17 Pro 最高提升 40%。
图源:Apple
这些变化放在游戏、长时间拍摄和设备端 AI 里更容易理解:手机刚开始运行时有多快,和运行十几分钟后还能有多快是两回事。苹果这次把不少篇幅花在热量怎么被带走上,也让人更期待后续的持续负载测试。
图源:Apple
续航方面,发布会介绍 iPhone 18 Pro Max 最长 45 小时视频播放是针对纯 eSIM 机型的,中国官网给国行标注的是 43 小时。;国行 Pro 和 Pro Max 分别从 9999 元、10999 元起售,9 月 12 日晚 8 点预购,9 月 18 日发售。
贯穿这些硬件介绍的 Siri AI,也终于有了更多可以落到具体操作上的演示。
图源:Apple
演示视频中,当使用者问 Siri “妈妈来访时想一起做什么”时,Siri 从邮件和信息里找到食谱与聊天内容,再把缺少的食材加入购物清单。
图源:Apple
它还可以根据相机看到的内容回答问题,在应用中执行操作,并通过独立的 Siri 应用保留和接续对话。比起单独回答一个常识问题,这类演示更接近人们对手机助理的期待:记得我收到过什么,也知道接下来该去哪里处理。
图源:Apple
Safari 现在能够基于 AI 监测网页变化、用自然语言生成快捷指令、打电话时调出相关订单信息,以及照片扩图和重新构图,也都沿着这个方向展开。
图源:Apple
图源:Apple
但功能演示之外,语言、地区和额度仍会影响体验:Siri AI 首先以英语测试版推出,部分依赖服务器模型的能力有使用限制,用户可以选择购买更高版本的 iCloud+来获得更多的使用时长。
国行页面对 Apple 智能的说明,依然是推出时间取决于监管审批。所以对于我们来说,买到新硬件与用上发布会上全部 AI 功能,还不能画上等号。
图源:Apple
1
Airpods 5 和新 Apple Watch
AirPods 5 的变化倒是很容易说清楚:这次两款都给了主动降噪。
图源:Apple
999 元的基础款以及 1149 元的无线充电盒款,都保留了不带硅胶耳塞的佩戴方式。后者多出耳柄滑动调音量、无线充电,以及更长的单次续航;开启降噪时,两款官方标称分别最长听 4 小时和 5 小时。
图源:Apple
两档产品只差了 150 元,我建议所有有意向购买的用户都选择 1149 元的版本。
苹果还表示,新声学结构让降噪效果相比上一代最高提升 50%。对于不喜欢耳塞深入耳道的人,值得关注这一代实际的佩戴和降噪表现。
图源:Apple
至于发布会上展示的实时翻译与 Siri AI,则仍要结合所连接的 iPhone、语言和地区支持情况来看。
在 Apple Watch 的演示里,我印象比较深的,是把刚刚没听清的话“找回来”的 Live Rewind 功能。
这是 Series 12 和 Ultra 4 借助 S11 芯片加入新的音频智能功能。餐厅服务员报完一串菜名、同事随口提了个建议,这些确实都是很容易错过的瞬间。现在你只需要双击数码表冠,Live Rewind 可以把此前 15 秒的讲话转成文字;同时 Siri Recap 则可以整理谈话中的要点,让整段“回忆”更加简介易懂。
图源:Apple
苹果表示,处理所用的原始音频随后会被删除,用户可以控制摘要功能何时开启;相关功能计划于今年晚些时候先以英语测试版提供。
除去音频功能的升级之外,Apple Watch 贴着手腕的传感器也重新设计了。发布会上给出的背景心率采样频率提高到每 5 秒一次,HRV 最频繁每 5 分钟采样一次,是目前最精准的腕上监测设备。
图源:Apple
新的 Readiness 评分会结合活动、睡眠和身体指标,帮助用户判断当天适合继续训练,还是应该放缓节奏。健康应用也展示了更多数据解读与个性化指导,不过其中依赖新 AI 能力的部分,同样有后续上线安排。
图源:Apple
Series 12 的标称续航仍为最长 24 小时;Ultra 4 的日常使用续航提高到最长 50 小时,标准运动追踪最长 18 小时,Max 延长运动模式则可达到 45 小时。
两款手表国行分别为 2999 元和 6499 元起,官网列出的预购时间是 9 月 11 日早 9 点,发售日期为 9 月 18 日。
看完这一场发布会,我最想尽快上手的还是 iPhone Duo,苹果已经把手机折起来了,接下来就等它进入那些不按演示脚本发生的日常中去了。
机器人触觉的爆发前夜:五大技术路线、数据困局与模型之争你敢让机器人给你按摩吗?在今年的WAIC上,我们体验了一把之后,发现居然还挺舒服的。而这台按摩的机器人,很大的不同在于,它搭载了触觉传感器。
黄仁勋说,“触觉”是具身智能的最后一块拼图,真是如此吗?机器人有了触觉后,真的能更强大吗?干活会更聪明吗?如果答案是肯定的,那么为什么目前大多数机器人都还没有触觉?市场上有哪些路线与冲突呢?
这篇文章,跟我们一起走进实验室,去看看触觉传感器的前线研究。也来聊聊,如今机器人的触觉,发展到什么程度了。
本文为视频改写,欢迎大家收看以下视频
第一个问题是,机器人为什么需要触觉呢?我们不妨先看一个案例。
在一堆花生中,有几个是假的,如果只能看,不能摸,人是非常难分辨出来的。而搭载了触觉传感器的机器手,却能将假花生都挑出来。
只要能上手摸,人也能很快分辨出来。因为假花生是石头做的,表面更冰凉、更光滑,重量更重,还是实心的,摇起来没有真花生中果粒的振动感。
这就是触觉的重要性,因为现实中有很多任务,无法单纯的通过视觉来完成。
李智强Eric
一目科技创始人兼CEO
行业里做过一些实验,比如把正常人的手打一些麻药,让触觉感知神经短暂麻醉后,人手对于一些操作就会失灵,包括拧东西、抓握甚至系扣子等。
你可能会疑惑,一些没有触觉的机器人,不是在很多任务上的成功率都很高了吗?但业内人士指出,成功率高,并不等于可用性强。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
只用视觉时,机器人可以放慢速度,每次微调1毫米,不断尝试后总能完成任务。所以如果只看成功率,这其实是个伪命题。在这种情况下,力非常重要。例如,握东西要多紧、两个物体是否咬合,拧螺丝时不能等到螺丝拧花才意识到力过大。做柔性操作时,每根线的软硬度和材质也都很重要。
触觉到底是什么呢?它听起来是一种感觉,但我们把它拆开看,会发现它包含两种不同维度的信息:一类是对“力”本身的感知,另一类是对“形态学”的感知。
其中,力的感知还分为静态力和动态力。静态力,是抓握物品时,手指持续施加的压力,它告诉你:捏得够紧吗?物体有多硬?动态力,是物体滑动时产生的高频信号,它告诉你:是不是要掉了?摩擦力够不够?
而形态学的感知,就是对不同材料的分辨,比如通过触摸分辨苹果和橘子,就得判断表面是光滑还是粗糙,摩擦时的振动频率等等。这么多复杂的维度,放在机器身上该如何识别呢?
▍五种路径
目前市面上的方案主要有五种:压阻式、压电式、电容式、光学式和磁感应。
第一种是压阻式,这是最传统、最成熟的一条路线,材料受力后发生形变,电阻值发生变化,通过测量电阻变化来反推压力,常用的电子秤就是这个原理。
它最大的优势是成熟、便宜、技术门槛低,但是它只能测垂直方向上的力,而且会随着温度、湿度产生漂移。
第二种是压电式,一些特殊材料,比如石英、PZT陶瓷受力时,内部正负电荷中心发生偏移,从而产生电压信号,就像打火机的放电器。
它最大的特点是,只对变化的力敏感,就是你按下去的一瞬间,它会产生一个电压信号,但如果你一直按着不动,信号会慢慢衰减到零,松开的时候,又会产生一个反向的电压信号。所以压电式非常适合检测振动、冲击这类高频动态信号,却难以测量静态力。
前面两种都是直接把“力”转化成“电信号”,后面三种则是把“力”转为了“形变量”,然后测形变程度。这样做的一大好处就是,不再只局限在垂直方向,而是能检测出三维的力。
电容式的原理就是平行板电容器,当材料受力时,弹性材料会形变 ,比如按下去的时候,上下两层更近了,电容变大,此时就能测量垂直方向的力;或者滑动的时候,板面积变化,电容也变化,能感受到平面上的力。它的优点是灵敏度极高、响应速度快,而且成本相对较低,但问题在于动态范围有限,同时容易受到电磁干扰。
第四种是光学式,也叫视触觉。它是在传感器最上层覆盖一层柔性材料,接触到物体时会产生形变,材料背面有照明层,而藏在最底下的摄像头会实时检测材料的状态,通过算法反算出形变量,再换算成力的分布,因此这是一种可以同时解算接触形貌和接触力的传感器。这是目前行业最热门的方式,也是精度最高的方式,但成本较高。
第五种是磁感应,这种方式结构和光学式类似,只是表面的弹性材料加入了磁性颗粒,去掉了中间的照明层,底部的摄像头变成了磁传感器,这样表面弹性体变化时,磁场也变化,底部传感器捕捉变化后,反算出形变量,同样能推算出三维力。但磁感应容易受电磁干扰,周围的磁场环境会影响精度,而且分辨率有限。
还有一些其他不太常用的方式,比如磁流体、超声等我们就不详细说明了。以上不同方式各有优劣,我们采访嘉宾认为,对于机器人的触觉来说,多传感器结合或许是更好的方案。
▍多传感器结合
我们除了手指外,其他每一寸肌肤,都是有感知的,如果机器人想做到人类的水平,是不是也需要全身布满触觉呢?
但如果全身都用最好的技术,那成本就很难控制了,而且不同部位的要求不一样,同一种技术路径也难以适用全身。比如指尖的精度要求非常高,使用光学式的方案就能达到更高分辨率,但如果是手掌、手臂等其他部位,精度要求没那么高时,用昂贵的光学式就不划算了。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
手掌、手臂等部位的面积也比较大,比如我们考虑视触觉方案,光学模块的设计就会非常的困难,但是如果我们使用压阻式或电容式,它就比较容易覆盖这么大的面积。
在一些比较简单的应用场景下,也可以选择精度不那么高的路径。比如我们在WAIC展会上,就看到一些采用电容式的触觉传感器,已经被批量用于工厂的产品分拣与检测,原因就在于成本相对较低,与精度最高的光学式相比,采购价只有四分之一到二分之一。
而且,即使是同一个部位,未来也有机会融合多种技术,但前提是技术足够成熟。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
电容式灵敏度很高,但问题在于,材料被压紧后,对力的感知范围会非常有限。但是压阻是一种,必须硬碰硬的一种技术。因此,两种技术结合是一个可行的方案,但制造工艺、良率和量产能力能否跟上需求,仍是问题。现阶段,大家还在尽力完善单一技术路线的缺陷。
除了力的感知,广义的触觉还包括振动、材质感知等等,这就得依靠其他传感器来补足。比如人类想分辨丝绸和棉布时,会通过触摸加滑动的方式来产生振动,来感知材质的细粒度,到了机器人身上该怎么做呢?
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
我们会加入加速度计或麦克风这种传感器,能够更有效地捕捉到高频振动产生的信号。
所以完整的触觉方案,不是只选一种技术路线就完事了。
目前行业里最前沿、精度最高的,就是光学式,我们的采访嘉宾Eric所创办的公司一目科技,也是选择了这个方向,接下来,我们就走进他的实验室,探究下光学式的原理。
2000年前后,一批研究人员开始尝试一个大胆的想法:触觉,能不能也像视觉一样,被摄像头“看见”?
其中最具代表性的探索之一,是来自MIT教授Edward Adelson领导的团队,他们在2009年提出了GelSight,让机器人第一次拥有了类似“视觉”的触觉能力。
光学式最显著的优势是分辨率高,甚至已经超过了人类。
李智强Eric
一目科技创始人兼CEO
人的一个指尖大约1平方厘米,上面布了3000个触觉的感知点。每一个点下面有四个不同的nerve(神经元),就相当于12000个不同的神经元在去做感知。而我们的传感器现在可以做到24万个点,已经超过人了。
但是呢,代价也不小,接下来我们从材料、结构、算法、成本四个方面详细说说。
▍材料
首先是材料,有三大要求:
第一是特别软,业内称为“杨氏模量”低,这样才能通过细致的形变,精确反映物体硬度和力度;
第二得耐磨,不然日常执行任务久了,就会出现性能漂移或者破损;
第三要尽量薄,才能尽可能缩小整个传感器尺寸,扩大应用场景。
而这三点却天然对立,无法同时满足。
李智强Eric
一目科技创始人兼CEO
我们一直说这是个“不可能三角”,但我们只能找平衡,或者找一些新的方法,能不能把某些的变量给的约束条件去掉或者减弱。
接下来,我们到材料实验室看看新材料的研发过程。
材料工程师
一目科技
这里是我们做配方研究的实验台,大部分原材料都是液态的,种类很多。我们把不同原材料混合,使成型后的材料达到目标性能。
陈茜
硅谷101联合创始人
这个事情的难点在于什么?是不同配方的比例吗?
李智强Eric
一目科技创始人兼CEO
不仅仅是配方,我们从底层化学基底、单体到配方都需要研究。
Eric告诉我们,现在行业出现一种很有意思的材料,叫“可恢复性材料”,就像人一样,就算不小心划破了,过段时间就能自愈。
李智强Eric
一目科技创始人兼CEO
材料的恢复性一般来自一些特殊官能团。有些分子键断裂后还能恢复,我们在设计配方时要保留这种特殊的官能团。这是我们研发的一种新材料,触感与人的皮肤很接近,而且非常柔软,像婴儿的皮肤,不会造成伤害。
▍结构
而在结构方面,手指肯定是越小越灵活,这就要求触觉传感器也尽可能做得小。
测试工程师
一目科技
我们的产品体积是最小的,厚度和SIM卡的大小基本一致,大概不到16毫米。
陈茜
硅谷101联合创始人
为什么做得薄是一个技术领先的事情?
李智强Eric
一目科技创始人兼CEO
光触觉它背后是需要有感光的芯片或者摄像头,但是为了把整个视场都能看到,相当于微距摄影,它需要有一定距离,这个距离就是它的最底层的物理的制约因素。
要做得小,一方面就是前面提到的材料要尽可能薄,另一方面得从摄像头上下功夫,尽可能降低摄像头的对焦距离,同时还要扩大视场角(FOV),来覆盖更多感应区域。
李智强Eric
一目科技创始人兼CEO
我们通过自研的一些超表面和芯片的技术,能够压缩它的视距,不再用一些传统的lens(透镜)的方式去做。
在结构上,照明层的光路设计也是一大难点。因为手指的形态不是完全平面的结构,左右两边有些弯曲的弧度,这就需要精细设置照明灯珠的排布,保证不同位置照明的一致性。
李智强Eric
一目科技创始人兼CEO
照射的光路有很多讲究,我们要做大量的仿真,也叫光追踪,去观察每一个光子的传播路径。在设计时就要考虑,既要覆盖广,达到270度,又要保证精度和轨迹可预测,否则光和光之间会互相打架,产生串扰。
光学工程师
一目科技
这是一台BSDF测试装置,用于我们不同产品的,表面材料的光学特性的测量,可以将测得的光学特性输入到仿真模拟中,使我们的仿真更加的准确。之前如果买一套这种专业的一点设备要百万级,而这个是我们自己搭的,而且精度各方面挺好的。
另外,照明的灯珠,在市场上有两种方案,一种是单色,另一种是多色,之所以这么做的原因,就要说到第三点:算法。
▍算法
光学式具体是怎么识别触觉的呢?主要有三种方式。
第一种是标记点法。在皮肤层上,会印很多微小的标记点,摄像头跟踪这些点的位移变化,来计算皮肤层的形变。优点是算法简单、制造容易,但缺点是精度上限很低。
李智强Eric
一目科技创始人兼CEO
Marker(标记点)的数量顶多就几十个,这就是resolution(分辨率)的上限了,顶多中间做一些插值,但这都不是真值,所以它的问题就在于,相对来说精度低一些。
第二种是纹理分析法。皮肤表面不再需要规则的点阵,而是随机喷涂的细小颗粒,或者利用材料本身自带的不规则纹理。受力时,摄像头通过追踪光影纹理的流动来计算形变。它的优点在于硬件制造简单,因为不需要做标记点了。
大家手里的光学鼠标,原理就是简化版的纹理分析法,为什么是简化版呢?因为鼠标检测的是二维平面上的变化,而触觉传感器需要检测的是三维,这也是它的缺点所在:算法复杂,计算量更大,相对的响应延迟也较高。
前面两种算法主要关心的是亮度、对比度这些信息,所以用单色照明方案就够了,而第三种光度立体法,就必须用多色光了。
这种方式不需要任何标记点和纹理,皮肤比较均匀,照明层用红绿蓝三种颜色的光,从不同方向打光。发生形变时,由于皮肤表面凹凸变化,不同颜色光线打到同一个点的距离不同,相机捕捉到的就不再是均匀的颜色,算法会分析图像中每个像素点的RGB颜色值,来计算形变。
李智强Eric
一目科技创始人兼CEO
第三种方案兼顾了前两者的优缺点,是比较好的折中方案。制造方面也没有那么复杂,但是它在解算的时候,通过预训练的一些模型,就可以快速地去做分析,所以它算力要求比第一种大,比第二种小,精度也是比较优的。
▍成本
光学式的第四个挑战,就在于成本。通过前面的解析,相信大家也能看出来它的结构有多复杂,相应地成本也更高。
陈天一
一目科技联合创始人兼执行副总裁
目前单指的单价还是千元级的,可能会比别的技术路线稍微贵一些。随着量的上升,我们也看到了把整个的成本降到小几百的可能性。
而且不光是制造本身,后续的算法、算力要求也更高。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
视触觉现在之所以比较流行,是因为大家发现,可以比较好地用视觉的模型直接处理。但它的问题是,这个视觉的模型一般都会比较大,所以对于算力的要求更高。
当然,高成本也对应着高上限,在实验室里,我们也看到了直观的对比。
一个没有触觉的灵巧手,在没有视觉的辅助下,夹起薯片时,因为掌握不好力度,很容易就夹飞了。而带有视触觉的夹爪,不仅可以轻轻夹起薯片,当从它手中抽离时,它还会感知到轻微的晃动和摩擦,慢慢卸力。
还有更好玩的,就是夹树叶。相比薯片,树叶缺少了刚性,稍微多一点力就会发生形变,但我们看到,夹爪依然能精准感知到,树叶发生微小形变后,因弹性而对两边释放的微小力。
不过业内人士认为,现阶段更应该优先考虑的不是成本,而是验证路径的可行性。所以接下来,我们先来说说应用路上的第一道障碍,也就是数据采集。
机器人最稀缺的,就是训练数据,而到了触觉领域,已经不仅仅是“少”了。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
现在触觉可用的数据基本为0。
李智强Eric
一目科技创始人兼CEO
高保真的传感器之前是缺失的,我们通过传统的一些方法,采集来的数据跟人不太接近,且没有那么高保真的能力。
对于“触觉”这种强调实感的维度,普通的视频、文字等互联网数据,无法反映出“力”的大小和方向的,所以这个领域尤其强调真机数据。
但真机数据在获取上,存在着三大难点。
▍真机采集三大难题
我们再来做个简单的小实验哈,我们戴上这个很厚的手套,然后试图拿起一块豆腐,真的很难掌控力度,要么就是它会滑下去,要么可能稍微一用力,它就破了。
最主要的原因,就是厚重的手套完全屏蔽了触觉,无法判断豆腐和手指之间的摩擦力够不够、是不是快掉下去了,以及豆腐的形变程度、是不是快破了,这也是触觉数据采集时要面临的最大悖论。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
采集人的触觉,也就意味着需要在人手和物体之间做一个隔离,那在某种程度上我们屏蔽了人自己的触觉。如果人手被传感器覆盖,导致人本身的触觉没有办法被有效的利用,操作者的手变笨了,demonstration(示范)质量会下降,训练出来的数据结果,就没有办法让机器人能具有像人一样的灵巧的能力。
我们看到一目科技的数采设备,把整个传感器放到了手指前面,操作起来就像用筷子一样。
李智强Eric
一目科技创始人兼CEO
我认为它确实跟真实世界有gap(差距),通过一些算法能把它回退回来,可以去做一些gap的弥补,但是我不可否认它跟人是不一样的。
所以最大的问题就是:要采集触觉,就得先屏蔽触觉,但是屏蔽触觉后,又难以采集触觉。而且采集设备本身也比较复杂,一定程度上,也会影响采集员的操作。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
其实大多数的数采设备都非常的笨重,尺寸大、穿戴比较麻烦,都会在某种程度上影响操作员采集数据本身的一些行为。
要解决这个问题,一方面需要行业做出更薄的传感器,尽可能减少对采集员触觉的屏蔽。
李智强Eric
一目科技创始人兼CEO
我们下一代的触觉传感器是超薄型的,只有3毫米,不需要戴一个非常复杂的手套,只在某些关键的地方贴一些触觉点。
另一方面,行业需要设计出更舒适、更符合人体工学的采集设备,而这需要的多学科领域交叉。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
人体工学设计与设计一个触觉传感器、灵巧手是完全不相干的东西,这是我觉得接下来一年非常重要的一个课题。
行业里也有一些对采集员影响较小的织物采集手套,但这就牵扯到第二个问题:数据密度不够。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
最好的织物触觉手套,一只手也就500个点,我如果想把这个数据应用在,比如传感器上,那gap(差距)还是挺大的。如果我穿戴着这个手套,去抓一个M2的螺钉,其实就只有一个点接触,是没有办法去检测到这个螺丝的方向或者大小的。即使模型再强,也没有办法去有效地让它学习到这样的一些信息。
于弢团队和MIT去年合作了一个项目,用这类手套采集触觉数据。结果发现,大部分有效数据都是,用整个手掌抓取一个较大的东西,因为这种任务对密度的要求最低,一旦涉及到精细操作,数据就失效了。
行业面临的第三个问题是,由于触觉还是非常早期的行业,各家公司的数据采集格式不统一,难以形成大规模训练集。比如有的采集设备是两指的,就只适合用在工业场景的机器夹爪上,不适用于灵巧手的训练。
李智强Eric
一目科技创始人兼CEO
目前在数据的存储和对齐方面,我觉得做的不够好。它们之间的一致性好不好?触觉和其他模态的对齐好不好?比如同时采了触觉、视觉、本体信息,那这些模态是不是能从时间轴,到数据本身的对齐的能力做得更好?这块也是缺失的,或者做得不够好。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
硬件现在是相对不成熟的,不同的技术、传感的方式、数采设备、数据的格式、数据的形态都不一样,算法没有办法演进,因为数据的量上不去。
设备不够成熟,就采不到高质量数据,然后训练不出好模型,就没人愿意投资这个领域,这将是一个恶性循环。
既然真机采集这么难,那如何才能规模化呢?这就得用到仿真合成了。
▍仿真合成的原理与局限
仿真是在虚拟的环境中,模拟真实场景,可以同时、批量采集不同的数据。到了这一步,就不得不说到大家比较熟悉的英伟达了,这条是老黄重点押注的路线,他们为此也搭建了非常完善的框架Isaac Lab。
实际训练时,触觉公司会利用各种公有的模型,并对不同的模型加入一些真实的物理特性,比如一个螺母,它就是刚性的、比较重、表面光滑,或者是一个毛线球,它有多软、多重、表面粗糙程度如何等等。同时还要在系统里输入触觉传感器的特征,比如表面的弹性体的物理特征、手指内的光源分布等等。
有了这些数据后,就可以在系统内模拟触觉传感器接触到不同物体时表面的形变程度、光路变化,推算出最终采集到的数据。仿真的结果,还会和现实表现做对比,通过数据标定来进一步修正。
机械工程师
一目科技
图中展示了某一确定条件下的实际图像采集结果,蓝色的点代表仿真的形变,红色的点代表标定。我们展示的这部分修正是在解算层面,最后做一个映射的矩阵去修正输出,后续也会在模型输入的层面去做修正。
今年五月,有一篇名为《Tabero》的论文还提出了一种方法,那就是复用已有机器人数据,把这些轨迹重新放入Isaac Lab中,并加入触觉传感器模拟,最终生成完整的“视觉-触觉-语言-动作”数据。这其中最大的难点是:计算量太大了。
AI工程师
一目科技
如果用有限元的方法精细计算弹性体的变形,一帧可能就需要一个小时,这对于需要快速实时的获取数据而言,是不能接受的。
所以学术界提出了很多简化的计算方式。比如英伟达在2025年发布的《TacSL》论文,就介绍了一种用于视触觉的仿真方式。它的核心思路是:用软接触模型代替有限元计算。
所谓软接触,就是把物体和皮肤都当作刚体处理,但它们之间可以“互相穿透”,接触的力越大,穿透的越多,这样算出来的形变虽然不是最精确的,但也能大致模拟,而且在计算速度上更快。
但不可否认,仿真和现实之间,永远会有差距。Eric告诉我们,他们仿真的准确率,大概在90%以上,而其中10%的差距主要在于柔性物体的模拟,这也是目前的挑战所在。
李智强Eric
一目科技创始人兼CEO
针对柔性物体,我们也可以去补充一些后训练数据,比如我们已经有一个80分的模型了,我再加一点点后训练,很快就可以到90分以上。
这个思路和《TacSL》论文的策略是一致的。《TacSL》在训练策略时做了两件事:一是随机化物理参数,让策略适应不同的刚度、阻尼;二是在触觉图像上,做大量的数据增强,让策略对摄像头差异、光照变化鲁棒。这样,他们在真机上实现了零样本迁移,在插拔销钉任务上,TacSL在真机上达到了82.7%的成功率。
所以仿真意义,更多是作为真机数据的补充,两者需要搭配训练。
李智强Eric
一目科技创始人兼CEO
真实的数据多一点,还是仿真的数据多一点,每家可能不太一样,我们的判断可能至少1:1,甚至1:1以上,在短期之内仿真可能会占多数。
那到底需要多少数据,才能训练出较好的模型呢?在这点上,业内人士给出的答案比我们想得更乐观点。
▍数据量要多少
柯丽一鸣
Physical Intelligence研究员
什么时候我们收集到100万小时,等同于一个人一生的物理经验的数据,我觉得我们才开始后面的探索。
这是我们采访做具身模型的人时,Physical Intelligence的嘉宾Kay她给我们的答案,但到了触觉领域,数据量却只要十分之一。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
训练一个带有触觉的基础模型,所需要的数据,应该是要远低于基于视觉的基础模型。
李智强Eric
一目科技创始人兼CEO
当你有超过10万小时的数据,你会发现它逐渐就开始有一定的泛化能力。
这背后的原因其实不难理解。因为机器人的行为模型,其实包含了大量操作的“过程”信息,比如转身、伸手、移动等,并不是说这些信息不重要,但真正对训练有效的部分,往往是那些“拿起”、“放下”等等关键的操作。
而对触觉数据来说,平时在没有操作时,输入的信息基本为零,相当于这10万小时已经减掉了无效操作的部分。
说完数据采集,我们再来聊聊触觉的第二个障碍:算法模型的应用。有意思的是,如果直接把触觉信号输入到行为模型中,机器人任务的成功率反而会下降,这是为什么呢?
▍应用挑战
今年6月,伯克利、英伟达、斯坦福集结了李飞飞、Jim Fan等众多知名学者,联合发布了一篇名为《T-Rex》的论文,其中一项实验结果表明:如果把触觉信号,直接输入到π0.5的模型中,各项任务的成功率反而下降了。
这反映出一个问题,加了一个模态,不等于模型表现就变好,所以如何利用触觉信号,就是目前最大的挑战。
李智强Eric
一目科技创始人兼CEO
我觉得最大挑战是,大家对于触觉这个模态还是比较陌生,以及它真的怎么融入到我们模型训练里边,大家还没有一个完整跑通cycle(闭环)的SOTA(最先进的)模型出来。
我们先来简单说说,此前触觉应用的三大挑战。
第一个问题是,触觉没法用规则定义。一个东西到底是软还是硬、是脆还是弹,超过多大的力会破坏物品、物品能不能被破坏,我们没法单纯地设置一个数值、写一个规则,这样在执行任务时,模型会难以判断。
比如,拿起纸杯这件事,力气小点能拿起,稍微再夹紧点、杯子有点形变,也可以接受,但到了鸡蛋上,就绝不能让蛋壳有形变。
第二个问题是,触觉信号维度太多,直接输入到模型中反而成为了噪声。我们前面说过,触觉包含了纵向的压力、横向剪切力和摩擦力、还有表面材质感知的温度、振动、音频等等数据,这些数据不加处理地输入到大脑中,模型将难以分解。
第三个问题是,触觉和其他模态的频率不匹配。触觉信号天然是高频的,而视觉语言模型通常运行在低频率,这就意味着两者难以直接结合,会出现计算资源浪费、反应速度慢、触觉噪声干扰高层规划等问题。
到了今年,由于AI的进步,业界看到了触觉应用的范式。
▍模型算法
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
之所以触觉最近两年开始火,并不是因为触觉这个技术本身这两年才存在,而是在很久以来大家并不知道怎么样去用触觉。像最近的这些AI算法的演化和端到端模型的实现,对于触觉的利用是非常大的促进。
端到端就是直接把信号输入给神经网络,让模型自己学习,不需要人为定义规则,这就解决了第一个挑战。
第二个挑战的解决思路,就是利用编码器(Encoder),前置处理触觉信号,将这些数据打包后输出完整的语义理解。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
用self-supervised learning(自监督学习)的方式,去训练编码器,可以很容易的把不同类型的触觉的模态,甚至视觉结合在一起。然后利用现有的一些,比较常见的注意力机制,就可以比较好地去抓取,不同模态的触觉之间的相互的关系。从模型训练的角度,这能比较有效地把这样的信息,集成到更大的一个backbone(主干网络)里面。
李智强Eric
一目科技创始人兼CEO
我们叫tactile Transformer encoder(触觉Transformer编码器),通过编码器对它进行一个语义理解,比如说“到底是软的硬的?有没有摩擦?形态上像什么?”等等。做完编码之后,再进到backbone(主干网络)的大模型里面去做判断。
再来说说如何解决频率不匹配的问题,在《T-Rex》论文中,就提出了MoT的方式。这个MoT架构,借鉴了MoE的思想,由不同专家处理不同类型的信息,为此构建3个不同的专家(Expert)。
Latent Expert(潜在专家),负责处理视觉和语言观察,预测未来的视觉表征,提供“上下文理解”,这是慢速的、认知层面的。
Action Expert(动作专家),负责根据视觉语言上下文生成动作序列,比如往哪里走、手臂大概怎么摆等,但它输出的只是粗略的动作,最具创新的是第三个专家。
Tactile Expert(触觉专家),它就像机器人的反射系统,在动作执行过程中,通过实时触觉反馈,对力度、角度和接触状态进行快速修正。
听上去好像也不算什么创新,毕竟MoE架构早就有了,只是额外设置了个触觉专家而已。但这套系统最重要的思想,在于“异步执行”。意思是在推理时,动作专家生成动作规划,同时触觉专家以更高的频率独立运行,不断对动作进行修正。
这样机器人在利用触觉时,可以复用已经算好的上下文缓存,只进行快速的触觉推理,这样既保留了大模型的理解能力,又获得了类似人类触觉反射的快速响应能力。
这也类似我们之前聊基础模型的双系统架构:System 2负责慢思考、长程规划,System 1负责快反应、本能动作,而触觉也不例外。
李智强Eric
一目科技创始人兼CEO
我们觉得它应该是两个可以打通的不同的系统,就比如触觉在边缘端,应该有一个快速响应机制,例如接触之后就应该立刻做出动作。同时我觉得触觉信息也应该能回到大脑去,对相对长程的过程里,做一定决策的影响,但是它就偏reasoning(推理)。
我们在采访过程中,也发现了业界的一点分歧,那就是触觉模型,是单独训练,还是要结合摄像头、激光雷达等其他传感器来一起训练呢?
Eric认为,触觉模型可以单独训练,这样才能更好地平衡权重,就像《T-Rex》这篇论文的思路。
李智强Eric
一目科技创始人兼CEO
我们会更倾向于触觉模态的单独训练。因为触觉模态本身的语义理解,就可以完成一定的闭环,当它的语义理解结束之后,再和其他的模态进行融合,让大脑去判断会更好。因为它每一个模块可以去单独地去做训练、测试、闭环,同时这些模块可以即插即用地,插入不同的系统里面做应用。它还能跟其他模态更好对齐,不然眉毛胡子一把抓,都混在一起。模态之间的数据怎么去平衡,是个挺难的问题。
来自北美的于弢认为,两者必须要同时进行,这样才能判断每个“力”在空间中的分布,让模型更好的理解:“我是拿了什么东西,才会有这样的感知”。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
视觉是全局的,而触觉是非常局部的事情。我的手的形态动的时候,同一个传感器对应的在空间上的分布是不一样的,当大家做视觉和触觉的模态融合的时候,并不是一个简单的latent space representation(表征空间)。
当然你在同一个embodiment(载体),做同样一件事情的时候,是可以的,但一旦这样做完之后的transfer(迁移)非常难。比如像哥大李昀烛老师,是把这种触觉的力的分布,结合到三维点云上。也就是说这个力,并不只是一个力,而是它在这个空间中的力的分布。在这种情况下,是需要力的触觉和视觉的结合。
于弢的思路,也对应着我们前面提到的《Tabero》这篇论文。他认为触觉应该参与到高层决策中,理解“轻一点”和“重一点”的语义。
简单来说,《Tabero》主打前置的“语义力控”,而《T-Rex》是执行过程时的“高频修正”。由于触觉这个行业目前处于非常早期的阶段,多条路线同时探索,没有绝对的优劣之分,我们只是向大家展示不同路径。
最后,我们来说说触觉的第三个障碍,规模化。量产的最大的难题,就在于性能的一致性。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
在2026年维也纳举行的ICRA(国际机器人与自动化会议)上,我们亲手测试了很多公司的触觉传感器是否一致,大多数产品还做不到。
因为手指的调整动作都是非常微小的,在做精密操作时,输出的力稍微有点偏差,就可能导致任务失败。而触觉传感器又太精密了,但凡表面的弹性体厚度相差太大、弹性系数不一致、传感器间距不同,都会导致参数偏差,算法就难以计算出正确的数值。
接下来,我们就去一目科技的试产车间看看,他们是如何验证新工艺的。
第一步,是先把凝胶材料放到模具内固化,作为手指的表面弹性体,这一步得注意,不能有任何灰尘和气泡。
这一步需要在提供局部100级超洁净空间的超净工作台操作,会更有利于凝胶制备。
制备完成后,还得先检验是否合格。工作人员会通过拍摄,来视觉筛选掉内部有气泡、杂质的情况,并且所有的数据会经过上位机的判断,再筛选一次。
最后就是将其他地方制备的零部件,集中到一条产线上进行组装。
生产工程师
一目科技
刚才看到的材料会在这里进行分布组装,从第一个粘接工位,到预总装工位,其中包括壳体、灯带、相机、芯片等各个零部件的精密组装。触觉传感器会在总装前的预检测工位,进行成像的检测。电脑里显示的画面,展示了触觉传感器的精密的动态,属于力学的反馈,同时其中包含了很多AI算法。
当然,每个批次的试产样品还得经过自动化测试,用来验证工艺参数的稳定性。
目前在试产阶段,很多步骤依然依赖手工操作,因为触觉传感器是一个比较新品类,现成的标准化自动化设备暂时还没统一。
陈天一
一目科技联合创始人兼执行副总裁
触觉的量产不是脱离了上下游自己去生产,比如数采或是灵巧手的上下游,有不同的协议、不同的接口,对于手的适配要求也不同,所以量产还是要跟着需求,有一些定制化的操作。
一方面是自动化量产线稳定交付标准品,另一方面是试产线承接定制化需求和新工艺验证,两条线协同运转,正是这个行业走向成熟的标志。而到了2026这个时间点,我们采访的几乎所有嘉宾都表示,触觉已经处于爆发前夜了。
陈天一
一目科技联合创始人兼执行副总裁
我们看到今年整个需求有一个大幅度的上涨,大家慢慢认识到了,触觉的数据,对于物理AI训出更好的模型来说,是非常非常重要的。今年,灵巧手、上下游、包括具身的整机,都在去拼命的去做、拼命的出货,自然也会带动整个触觉传感行业更加成熟。
在今年的WAIC展会上,我们也在一目科技的展台,看到了某大型汽车电池装配工厂,将他们的触觉传感器搭载到了机械臂上,实现了工业级的应用。
市场工程师
一目科技
不同的电池包的形态变化,如果依赖传统的自动化,纯去做每次的预编程和大量的开发,无法适应产线的频繁调度和变化的过程。所以基于触觉,就得到了一些柔性装配的能力。
未来,还将应用到实验室里,做更多精密操作的项目。
市场工程师
一目科技
比如说像滴管,去做精准的取液,要恰好把它控制到毫克级的精准程度。有了触觉的精准反馈,可以实现对于滴管施加的力形变的精准控制。
根据美国银行的预测,到2030年,人形机器人的出货量将达到120万台,假设都装配了触觉传感器,每个机器人10根手指,那么触觉的市场需求将提升到千万级别。
于弢
亚德诺半导体(美国)人工智能总监/灵巧AI负责人
如果2030年的时候是量产,我们倒推一年,或者一年半到两年的研发、测试的周期,那也就是说下一年要开始上量。
李智强Eric
一目科技创始人兼CEO
触觉的下一个里程碑节点,我觉得就今年或者明年年初。
在采访时Eric提到,触觉,是让机器人类人、甚至超越人的“最后一块拼图”,因为这不仅是多了一个维度的数据,更是让机器人掌握到了“人类的第一语言”。
李智强Eric
一目科技创始人兼CEO
人类的婴幼儿刚出生之后,第一个会的其实并不是看和听,小朋友都是靠触觉摸这个世界,甚至可能用舔、用舌头,这才是我们人类对于这个世界的第一语言。
Adelson也提到启发GelSight的灵感,是源于观察小孩时,发现触摸对他们更有吸引力。
确实,人类小孩刚出生时,他不会说话、不会走路、连看都看不太清楚,想感知世界,只能伸手去摸,摸妈妈的脸、摸床单的材质、摸脚趾头的形状。
而今天,我们正在教机器人做同样的事情,让它摸花生、摸树叶、摸鸡蛋等等,每摸一次,对物理世界的理解就多一点。
或许很多年后,机器人走进了我们的生活,那时我们回望,可能会发现,转折点就在触觉普及时,因为那一刻,机器人才开始真正的理解了世界。
注:部分图片来源于网络
【本期节目不构成任何投资建议】
苹果,站在 AI 繁荣的另一面:完美财报,为何换来近 10% 暴跌?AI 的半导体压力已传导至消费电子,拥有全球最强供应链管理能力的苹果,也无法置身事外。
撰文:Mike、Frank,MSX 麦通
一份近乎无可挑剔的财报,换来了一场 10% 级别的股价暴跌。
7 月 30 日,苹果 2026 财年第三季度实现营收 1094.2 亿美元,同比增长 16%,创下历史最强六月季度纪录;稀释后每股收益达到 2.02 美元,同比增长 29%,显著高于市场预期的 1.89 美元,整体毛利率更达到 50.1%,处于绝对历史高位。
从营收、利润到核心产品销售,几乎所有重要指标都超出了华尔街预期。再考虑到这是蒂姆·库克卸任 CEO 前主持的最后一次财报电话会,这本应是一份足够体面的告别答卷。
但资本市场给出的反应却完全相反。
财报发布后,苹果股价先在盘后下跌约 5.5%,随后在次日交易中一度跌近 10%,市值蒸发接近 5000 亿美元,问题并不出在刚刚结束的季度,而在苹果对未来的描述——管理层预计,9 月季度营收同比增速为 9% 至 11%,低于华尔街约 12% 的一致预期;毛利率指引也回落至 47% 至 48%。
库克更明确表示,公司正在面对非常显著的供应约束,供应链已经没有太多可以灵活调度的空间,这也暴露出 AI 带来的全球半导体资源争夺,正在从数据中心向消费电子传导,而拥有全球最强供应链管理能力的苹果,也无法置身事外。
理解这条线,是理解苹果下一阶段成本、产品和估值问题的起点。
一、AI 成为「内存黑洞」,苹果被卷入资源争夺
过去两年,市场习惯于从 GPU、光模块、网络设备和电力系统理解 AI 基建,却相对忽视了另一个正在快速发生的变化:AI 数据中心不仅消耗算力,也在快速吞噬全球最优质的内存产能。
大型 AI 加速器需要配置大量 HBM,训练和推理服务器还需要服务器 DRAM、企业级 SSD 以及更大规模的数据存储,由于 HBM 堆叠层数更高、制造流程更复杂,单位产品消耗的晶圆和制造资源,也显著高于普通内存。
这并不意味着 HBM 与智能手机使用的 LPDDR 直接共用同一条最终封装线,但上游内存厂商会根据利润和客户确定性,重新分配晶圆产能、资本开支和工程资源。
因此,当更多资源流向 HBM、服务器 DRAM和企业级存储,留给手机、PC 和其他消费电子产品的传统 DRAM 与 LPDDR 供应,自然便受到挤压,据 TrendForce 的行业估算,按等效晶圆消耗计算,AI 相关内存在 2026 年可能吸收接近全球 DRAM 产能的 20%。
因此,所谓「AI 抢走了 iPhone 的内存」,并不是英伟达直接拿走了苹果已经下单的某一批 LPDDR,而是 AI 客户凭借更高利润、更长采购周期和更强的预付款能力,改变了整个内存行业的资源分配方式。
而在这场资源重估中,不同产业链环节所面对的结果,截然不同。
1.内存厂商:从周期涨价走向资源稀缺
最直接的受益者,是 SK 海力士、三星电子和美光等 DRAM 厂商。
AI 客户为 HBM 提供了更高的产品单价、更长的订单能见度和更强的预付款能力;与此同时,内存厂商将更多产能和投资资源转向 AI 产品,也进一步收紧了传统 DRAM 和 LPDDR 的供应。
美光最近一个财季营收达到约 414.6 亿美元,同比增幅接近 350%,超过上一年同期的四倍;其增长同时来自 HBM、DRAM 和 NAND 等多条产品线。
于是,内存厂商同时吃到了两重红利,一端是 HBM、服务器 DRAM 等高价值产品快速放量;另一端是消费电子内存供应收紧,推动传统产品价格上涨。
美光最近一个财季营收达到约 414.6 亿美元,同比增幅接近 350%,超过上一年同期的四倍,其增长同时来自 HBM、DRAM 和 NAND 等多条产品线。
这正是当前存储周期最特殊的地方。过去的存储牛市,通常依赖手机、PC 等传统终端需求回暖,而这一轮上涨,却同时受到 AI 需求扩张和传统产能收缩推动。
数据中心不断提高单台服务器的内存配置,消费电子厂商则需要为有限的剩余产能支付更高价格。需求扩张与供给收缩同时发生,使存储厂商的利润弹性远高于普通的周期复苏。
当然,不同存储公司之间仍需区分。美光、SK 海力士和三星,是 DRAM、LPDDR 与 HBM 逻辑的直接参与者;SanDisk 等 NAND 厂商则更多受益于企业级 SSD、数据存储需求和 NAND 涨价。
它们都属于存储主线,但并不是同一套业务逻辑,也不能简单视为苹果 LPDDR 短缺的直接受益者。
2.苹果与下游供应商:成本压力最终由谁承担?
对于苹果而言,内存短缺意味着三种可能的应对方式:提高售价、压缩利润,或者调整不同产品和配置的出货结构。
理论上,在零部件成本持续上涨时,苹果更可能优先保障高毛利、高单价产品,将有限供应向 Pro 系列和高容量版本倾斜。
但需要强调的是,现阶段并没有足够的官方信息证明苹果已经因为内存短缺,大规模削减某一款基础机型三分之一的产能,部分供应链消息提到标准版 iPhone 17 订单出现调整,但其中也可能包含正常产品周期、需求变化以及新机发布前去库存等因素。
因此,更稳妥的观察方式,是看一家供应商处于价值链的哪一层:
依靠整体出货量和低附加值订单的组装、PCB、连接器及通用零部件厂商,对苹果削减产量更为敏感;
掌握影像传感器、高端显示、先进封装和核心芯片等稀缺技术的供应商,则拥有相对更强的议价能力;
不过,议价能力更强,并不意味着可以完全免疫。
如果苹果整体出货下降,几乎所有供应链环节都会受到影响,区别只在于订单下滑的幅度,以及单机价值量提升能否抵消出货减少。
郭明錤预计,由于 LPDDR 供应紧张,苹果在 2026 年下半年至 2027 年第一季度对 A20 芯片的实际提前拉货量,可能较原定目标低 10%至 20%。但其中一部分差异,也可能来自苹果此前为了锁定产能而进行的超额预订。
苹果也在评估更多内存供应来源,长鑫存储因此进入市场视野。但这条路径仍受到产品验证、供应规模和美国监管政策等因素影响,短期内很难完全替代三星、SK 海力士与美光。
3.台积电:真正横跨两种需求的「收费站」
台积电是这场资源重估中位置最特殊的公司。
苹果需要台积电生产 A 系列和 M 系列芯片,英伟达、AMD 以及云厂商的自研 AI 芯片同样依赖台积电的先进制程和封装能力,因此,无论资本流向消费电子还是 AI 数据中心,台积电都能从中受益。
但苹果和英伟达,并不是简单地争抢完全相同的产线。
苹果的主要约束更多集中在 N3、N2 等先进晶圆制程;AI 加速器除了需要先进晶圆制程,还大量依赖 CoWoS 等先进封装产能和 HBM 配套。
两者的瓶颈存在交集,却并不完全重合。
真正重要的是,AI 与消费电子需求同时旺盛,使台积电的先进制程、封装能力和客户排产价值均处于高位。台积电 2026 年第二季度收入达到 402 亿美元,同比增长 33.7%,毛利率达到 67.7%;2 纳米制程已经贡献约 3% 的晶圆收入。
苹果产品周期强劲时,台积电受益;AI 芯片需求继续扩张时,台积电同样受益。
当两者同时发生,台积电获得的不只是产能利用率提升,更是重新定价先进制造稀缺性的机会。
二、最强六月季度,暴露了最大的担忧
理解了产业资源如何重新分配,也就更容易理解苹果这份财报为何越强,反而越让市场担心。
毕竟从表面看,苹果第三季度的盈利能力强得近乎反常。
整体毛利率达到 50.1%,较上一季度继续提升,不过其中大约有两个百分点来自美国政府退还的关税款项,关税退款同时贡献了约 0.11 美元的每股收益,剔除这一一次性因素,苹果的实际毛利率约为 48.1%。
这个数字依然不差,却远没有表面的 50.1% 那么惊艳。
换句话说,这份财报中的高毛利率,并不完全代表苹果产品组合和定价能力发生了结构性改善,一部分利润只是此前关税成本的阶段性返还,而内存、芯片和其他关键元器件价格上涨带来的压力,仍在继续累积。
苹果此前已经通过提高部分 Mac 和 iPad 产品价格,将一部分成本转移给消费者;但作为出货量最大、竞争最激烈的核心产品,iPhone 的价格调整显然更加敏感。
这也解释了为什么本季度 iPhone 销售越强,投资者反而越担心下一季度。
在内存和先进芯片供应持续紧张的背景下,一部分消费者可能提前购买尚未涨价的现有产品,第三季度的强劲需求,因此可能同时包含正常换机需求、产品周期红利和涨价预期下的提前购买。
如果后续新品提价,苹果需要验证消费者是否仍愿意维持同样的升级节奏;如果不提价,则必须自行消化更高的零部件成本,或者通过调整产品结构、配置和出货量守住利润。
无论选择哪条路,苹果都将面临一个过去并不常见的局面,那就是供应链成本上升的速度,正在接近苹果传统定价、库存和产品组合工具能够吸收的边界。
更值得注意的是,财报中的「供应约束」并不只来自内存。
库克表示,刚刚结束的第三季度主要瓶颈之一,是生产 Apple Silicon 所需的先进制程产能不足,尤其影响了 Mac 等产品的供给,与此同时,苹果预计下一季度内存成本还会继续上涨。
因此,苹果眼下面对的是两种性质不同、却同时发生的短缺:一端是 DRAM、LPDDR 等内存价格上涨,直接推高设备物料成本;另一端是先进制程产能紧张,限制苹果能够生产多少颗 A 系列和 M 系列芯片。
库克将当前内存市场形容为一场职业生涯中从未见过的「百年一遇洪水」,苹果的应对方式则是提前建立库存。截至 2026 年 6 月底,苹果库存达到 110.9 亿美元,较 2025 财年末的 57.2 亿美元接近翻倍。其中,零部件库存从约 21.2 亿美元上升至 76.5 亿美元,显示苹果正在尽可能提前锁定关键元器件。
但库存只能平滑成本,无法创造新的产能。
尤其是对一家估值已经处于历史高位的公司而言,这种「卖得出去,但未必生产得出来;能够生产,却未必维持原有利润」的状态,足以引发市场重新定价。
三、AI 叙事正在换挡,苹果何去何从?
值得一提的是,就在财报暴跌之前,苹果刚刚完成了一次极具象征意义的市值反超。
7 月 28 日,苹果市值首次短暂突破 5 万亿美元,成为继英伟达之后,全球第二家达到这一里程碑的公司,截至当天,苹果年内涨幅约为 25%,并一度重新成为全球市值最高的公司。
苹果的上涨,并不意味着市场认为它已经拥有了最强的大模型。
恰恰相反,苹果在基础模型能力、云端算力储备和 AI 产品推出速度上,一直被认为落后于 OpenAI、Google 和 Anthropic。
市场重新定价苹果,反映的是 AI 叙事正在发生变化。
AI 投资的第一阶段,市场奖励模型能力和技术突破;第二阶段,市场奖励 GPU、网络、内存与数据中心等基础设施提供商;随着资本开支不断膨胀,第三阶段的问题开始变成这些算力最终能够创造多少收入、利润和自由现金流?
在这一阶段,苹果的优势并不是训练出参数最多的模型,而是拥有全球最大的高价值消费设备入口之一。
截至 2026 年初,苹果活跃设备安装量已经超过 25 亿台;与此同时,苹果服务业务付费订阅数量超过 15 亿,苹果可以将 AI 能力嵌入手机、电脑、耳机、手表和操作系统,再通过硬件升级、iCloud+订阅和服务生态完成商业化。
它不需要像云计算巨头一样,首先证明数千亿美元数据中心投资能够获得足够高的资本回报,只需要证明 AI 能够提高换机意愿、服务付费率和用户黏性。
这种「设备分发+订阅服务」的路径,正是苹果在 AI 资本开支争议升温时获得重新定价的重要原因。截至 2026 财年前九个月,苹果经营活动现金流达到 1169.96 亿美元,而购置固定资产支出约为 67.99 亿美元。苹果用不到经营现金流 6%的固定资产投入,维持着庞大的设备和服务生态。
相比大规模建设 AI 数据中心的科技巨头,这种商业模式明显更加轻资产。
但「轻资产」并不意味着没有代价。苹果目前采用的是一种混合式 AI 路线:本地设备和 Private Cloud Compute 运行苹果自己的模型,部分更复杂的 Siri 能力则借助 Google 的 Gemini 技术完成。
这种路线能够降低早期基础设施投入,却也意味着苹果在核心模型能力、推理成本和产品节奏上,需要依赖外部合作伙伴。
如果未来 Siri AI 使用量快速增长,苹果仍可能面临更高的云端推理费用,并不得不增加自身算力投入。苹果或许跳过了第一阶段最激进的资本开支竞赛,但并没有永远摆脱 AI 基础设施成本。
更现实的问题是,苹果的 AI 商业化仍未得到财务数据证明。
本季度服务收入同比增长 12.1%至 307.4 亿美元,但低于市场预期的 312.2 亿美元。App Store 游戏收入还受到监管变化和外部支付渠道开放的影响。中国市场的 Apple Intelligence 仍在等待监管许可;在欧盟,新的 Siri AI 初期也不会在 iPhone、iPad 和 Apple Watch 上全面开放。
这意味着,苹果拥有庞大的设备入口,却暂时无法在所有关键市场同时释放 AI 能力。
财报后的分析师分歧,恰恰源于此。
看多者认为,苹果拥有其他 AI 公司难以复制的用户入口、硬件生态和现金流能力,下一轮 iPhone 周期将成为 AI 商业化的起点;看空者则认为,苹果当前估值已经提前计入了 AI 带来的换机和订阅增长,而这些收入尚未真正出现。
财报发布后,至少有四家机构下调苹果目标价,三家上调,市场目标价中位数调整至约 330 美元。
苹果接下来需要回答的,已经不只是「下一代 iPhone 能卖多少台」,而是两个更深层的问题:
第一,在内存和先进制程成本持续上涨的情况下,苹果还能否同时守住销量、定价与利润率?
第二,Apple Intelligence 和 Siri AI 能否从产品功能,真正转化为换机需求、订阅收入和更高的用户生命周期价值?
写在最后:AI 的繁荣,也有另一张资产负债表
过去两年,AI 产业链的主流故事,是英伟达卖出更多 GPU、云厂商建设更多数据中心、内存厂商获得更高价格。
苹果财报展示的,则是这场繁荣的另一面。
当 AI 基建吸收越来越多内存、先进制程与工程资源,消费电子公司需要支付更高成本,供应商需要重新分配订单,消费者也可能面对更高售价。
苹果既站在压力的一端,也站在机会的一端。
它的硬件业务正在承受 AI 对全球半导体资源的挤压,它的服务和生态业务,却可能成为 AI 从基础设施投资走向商业化兑现时,最重要的分发入口之一。
那未来价值最高的公司,究竟是拥有最多算力的人,还是最有能力把算力变成用户付费的人?
苹果正在试图成为后者。
但在超过 5 万亿美元的估值附近,市场已经不会再只为一个尚未兑现的故事买单。
OpenAI CEO Sam Altman(萨姆·奥尔特曼):我们正与苹果直接竞争撰文:Techub News 整理
2026 年 5 月,科技圈被一则重磅传闻搅动:OpenAI 可能正在秘密开发一款 AI 优先的智能手机,并计划在 2027 年上半年发布。更引人注目的是,传闻称这款设备的设计师正是苹果传奇设计总监 Jony Ive。Limitless Podcast 的主播 Ejaaz 和 Josh 对此进行了深入调查,他们不仅分析了传闻的可信度,更通过挖掘 OpenAI 及其主要竞争对手 Anthropic 的招聘信息,揭示了两家公司未来 24 个月截然不同的产品路线图与战略雄心。
传闻中的 OpenAI Phone:AI 优先的操作系统之战
根据知名苹果供应链分析师郭明錤的报告,OpenAI 正与 Jony Ive 合作开发一款智能手机,目标是在发布第一年售出 4000 万至 5000 万台,这个数字甚至超过了 iPhone 初代的首年销量。尽管 Josh 坦言自己最初并不相信,但越来越多的线索指向这一项目的真实性。
与许多人预想的“无屏幕”配件(如吊坠或耳机)不同,这款设备据称将是一个“完整的手机替代品”,拥有屏幕和传统智能手机的外形。然而,其内核将彻底不同:它可能没有传统的应用程序网格,用户将直接与一个 AI(很可能是 ChatGPT)进行交互。用户向 AI 输入数据、想法和意图,AI 则动态生成应用或用户界面,或调用其他 AI 代理来完成研究、信息检索等任务。
这意味着,OpenAI 试图打造的不仅是一款新硬件,更是一个全新的、AI 优先的操作系统。Ejaaz 指出,这印证了 Sam Altman(萨姆·奥尔特曼)大约一年半前一条看似奇怪、如今却意义重大的推文:“我们(OpenAI)不是在与其他 AI 实验室竞争,我们是在直接与苹果竞争。” OpenAI 的目标是赢得操作系统层面的战争。
硬件方面,传闻称 OpenAI 将整合最顶尖的供应链资源:台积电(TSMC)的 2 纳米级先进制程芯片、联发科(MediaTek)和高通(Qualcomm)的处理器方案,以及立讯精密(Luxshare)和富士康(Foxconn)的组装制造能力。立讯精密是苹果 AirPods、Apple Watch 的主要组装商,也是 iPhone 的第二大组装厂。这些选择旨在确保设备在能效(为全天候环境感知计算设计)和品质上达到顶级水平。
尽管如此,挑战依然巨大。OpenAI 缺乏苹果级别的硬件优化与供应链管理经验。如何将强大的大语言模型高效、私密地运行在本地设备上,是一大技术难题。此外,说服用户放弃陪伴他们十多年的 iPhone 及其建立的完整生态(如 iMessage、社交应用),转而使用一个全新的、以 AI 对话为核心交互方式的设备,将是巨大的市场考验。Josh 对此表示悲观,他认为用户对 iPhone 的依赖和情感纽带极强,而 AI 服务的用户忠诚度目前看来并不稳固。
招聘信息揭示的路线图:OpenAI 的全面进攻与 Anthropic 的垂直深耕
为了验证传闻并探寻更多线索,Ejaaz 深入分析了 OpenAI 和 Anthropic 当前开放的数百个职位。结果发现,这两家看似路径相似的头部 AI 公司,正在走向完全不同的战略方向。
OpenAI 方面,目前约有 330 个开放职位,其中 25%-30% 是 AI 研究与工程职位,用于构建和训练核心模型。值得注意的是,约有 12%-15% 的职位专注于基础设施和工程,其中包含专门针对“设备”的硬件工程师。这为“OpenAI 手机”或一系列硬件设备的开发提供了侧面证据。
更值得玩味的是,OpenAI 招聘策略显示出三大支柱:1)全力投入计算基础设施(如“星际之门”Stargate 超算项目);2)聚焦编码 AI,将其视为核心竞争力;3)探索消费级硬件。这体现了一种“征服者”心态,即不惜代价投入资源以赢得竞赛。此外,OpenAI 有约 12% 的职位与政府事务相关,其在华盛顿特区的员工规模已是第二大办公地点,这显示了 Sam Altman(萨姆·奥尔特曼)在 AI 政策游说上的深远布局。
Anthropic 方面则呈现出另一幅图景。该公司正大举进军企业市场,特别是金融服务领域。其招聘重点集中在市场推广、销售、企业解决方案以及金融行业专家。就在2026 年 5 月,Anthropic 与高盛、黑石等金融巨头签署了价值 150 亿美元的合资协议,旨在将 Claude 人工智能深度整合到这些公司及其数百家投资组合公司的每一个工作流程中。Anthropic 的策略是派遣其昂贵的工程师直接入驻企业,为客户构建定制化的工作流,以此建立高粘性的企业客户关系。
Ejaaz 分析指出,Anthropic 近期约 60% 的收入来自企业客户,他们正试图巩固这一优势。相比之下,虽然 OpenAI 也在拓展企业合作,但其整体战略更偏向消费级和基础设施的全面押注。而 Anthropic 在计算资源的采购上也显得更为保守和战略聚焦,不像 OpenAI 那样进行“全押”。
动机、时机与未来之战
为什么 OpenAI 要在这个时间点,以如此激进的方式进入硬件领域?Josh 提出了几个可能的原因。首先,硬件本身可能带来巨额收入。假设手机定价在 1000 美元左右,首年 3000-4000 万部的销量意味着 300-400 亿美元的营收,这虽然对比 Anthropic 近期获得的巨额融资不算惊人,但依然是一个可观的数字。
其次,时机可能与 OpenAI 备受期待的 IPO 计划有关。一款旨在与苹果竞争的革命性硬件产品,无疑是上市前最激动人心的催化剂,能够极大地提振市场信心和估值。此外,硬件设备还能与 ChatGPT 订阅服务捆绑,构建开发者生态,并形成一定的硬件护城河。
然而,这场战争远未结束。苹果正在积极向 AI 转型,其新发布的 M 系列芯片被认为是目前能在设备端运行 AI 的最佳消费级组件。同时,苹果任命了资深硬件专家 John Ternus 来领导其 AI 硬件开发。OpenAI 与苹果的对抗,堪称一场“大卫对战歌利亚”的较量。
播客最后,两位主播回到了最初的问题:你会使用 OpenAI 手机吗?Ejaaz 表示他绝对会尝试,将其作为 iPhone 之外的“第二设备”,因为他渴望体验为 AI 未来设计的全新操作系统。Josh 则持保留态度,他认为用户切换手机生态的惯性巨大,但同时也对 AI 优先的硬件体验充满期待。
无论传闻中的手机能否成功,OpenAI 与 Anthropic 通过招聘信息展现出的战略分叉已经非常清晰:一个选择横向扩张,涉足硬件、操作系统与超算,直接挑战科技生态的顶层;另一个则选择垂直深耕,在企业级市场,尤其是金融领域构建深厚的壁垒。这场 AI 巨头之间的路径竞赛,将深刻影响未来数年的科技格局。
苹果 AI 到底行不行?WWDC26 最值得关注的一轮美股映射链市场真正关心的不是一次系统更新,而是苹果能不能把 AI 嵌进全球最大的消费电子生态。
撰文:Jim,MSX 麦通
北京时间 6 月 9 日凌晨,苹果 WWDC26 正式把市场等待已久的答案摆到台前:
苹果 AI 到底能不能补上?
众所周知,过去两年,AI 主线最强的是英伟达、谷歌、微软、Meta 等科技巨头,以及 OpenAI、Anthropic 这类大模型公司,相比之下,苹果虽然坐拥全球最强的硬件入口——有 iPhone、iPad、Mac、Apple Watch、Vision Pro,也有完整的 App Store 生态,但 Apple Intelligence 和 Siri 的落地节奏,始终差强人意。
所以,这次 WWDC 的核心就不再只是苹果会不会讲 AI,而是它能不能让市场相信,Apple Intelligence 真的会成为一个可以重新点燃换机周期、开发者生态和应用生态的 AI 入口。
一、WWDC 不一定让苹果涨,但最容易打出预期差
先看历史表现。
过去几年,WWDC 并不是一个「苹果股价必涨」的事件,按 WWDC 前一周五收盘到 WWDC 当周五收盘粗略计算:
2022 年 WWDC 周,AAPL 大约下跌 5.7%;
2023 年 Vision Pro 发布那周,AAPL 基本持平;
2024 年 Apple Intelligence 发布当天,AAPL 先跌约1.9%,但随后市场重新理解「端侧 AI+换机周期」的逻辑,当周最终上涨约 7.9%;
2025 年 WWDC 后,市场对 Siri 延迟和 AI 进展不满,当周大约下跌 2.4%;
所以,WWDC 本身不是稳定上涨事件,但它经常会制造「预期差交易」,从这个角度看,本次如果只是常规系统更新,股价可能反应平淡;但如果AI、Siri、端侧能力和开发者生态超预期,就有可能带来短期财富效应。
这也是为什么今年 WWDC 值得提前关注的原因。
二、苹果 AI 胜负手:不是模型,而是入口和换机周期
值得一提的是,很多公司做 AI,是先有模型,再寻找用户入口,苹果刚好相反,它已经拥有入口,只是 AI 能力需要补上。
因为苹果真正的优势,不是参数量,而是系统级入口——它可以把 AI 嵌入 iOS、macOS、iPadOS、watchOS和visionOS,让 AI 直接进入邮件、相册、日程、短信、备忘录、App Store 和第三方应用。
这就是 Siri 为什么重要。
如果 Siri 仍然只是「查天气、设闹钟」,它很难撑起苹果 AI 的重估,但如果 Siri 能够读取用户上下文、调用不同 App、完成跨应用任务,它就不再只是语音助手,而是苹果生态里的 AI Agent 入口。
所以,WWDC 第一大看点就是 Siri 有没有从「语音助手」升级成「系统级 AI 入口」。
这条线最直接对应的标的,当然是 AAPL.M。如果苹果继续借助外部模型或云端推理,GOOGL.M、MSFT.M、AMZN.M 也可能被市场拿来做映射。
但苹果 AI 真正的财富效应,可能不只在软件层面,而在硬件层面。如果 Apple Intelligence 的新功能需要更强芯片、更大内存、更好的本地推理能力,那它就会从一次软件更新,变成一轮硬件换机逻辑。
端侧 AI 的优势很清晰,它可以让很多任务不必完全依赖云端,响应速度更快;也更符合苹果长期强调的隐私和安全定位;更重要的是,它天然可以和新硬件绑定,推动用户从旧 iPhone、旧 Mac 向新设备迁移。
2024 年苹果发布 Apple Intelligence 后,市场之所以在短暂分歧后重新定价,一个重要原因就是大家开始思考,如果 AI 功能和新设备绑定,会不会带来新一轮换机周期?
这也是今年 WWDC 最关键的财富效应来源之一。
端侧 AI 链条可以重点看 AAPL.M、ARM.M、TSM.M、QCOM.M。其中,AAPL.M 是终端入口;ARM.M 代表低功耗架构;TSM.M 是苹果芯片制造的重要代工方;QCOM.M 虽然和苹果既竞争又合作,但在端侧 AI 和移动芯片生态里,也会被市场拿来比较。
三、真正的外溢机会:从芯片链到 App 生态
需要注意的是,WWDC 不只一天,也不只是苹果自己的发布会,它本质上是一场开发者大会。
如果苹果只是在系统里加几个 AI 功能,那更多是 AAPL 自己的故事,但如果苹果把 AI 能力开放给开发者,让第三方 App 能够调用本地模型、系统级 Agent 能力、隐私计算框架和新的开发者工具,那 Apple Intelligence 就会从苹果故事,变成生态故事。
这条线很重要。
因为苹果真正的护城河,不是单个 AI 功能,而是 App Store 生态。只要开发者能把 Apple Intelligence 接入创意、办公、文档、电商、财税、生产力应用,就可能带来一批新的 AI 应用场景。
从投资映射角度看,Apple Intelligence 概念股可以分成五层。
第一层,是核心入口 AAPL.M。如果 Siri 和 Apple Intelligence 超预期,最直接受益的还是苹果本身,苹果既掌握硬件入口,也掌握系统权限和应用分发,AI 能力一旦真正嵌进系统,最先被重估的仍然是 AAPL.M。
第二层,是端侧 AI 链,诸如 ARM.M、TSM.M、QCOM.M。如果苹果把更多 AI 能力放到本地设备运行,低功耗芯片架构、先进制程和移动 AI 能力都会重新被关注。
第三层,是模型与云合作,譬如 GOOGL.M、MSFT.M、AMZN.M。如果苹果继续通过外部模型或云端能力增强 Apple Intelligence,这些巨头也会被市场拿来做映射,尤其是在苹果仍然坚持隐私、安全和端云协同路线的背景下,谁能成为底层模型或云端推理合作方,会影响市场对相关公司的短期想象空间。
第四层,是开发者工具,比如 MSFT.M、TEAM.M、DDOG.M、GTLB.M。如果 WWDC 强调 AI 编程、Xcode 升级、开发者 API 和应用构建效率,AI 开发生态可能被带动,对市场来说,这条线交易的不是苹果直接给这些公司带来多少收入,而是「AI 应用开发门槛继续降低」这件事本身。
第五层,是 App 生态,像 ADBE.M、DOCU.M、INTU.M、SHOP.M。这些公司不是苹果 AI 的直接受益者,但如果系统级 AI 能力开放,创意、文档、财税、电商类应用最容易接入新功能,它们更像是 Apple Intelligence 外溢到应用层之后的潜在映射标的。
当然,这条线虽然有想象力,但也有风险。
第一,苹果 AI 可能「雷声大、雨点小」,如果只是常规系统更新,没有 Siri 的实质升级,也没有开发者能力开放,市场很可能会失望。
第二,外溢标的不一定马上兑现收入,比如 ADBE.M、SHOP.M、DOCU.M、INTU.M,即使未来可以接入苹果 AI 能力,也未必很快体现在财报里。
第三,苹果 AI 补课可能更多利好 AAPL.M 本身,如果新能力主要封闭在苹果系统内部,外部概念股的受益会比较弱。
第四,AAPL.M 的估值修复,最终还是要看 iPhone 需求,AI 能讲故事,但硬件销量、服务收入和利润率,才是长期定价的核心。
所以,Apple Intelligence 概念股可以作为预期交易,但不能简单理解成「WWDC 必涨」。
写在最后
WWDC 前,市场交易的是预期;WWDC 后,市场会开始验证苹果 AI 到底有没有实质变化。
如果苹果只是补几个 AI 功能,那它可能只是一次普通的软件更新。
但如果 Siri 变成系统级 AI 入口,端侧 AI 绑定新硬件,开发者工具开放新能力,那么 Apple Intelligence 就不只是苹果自己的故事,而可能带动一条新的美股映射链。
就看它能不能把 AI 嵌进全球最大的消费电子生态。
加州参议员Scott Wiener:万亿巨头自我优待扼杀创新,新法案欲重塑公平竞争环境撰文:Techub News 整理
2026 年 3 月,加州参议员Scott Wiener在知名创业孵化器Y Combinator(YC)总部召开新闻发布会,正式宣布推出旨在遏制大型数字平台反竞争行为的SB 1074法案(又称“BASED法案”)。这场发布会汇集了立法者、YC首席执行官Gary Tan、经济安全加州行动组织代表以及多位亲身经历过平台打压的初创企业创始人。他们的共同目标是:打破由苹果、谷歌、Meta、亚马逊等万亿市值巨头主导的、日益封闭和不公平的数字市场格局,为下一代创新者,尤其是在AI浪潮中涌现的创业者,创造一个真正基于产品优劣竞争的公平环境。
问题的核心:系统性“自我优待”扼杀创新与选择
参议员Scott Wiener在开场发言中直指问题的核心:当今世界上一些最大型的在线平台正在“操纵互联网”,以削弱和排挤竞争对手,包括那些试图成长为下一代巨头的初创企业和中型公司。这种行为被称为“自我优待”——即占主导地位的大型公司在其运营的平台上优先推广自己的产品或服务,而非竞争对手的。
Wiener列举了具体的例子:苹果在其iPhone上阻止用户下载竞争性的应用商店,迫使应用和初创公司继续支付高昂的费用以接入App Store。谷歌操纵搜索结果,优先展示其拥有或投资的内容。亚马逊设置反折扣政策(如所谓的“最惠国”条款),阻止供应商在其他地方以更低价销售相同产品,从而抬高价格;它还利用不公平的方式,用自家产品与平台上小公司的产品竞争,试图摧毁后者。Meta在其新闻推送中降低来自竞争平台的链接权重,影响了数百万依赖其平台获取基本信息的人们所能看到的信息。
Wiener强调,这些反竞争行为的危害深远:导致消费者面临更高价格、削弱竞争、降低用户体验、助长错误信息传播,并扼杀创新。更重要的是,它们时常将初创企业和中型公司完全排除在市场之外,除非这些公司遵守由竞争对手制定的规则。在当前AI创业浪潮席卷旧金山乃至全美的时刻,确保一个公平的竞争环境至关重要,这样才能让公众确信创新将改善他们的生活,降低生活成本,而非所有利益都被吸入世界最大科技公司的利润黑洞。
Wiener指出,尽管已有一些试图遏制此类行为的尝试,包括美国参议院的类似立法以及司法诉讼(例如第九巡回法院裁定苹果的反引导政策违反加州法律, FTC起诉亚马逊,谷歌被判违反联邦反垄断法),但这些胜利仍不足以约束大型科技公司的反竞争行为。因此,需要超越已有数十年历史、有时已过时的联邦法律的新工具,来保护当今世界的在线竞争与创新。SB 1074法案正是为此而生。
SB 1074法案:针对万亿巨头的精准打击
SB 1074法案,即“禁止 entrenched dominant platforms 进行反竞争自我优待法案”(BASED法案),旨在“平整竞争场地,恢复在线市场的竞争”。该法案的适用范围非常明确:针对市值超过1万亿美元、且在美国拥有至少1亿月活跃用户的数字平台。它禁止这些平台在其运营的平台上优待自己的产品和服务。
法案以加州领先全国的竞争法《Cartwright Act》为蓝本,但针对数字时代当前阶段进行了调整。它明确列举了一系列被禁止的自我优待行为,包括但不限于:
操纵搜索结果排序。
使用来自平台的非公开数据开发竞争产品(亚马逊曾这样做)。
实施“最惠国”条款。
采用给用户带来不合理成本劣势的政策、收费或做法(例如Meta对AI助手收取高额费用)。
优待自家产品以排挤竞争对手。
以购买自家产品为条件来限制平台访问。
禁止消费者获取其数据的便携副本。
Wiener解释道,从消费者角度看,这些行为的负面影响无处不在:从iMessage的“绿色气泡与蓝色气泡”歧视(苹果故意以此推动人们使用iPhone),到亚马逊搜索结果中优质产品被埋没,再到Meta对信息链接的压制(这对民主构成真实威胁,因为人们很大程度上依赖这些平台获取信息)。
在 enforcement 机制上,法案沿用《Cartwright Act》的规定,允许私人提起诉讼或由加州总检察长提起诉讼。Wiener坦言,这将是一场艰难的战斗,对手是“地球上一些最大的公司”,但他们站在正确的一方,并将组建广泛的 grassroots coalition 来支持该法案。
创业者的呐喊:被“围墙”阻挡的真实故事
YC首席执行官Gary Tan在发言中描绘了从开放网络到封闭平台的演变图景。20年前,任何人都可以在互联网上构建东西;2026 年 3 月,AI让编程创造力门槛几乎消失,一个新手创始人下午就能构建出真正的应用。然而,当创始人点击“发布”后,他们立即撞上了一堵“墙”:如果想在手机上触及用户,必须经过苹果的App Store——“世界上最糟糕的DMV(车管局)”,规则任意、拒绝 opaque、对用户每笔消费征收30%的税,没有上诉,没有替代选择。如果他们想让用户找到自己,则依赖谷歌,而谷歌的搜索结果现在终止于谷歌自己的服务(谷歌航班、谷歌购物、谷歌AI答案)。开放的网络,那个催生了第一代伟大互联网公司的环境,正在被悄然吞噬。
Gary Tan强调,问题的根源在于选择:当电脑放在桌上(如MacBook Pro),用户拥有真正的自由;但当同样的电脑缩小到口袋大小(变成手机),用户几乎失去了所有自由——苹果决定你能安装什么、使用什么支付系统、甚至你的应用是否存在。这不是必然的,这是一个被他人为我们做出的选择。BASED法案并非攻击垂直整合(垂直整合通常是好事),也不是反对大型科技公司,而是支持“小科技”。它瞄准的是一小部分真正反竞争的行为,即平台利用其对 essential infrastructure 的控制来倾斜竞争场地,对抗竞争对手(小科技、微型初创公司、车库里的创业者)。这种行为是市场腐败,而非创新或整合。
随后,几位创始人分享了他们与“巨人”正面交锋的经历:
Shane Gill (Alt Store创始人):他们开发Alt Store是因为想发布苹果不允许在App Store上发布的应用程序(例如复古 Nintendo 游戏模拟器Delta)。尽管欧盟的《数字市场法案》(DMA)为iOS上的替代应用商店铺平了道路,但当他们准备在欧盟推出Alt Store PAL时,苹果仍要求所有应用由其批准,并将Delta审核搁置数周而无理由。就在批准前夕,苹果全球改变了App Store规则,允许模拟器,从而夺走了他们凭借杀手级独家应用 launch 的机会。他们坚持在欧盟推出了Alt Store PAL,并将Delta发布到全球App Store。Delta随后连续两周成为App Store排名第一的应用,证明了竞争是有效的——如果没有他们准备在Alt Store上推出Delta,苹果永远不会允许模拟器。Alt Store如今已 hosting 超过100名开发者,允许各种商业模式(如社区捐赠)且不收取分成。这一切的存在,仅仅是因为欧洲法律要求苹果允许他们存在,而非苹果自愿。SB 1074就是加州版本的此类法律。
Eric Migicovsky (Beeper创始人,前Pebble创始人):自我优待对消费者的影响很难察觉——你怎么知道你错过了什么?他创办的Pebble是智能手表的先驱,但现在发现在iOS平台上提供优秀体验极其困难。例如,苹果手表用户可以通过语音回复通知,但苹果不允许第三方(如Pebble)访问此功能。这意味着拥有Pebble和iPhone的用户无法通过手表回复通知,这迫使他们更可能选择苹果产品。在欧洲,DMA要求大型 gatekeepers 提供 interoperability,因此欧洲的Pebble用户可以使用语音回复功能。这项功能目前仅对欧洲用户开放。他希望类似SB 1074的法案能促使这些 gatekeepers 在美国也允许同样的能力。
Martin van Hagen (Poke创始人):他们的公司Interaction开发了Poke,一个直接存在于iMessage、WhatsApp、Telegram等 messaging apps 内的 proactive AI 系统。在获得顶级投资、用户留存率近乎完美、发送了数百万条消息后,Meta宣布将禁止他们接入WhatsApp。原因并非他们做错了什么,而是Meta推出了自己的AI助手,并决定禁止与其新业务线竞争的产品。WhatsApp是欧洲、巴西、印度等地半数人类的 communication infrastructure。Meta决定该 infrastructure 应独家服务于其AI业务。他飞到罗马参加听证会,Meta的辩护理由是AI对其系统造成了压力。但他们公司为每条发送的消息向Meta付费,而 billions 的普通用户不付费且并未造成“压力”。最终意大利裁定支持他们,欧盟也展开调查,但Meta后来用高到让真实竞争几乎不可能的 fees 取代了禁令。他感慨,现在柏林、米兰的人们在选择AI助手方面比湾区美国人拥有更多选择,这应该让我们感到羞愧。SB 1074将解决这个问题。
Peter Kuran (Blue创始人):他们离开谷歌后创立了Blue,一个让你能“做一切事情”的语音助手。为了实现这一愿景,他们必须设计、原型制作并在海外制造一个插入手机底部的USB Dongle,以便能够 tap、type 和使用手机。这个硬件 technically irrelevant,其存在只是因为硬件 incumbent(苹果)没有共享设备上这些基本操作的访问权限。他们的用户不仅是科技爱好者,还包括有运动障碍、视觉障碍的人、职业司机等。对于这些人,语音访问不仅是便利,更是独立性。他认为讽刺的是,苹果这家以 accessibility 闻名的公司,却让像他们这样的创新者无法让手机对所有人 universal usable。如果SB 1074通过,Blue将不再需要这个 Dongle,它将通过软件对所有人可用。
立法背后的推动力与面临的挑战
经济安全加州行动组织的副总裁Terry O’Leary阐述了支持该法案的 broader perspective。她比喻道,当前数字平台就像唯一的进出城道路, toll collector(收费站运营者)看到所有货物、知道所有路线、了解城里买家想要什么,然后决定 launch 自己的卡车公司。你支付的 toll 实际上资助了竞争对手,而且因为他们拥有道路,他们的卡车得到绿灯,而你得到红灯。即使你的 business 是世界上最 amazing 和 efficient 的,你每次都会输,因为道路被其所有者封锁。这正是数字平台每天都在发生的事情。
O’Leary提到,当最大的几家公司利用 dominance 扼杀竞争时,每个人都会付出代价。她举例搜索航班时,欧盟发现谷歌将自己的旅行和购物服务推到搜索结果顶部,而非可能更好的 deal。欧洲对此罚款25亿美元。加州作为科技经济的 template 诞生地,有 unique obligation 确保“车库 scrappy startup 成长为改变世界的公司”的故事仍可能发生。联邦政府未能保护经济中这一 crucial part,相关立法在国会停滞, antitrust enforcement 也已放缓。加州必须引领变革。
面对提问,Wiener承认这是一场“ bruising fight”,对手是历史上最强大的公司之一。关于法案是否会与加州法律修订委员会关于竞争的建议产生负面互动,O’Leary澄清, Chamber of Progress(由法案针对的公司资助)的反对意见并不成立。另有一项AB 1776法案(COMPETE法案)处理《Cartwright Act》的结构性修订以覆盖所有市场的 dominant single firms,而SB 1074则是针对达到特定 threshold 的特定数字平台的特定行为,两者是互补的。
发布会传递出一个清晰信号:在AI驱动的创新爆发期,确保公平竞争环境不仅是经济议题,更是关乎未来技术民主化、消费者选择自由和社会福祉的关键。SB 1074法案能否在加州通过,并进而影响全国,将成为观察美国数字市场竞争格局演变的重要风向标。OpenAI, 苹果“ChatGPT-Siri”运营方式引发反对…考虑法律应对开放人工智能集团PBC对苹果公司($AAPL)的"ChatGPT-Siri"整合运营方式表示强烈不满,并正在考虑采取法律行动。由于预期的付费用户增长实际上并未实现,两家公司在人工智能领域的合作正朝着正面冲突的局面演变。
彭博社15日(当地时间)援引多位匿名消息人士的话报道称,OpenAI最近已聘请外部律师事务所,研究针对苹果的应对方案。据悉,选项包括提起诉讼和发送违约通知等。不过,OpenAI尚未做出最终决定,也保留了庭外和解的可能性。
两家公司于2024年在iOS 18中高调宣布了Siri与ChatGPT的整合合作。当时,OpenAI期望ChatGPT进入苹果生态系统后,能够获得大量新的付费订阅用户。据报道,OpenAI不仅期待在Siri中获得核心曝光,还期待能扩展到更多苹果应用的"深度整合"。
然而,实际成果似乎远不及预期。据报道,OpenAI曾期望通过iPhone设置应用等引导用户付费订阅ChatGPT的机制,每年能带来数十亿美元的额外收入。换算成韩元,这达到了数万亿韩元的规模,但实际结果远低于此。
彭博社援引一位OpenAI高管的话称:"从产品角度来看,我们能做的都做了",并声称苹果没有履行其承诺的角色。据报道,这位高管抱怨称,苹果"甚至没有做出认真的努力"。OpenAI内部似乎也有一种看法,即签约时被告知有大量客户流入的可能性,但并未充分说明具体如何实现。
此次冲突也与苹果的下一代AI战略息息相关。外界猜测,苹果可能会在即将举行的全球开发者大会(WWDC)上公布利用谷歌Gemini的新Siri战略。此外,预计在iOS 27中,与其他AI模型(如Anthropic的Claude)的整合选项也将扩大。不过,OpenAI方面划清界限称,此次法律审查并非由于这些变化本身,并解释称最初的合同并非排他性条款。
据悉,苹果方面的不满也不少。据报道,OpenAI最近正在加速开发自有硬件,在此过程中招募了大量出身苹果的工程师。该项目由苹果传奇设计师乔纳森·艾维(Jony Ive)领导,苹果内部对人才流失感到相当不快。
目前,ChatGPT已融入iOS的多个功能中。当Siri无法回答一般知识性问题时,它将承担辅助角色,并用于图像游乐场(Image Playground)和视觉智能(Visual Intelligence)等部分功能。尽管如此,并未达到OpenAI预期的商业成果,这被视为此次冲突的核心。
市场上,此事被视为不仅仅是简单的合同纠纷,而是科技巨头间AI主导权竞争的一个缩影。这也再次表明,期望搭乘大型平台实现快速增长可能与现实存在差距。苹果庞大的安装基础固然有吸引力,但实际用户转化和盈利是另一回事。
事实上,苹果过去与合作伙伴发生冲突的先例并不少见。与谷歌($GOOGL)因地图服务和安卓系统导致竞争加剧,Spotify($SPOT)长期以来一直指责应用商店的运营方式对自己不利。2024年欧盟委员会对苹果处以18亿欧元(约合2.6971万亿韩元)的罚款,也属于这一趋势的延续。
Constellation Research分析师霍尔格·穆勒(Holger Mueller)评价称,OpenAI也曾期待与苹果的合作能带来大规模增长,但现实并非如此。他分析认为,OpenAI既对未能充分利用苹果庞大的用户基础感到失望,又似乎觉得受到了不公平的对待。
最终,这个问题的看点在于OpenAI是否真的会对苹果提起诉讼。如果演变成法律纠纷,这可能会成为一个标志性事件,将AI联盟脆弱的利益关系暴露在阳光之下。相反,如果通过谈判解决,则很可能成为决定未来科技巨头与AI企业之间合作结构如何重新设计的先例。
TP AI注意事项
本文使用TokenPost.ai基础语言模型进行摘要。正文的主要内容可能被遗漏或与事实不符。"即使24小时交易也跟不上纳斯达克"……Kaiko Research诊断代币化苹果股票的流动性局限尽管代币化股票市场正在迅速扩大规模,但实际市场效率与传统金融市场之间仍存在巨大差距。Kaiko Research在最近的一份报告中,通过分析基于苹果公司(AAPL)的代币化股票的交易模式和订单簿结构,诊断指出,即使在加密基础设施上可以实现24小时价格发现,但由于流动性浅薄和参与者基础有限,与纳斯达克基准价格之间的偏差频繁发生。特别是,报告评价称,代币化股票虽然看似是一个“始终交易的市场”,但实际上更接近于一个深受传统市场交易时段影响的“时段依赖型”资产。
本次分析于2026年5月11日发布,作者是Laurens Fraussen。该报告将币安、Trade.xyz、Markets等多家加密交易所上交易的AAPL-USD、AAPL-USDC、AAPL-USDT交易对与纳斯达克(Nasdaq)的NQ:AAPL基准数据源进行比较,衡量了价格偏差和流动性水平。分析对象是代币化股票中的代表性股票苹果公司(AAPL),核心问题聚焦于加密市场在多大程度上精确地将此资产反映在价格中。
先看结论,代币化股票市场的流动性仍然非常浅薄。据Kaiko Research称,苹果在纳斯达克是日交易量超过80亿至100亿美元的超级流动性资产,但币安、Trade.xyz和Markets三者的加密股票永续合约合计日均交易量仅为约1000万美元。仅从绝对交易规模来看已存在显著差异,但更本质的问题是市场承接订单的厚度。在Bitget、Gate和币安的相关市场中,1%水平的平均订单簿深度估计为30万至40万美元。这与币安比特币(BTC)现货订单簿的4000万至5000万美元相比,约为其百分之一。
在这种结构下,即使一个相对较大的订单也容易导致价格波动。在纳斯达克,一个100万美元规模的市价单不会造成巨大冲击,但在代币化股票市场中,同样的订单可能会显著推高或拉低价格。特别是在做市商不积极报价的时间段,冲击会更大。这意味着,即使代币化股票存在价格发现功能,该过程中产生的“实际成本”也相当可观。
交易量流向也很好地显示了其对传统股票市场的依赖性。周末,所有交易所与苹果(AAPL)相关的交易均急剧减少,2026年4月期间,主要平台周末的日交易量低于300万美元。尽管理论上可以实现24/7交易,但当传统股市参与者离场时,代币化股票市场也会失去活力。报告指出,这表明数字资产交易者尚未大规模转变为真正的股票交易者。事实上,加密市场参与者对波动性更大、地缘政治叙事更强的商品永续合约表现出了更高的兴趣,而非科技股。
价格偏差同样不容忽视。对AAPL-USDC、AAPL-USDT、AAPL-USD三个交易对的比较结果显示,在这三种报价货币中,USDC交易对的价格形成最高,其次是USD,最低的是USDT。这三个交易对的价格偏差中位数约为17个基点,日均偏差在-23个基点至+40个基点之间波动。USDC相对于纳斯达克基准的每日中位数价差为19.2个基点,而USD和USDT则分别约为16.6个基点。这被解读为一种典型的微观结构现象,即稳定币的微小溢价和折价会机械地反映在代币化股票的价格中。
更具体来看,AAPL-USDC的交易价格平均比AAPL-USDT高出约0.05美元。在所有报价中,USDT是最低报价的情况占57%,而USDC是最高报价的情况占61%。换言之,代币化股票的价格不仅取决于基础资产本身的价值,还会因通过哪种稳定币进行交易而呈现出系统性的差异。这表明,即便代币化股票追踪的是与传统股票相同的资产,其实际交易基础设施却暴露在完全不同的变量下。
最具象征意义的案例是在纳斯达克开盘时出现的剧烈跳空。报告显示,在夜间时段,相对于NQ基准的中位数偏差为2.89个基点,看似相对稳定,但平均值却高达11.33个基点。这一差异主要由4月30日交易时段的剧烈波动造成。当时,基于加密的苹果(AAPL)价格在夜间先急剧上涨11.97美元,随即又下跌12美元,在此过程中,以纳斯达克开盘时为基准,出现了高达400个基点的跳空。薄弱的订单簿、有限的参与者以及缺乏明确基准价格,这些因素叠加导致累积的漂移在开盘定价时一次性爆发。
有趣的是,常规交易时段内的偏差反而比夜间更大。Trade.xyz上的AAPL-USDC交易对与纳斯达克基准价格之间的常规交易时段中位数偏差为13.55个基点。根据Kaiko Research的分析,这被解释为两个市场同时在积极进行实质性的价格发现。相反,在盘外时间,随着交易量减少和做市商退出,两个市场都倾向于围绕前收盘价附近共同漂移,而不是各自积极地创造新价格。
最终,这项调查表明,虽然代币化股票已超越技术实验阶段,进入实际交易市场,但距离提供传统金融市场级别的效率和成交质量还为时过早。Hyperliquid最近六个月的商品永续合约日均交易量约为5亿美元,而股票永续合约仅为9000万美元,这同样是佐证。如果市场关注度不足,流动性就会变浅,而浅薄的流动性会立即导致价格偏差和成交成本扩大。尽管代币化股票和RWA的扩散长期来看可能带来有意义的变革,但在现阶段,即使是像苹果(AAPL)这样的代表性股票,在加密基础设施上也更接近于一个流动性有限的实验场,而非一个“真正的替代市场”。本次研究的核心信息是:只有交易量、订单簿深度和参与者基础共同增长,代币化股票市场的价格效率才能得到实质性的改善。今天,苹果正式推送iOS 27,全新一代Siri AI以英语测试版形式上线。 这是Siri自2011年诞生以来最大的一次重构,也是苹果自2024年WWDC高调承诺"全新Siri"之后,迟到了整整两年的答卷。 问题是,这份答卷的分数,可能没苹果想象的那么高。 来了,但没完全来 先说覆盖面。 Siri AI目前只支持英语,下个月才扩展到法语、日语、韩语、葡萄牙语和西班牙语。更要命的是——欧盟用户暂时用不了。苹果官方表态:Siri AI在iOS、iPadOS和watchOS上初期不向欧盟开放,理由是"正在努力寻找一条既能保护用户隐私和安全、又能推进落地的路径"。 中国大陆同样不在首批支持范围内,苹果称正在应对当地监管要求。 也就是说,苹果最核心的两大海外市场——欧盟和中国——全部缺席。这不像是一次全球发布,更像是一次"有条件开放"。 再叠加设备限制:只有iPhone 15 Pro及以上、iPad mini(A17 Pro)及M1以上iPad、M1以上Mac才能运行Siri AI。高阶功能(个性化语音、离线听写)更是要求12GB以上内存,只有iPhone 17 Pro系列、iPhone Air和M3以上Mac才能解锁。 能用的地方不多,能用的人也不算多。 跳票的代价:2300亿美元蒸发 回头看这两年发生了什么。 2024年WWDC,苹果高调发布Apple Intelligence,承诺Siri将具备屏幕感知、跨应用操作和自然语言理解能力。资本市场信了,股价一路走高。 然后就是连续跳票。2024年秋季没上线,2025年又以"内部技术问题"推迟。更尴尬的是,2025年3月内部会议曝光:Siri新功能的执行成功率只有60%到80%——每五次交互就有一次失败。 最终苹果在2026年5月支付了2.5亿美元和解金,了结因AI功能宣传与实际不符引发的集体诉讼。 今年1月,苹果做了一个意味深长的决定:和Google达成合作,将Gemini模型整合进Siri底层架构。一个曾经以"端到端自研"为傲的公司,不得不向别人借核心技术。 6月WWDC 2026上,即将卸任的库克最后一次以CEO身份发布了Siri AI。股价盘中触及历史新高,随后一路回落,收盘跌了1.9%,从最高点蒸发超过2300亿美元市值。 市场用脚投了票。 Siri AI到底变了什么 公平地说,功能层面的升级是实质性的。 个人情境理解:Siri AI可以调用你手机里的短信、邮件、照片、日历、备忘录来回答问题。朋友在消息里推荐的餐厅,你直接问Siri就能找回来;旧邮件里的酒店确认号,Siri也能跨App搜索定位。 屏幕感知:Siri能"看到"你屏幕上正在显示的内容。收到聚餐邀请后直接问Siri该带什么,它能把食谱加进备忘录,全程不用复制粘贴或切换App。拍一张背包照片,它能结合你的航班信息判断是否符合随身行李尺寸。 跨App操作:支持从零草拟邮件、编辑相册并分享照片,不再只是"打开某个App"。 独立Siri App:首次上线,支持对话历史回看,通过iCloud私密同步,iPhone上开始、iPad上接续、Mac上完成。 底层架构才是真正值得关注的部分。苹果设计了三层推理体系:简单任务走端侧自研模型AFM 3,中等任务走苹果私有云,最复杂的推理交给Google Cloud上的定制Gemini。 AFM 3最关键的突破是一个200亿参数的稀疏模型,每次请求只激活10亿到40亿参数。靠的是苹果研究院的"指令跟随剪枝"技术——200亿参数的模型能装进手机跑起来,还不牺牲续航。 够不够"新"? 这是最致命的问题。 华尔街科技评论员Nilay Patel的评价很直接:从用户角度看,Siri AI相当于两年前ChatGPT免费提供的水准。 独立App、对话历史保留——ChatGPT 2022年就有了。视觉识别拍物体搜索——Google Lens 2017年就上线了。这些功能单独看都不新。 苹果的优势在于系统级深度集成。Siri AI不是一个独立的App,它嵌入了iOS的每一个毛细血管——照片、邮件、日历、短信、Spotlight,全部打通。这种集成度是任何第三方AI应用都做不到的。 但问题是,两年前承诺的时候,这些功能是超前的。跳票两年后落地,它们变成了"基本合格"。 更大的隐忧 华尔街分析师指出了一个长期风险:随着AI智能体和自主系统的发展,未来的经济行为——比如叫车、订餐、购物——可能直接由AI完成,绕过应用商店。 这意味着苹果赖以生存的App Store抽成模式,可能被AI时代釜底抽薪。 Siri AI现在的定位是"实用工具"而非"AI朋友",风格克制冷淡。The Verge测了一个细节:问"你能做我的朋友吗",ChatGPT会热情回应一大段,Gemini也滔滔不绝,Siri AI只回了一句——"无论顺境逆境,我都会做你的朋友。" 这句话很苹果。简洁、克制、带点冷幽默。 但市场要的不是冷幽默,是真功夫。Siri AI是苹果在AI时代的入场券,不是终局牌。迟到两年已经付出了2300亿美元的代价,接下来能不能靠系统集成的护城河追上来,就看这第一步走得多稳了。
