AI（人工智能）竞赛正在不断升级，它已经不仅仅停留在原来的用户数据层面，也不再只满足于软件服务的层面。随着去年 Amazon Echo 的大热以及 Google Home 的推出，AI 的竞争已经来到了硬件层面上。虽然苹果的高管曾表态不看好 Amazon Echo 这样的产品，然而，今年 HomePod 的推出，表明苹果正式加入了人工智能服务的竞争。
鉴于 HomePod 的正式面世要到年底，我们只能暂且搁下硬件层面不谈，从数据、软件服务的层面，来看看苹果的人工智能。
口音更自然的 Siri，也有更多新能力
Siri 正在变得不处不在。2016 年的 WWDC，苹果花了大篇幅来介绍 SiriKit，向部分领域的第三方开发者开放了能力，使得音视频通话、健身、消息服务、支付、搜索照片和视频、叫车类的 app 可以直接通过用户与 Siri 语音交互的形式，理解用户的需求，并提供服务。
今年，苹果没有停下脚步，SiriKit 的开放领域再一次升级。除了原有的几个领域外，SiriKit 还新增了下列开放能力：
除了 SiriKit 开放能力的升级，Siri 现在说话的口音，也更加自然了，苹果为 Siri 创建了更自然的语音合成方式。不过从 WWDC 现场演示的情况来看，这个口音自然感的提升，目前似乎只针对英语，中文的改善程度并不显著。
除了 SiriKit 之外，Siri 本身也有了两项新能力：翻译以及音乐相关的能力。
你只需要对 Siri 说「How do you say what are the most popular dishes in your restaurant in Chinese」，Siri 就会显示相应的中文翻译结果，并支持一键朗读。目前，Siri 仅支持将英语翻译为中文、西班牙语、法语、德语、意大利语等五国语言，之后会不断加入新语言的支持。
除了翻译之外，Siri 和 Apple Music 也有了更好的联动。当你对 Siri 说「放点歌」的时候，它会自动寻找 Apple Music 中你喜爱的音乐，或根据你的历史记录，向你推荐可能喜欢的歌曲。另外，为了与 HomePod 这个家庭音乐中心相配合，Siri 现在也可以根据歌曲的详情信息，做出一些复杂的回答，比如你可以直接问 Siri「这首歌的编曲是谁」、「这首歌是什么时候发行的」、「Justin Bieber 的最新专辑是什么」，Siri 也会告诉你答案。
苹果在 watchOS 4 中也全面集成了 Siri，使它成为了你的全天候助理。在新加入的 Siri 表盘中，Siri 会主动提供你接下来需要关注的事情，例如日程、待办事项、航班信息、交通信息等。
从去年开始，苹果就强调 Siri 不仅仅是一个有形的语音助手，它还是遍布系统各处的无形的智能引擎。它不再像 Google Now 或者 Google Assistant 一样，只有在你主动长按 Home 键时才出现，Siri 和人工智能已经遍布在系统各处，例如相册的人脸识别，文字输入的情景预测，Spotlight 搜索时的 Siri 建议。
苹果眼中的人工智能，显然不仅仅只是一个具体化的产品形态，而是遍布各处、互通互联的一种能力，让你在不经意间，发现这个系统真的懂你。去年 iOS 10 推出时，我们就在文章中介绍了大量这样的特性。例如，iOS 10 中的地图应用，你只需要复制一个地址，打开地图应用，它就会智能地提示你是否要搜索这个地址。
在 iOS 11 中，苹果继续拓展着这个思路，一个显而易见的例子，就是在设置中，将 Siri 设置与曾经深藏在「通用 - Spotlight 搜索」的设置，合并在了一级入口「Siri & Search」，原先 Spotlight 建议中的搜索建议和查询建议，直接成为了新的 Siri 建议。
除此之外，延续着互通互联的思路，iOS 11 还新增了三个系统层面的智能联动：
在看完了面向消费者的变化，作为 WWDC，既然本身是面向开发者的，那不妨来简单了解一下，对于开发者而言，除了 SiriKit 的升级之外，苹果今年的重头戏之一，还有一个 Core ML。
让我尽可能用简单，且尽可能正确的语言来说明一下这件事情的意义。
在说 Core ML 之前，我们不妨来简单说一下到底什么是机器学习。
一段程序是有目标的，我们输入一个前提条件（入参），经过程序的设定（处理机），输出一个结果（出参）。然而，随着我们想解决的问题不同，不同的目标会影响程序是如何被设定的，正是在如何设定程序的这一步，将传统程序与机器学习区分开来。
例如，我们希望创建一个简单的计算正方形周长的程序，你只需要输入边长 a 这个前提条件，计算机很容易就可以输出周长是 4a。在这个处理机中，程序员清清楚楚地告诉计算机，对于任何输入的 a，你只需要把它乘上 4，就完成任务了。这时候处理机实际是一个「透明的」白盒，任何人都能轻易理解实现的细节。
然而，让我们换一个小目标：识别一张照片上有没有小猫。这个程序的输入非常明确，就是一张照片，同样，我们所希望输出的目标也非常明确，就是最后给出一个结果，要不是有猫，要不是没有。但是，这时候一名程序员，该如何编码程序的设定？或者说，你要写一段怎么样的程序，能让计算机明白什么是小猫？
这时候就需要机器学习发挥用途了。我们通过大量已经存在的数据，不断地标记出哪些照片上是有猫的，哪些照片是没有猫的，把这些数据大量地「喂」给计算机，通过一些算法，从中不断地提取其中的特征值，计算机最终会拟合出一个模型。这个模型，人类可能完全不明白里面的参数是如何挑选而又设定的，但这不重要，这时候的处理机，是一个黑盒，我们不关心中间发生了什么，只要我们训练出一个得当的模型，之后再让它判断未知的情况，它能够在很大概率上给出正确的结果，这个模型就成功了。
你可能发现了，要实现机器学习，其实是分了两个阶段的，第一个阶段是训练并得到模型，第二个阶段则是在得到模型后，实际应用它。Core ML 解决的，其实只是后一个环节，尽管相比起模型的训练，第二个阶段，即模型应用的门槛要低不少，但它依然是意义重大的。
在 Core ML 存在之前，如果你想在自己开发的 app 上使用机器学习，你不仅仅需要自己训练出一套模型，还需要将得到的模型与你的 app 连通起来，这个过程有点像，你仅仅只是想过一座河，却需要先自己搭一座桥。
现在，有了 Core ML，你可以将自己训练得到的模型，借助苹果提供的转换工具，先转化成 Core ML 类型的模型文件，然后，Core ML 这座桥已经搭好了，你可以通过它，直接实现模型和 app 数据的互通。你的 app，可以直接把一张照片，通过 Core ML 为基础的 API，传递到机器学习的模型当中，然后模型来判断这张照片里有没有小猫，并将得到的结果告知你。
更深入细节一些，可以看看苹果官方文档中的结构图。这四层结构中，Core ML 层原先是不存在的，也就是我们前面说的，以前开发者想要使用一套训练好的模型，不得不自己搭这座桥梁。
最底层的 Accelerate 和 Metal，其实是苹果去年推出的接口，前者可以直接调用 CPU，后者则直接调用 GPU。由于是相当底层的接口，可以最大程度地利用硬件资源来处理模型数据，苹果也在发布会上声称，其人脸识别能力，比 Google Pixel 上快六倍。
而 Core ML 往上一层则是应用层。Vision 主要负责图像相关的人工智能处理，如人脸识别、面部追踪、文字识别等等。这里面的很多接口，在原先的 iOS 中就已经存在，这次则被统一整合到了新框架当中。好处在于，开发者拥有了更大的自由度。在以前，开发者的 app 调用这些高级接口，对底层的实现细节的掌控力度非常小，几乎没有。现在，你可以通过自定义底层所使用的机器学习模型，从而实现更个性化的需求。
说回人话，可以举个例子。在以前，开发者只能调用苹果的接口，识别一张照片中是否有人脸存在。但是，如果我只想识别有没有男人的脸存在，或者，有没有黑人的脸存在，这时候怎么办？因为底层的人脸识别模型，是苹果定死的，你没有任何定制化的空间。现在，你完全可以在底层让 Core ML 调用一套你独家秘制的黑人脸识别模型，从而让上层的 Vision API 实现更个性化的功能。
目前，Core ML 支持各类主流的神经网络模型，包含深度神经网络、递归神经网络、卷积神经网络、向量机、线性模型等等。听着很厉害对不对，对。好的，我们开始下一个话题。
在 Sundar Pichai 的带领下，Google 的战略已经彻底从 Mobile First 转型成为 AI First，从今年的 Google I/O 就可见一斑，整场发布会下来，几乎所有的产品线与更新，都是围绕 AI 展开的。
苹果这两年下来，也动作不少。不过相比起 Google 整天把 AI 挂在嘴边，苹果倒是喜欢用更务实的字眼 ML（机器学习）。从去年的 Differential Privacy 到今年的 Core ML，苹果已经走出了一条具有苹果特色的机器学习之路。
这一切都源于苹果对隐私的重视。作为一家消费品公司，苹果的主要使命是卖硬件，而不像 Google 本质上是一个需要收集大量数据的广告公司。这给了苹果更多的底气，尽可能地不去触碰用户的数据，而在很长一段时间内，这样的策略，引发了两个非常实际的问题。
我们前面说到了，机器学习可以简单分为训练模型和应用模型两个阶段。而苹果的隐私策略，也相应地使之在这两个阶段面临两大难题。
第一个难题，是在模型训练阶段，在尽可能不收集用户数据的前提下，如何优化模型？既使像苹果在去年的 WWDC 上宣称的「我们不需要收集所有用户拍的照片，才知道山长什么样子」，也依然不能回避的事实是，在模型的调优方面，少不了大量的数据支撑。想从 95% 的水平提升到 99% 的水平，数据还是不可缺少的一环。
第二个难题，是在模型应用阶段，如何做到尽可能在设备本地完成处理？早期受限于设备的性能和功耗，特别是移动设备的电量问题，许多公司选择将数据上传至云端后，由云端服务器来进行运算，只将结果返回给终端设备。
总结下来，苹果的目标，就是在尽可能不收集用户数据的基础上，也能调校出足够好用的模型，同时尽可能只在消费者的设备本地运用模型进行计算处理。
目前来看，苹果离这个目标越来越近了。
在相对简单的模型应用方面，苹果已经实现了高度的本地化计算。iOS 10 和 11 当中的一系列智能特性，例如相册中的人脸识别，都完全是在 iPhone 等设备本地完成的，这次的 Core ML，也给了第三方开发者以能力，在不上传用户资料的前提下，仅在设备本地就可以应用机器学习的模型。这一切，自然和移动设备的 CPU 与 GPU 计算能力的快速增长密不可分，在能耗可控的前提下，这些原本只能在服务器端的计算，已经可以在手机上就能完成。而另一方面，得益于苹果对软硬件的全面掌控，也使得苹果可以在更底层上，用 Accelerate 和 Metal 更全面地利用 CPU 和 GPU 的性能。
这次 Core ML 的推出，使得苹果从系统级到第三方开发者，都具备了仅在设备本地就可以进行模型处理的能力。那么下一个尚待解决的问题，就是模型的训练。前文提到的 Differential Privacy，使苹果已经可以做到抽样性地，以匿名的方式从用户手中回收一部分数据，这些数据可以不断改进训练苹果的模型，同时又确保无法从中定位到任何一个具体的用户。
目前，这样的能力尚没有开放给第三方开发者，但有理由相信，苹果最终将补齐这一块短板，使得开发者也可以通过一定的类似 Differential Privacy 的机制，在绝对保证用户隐私的基础上，获取能够改进机器学习模型的数据，以更好地训练并调优模型。
就像我曾说的，在隐私和人工智能面前，苹果认为鱼与熊掌是可以兼得的。这种「贪心」，大概就是苹果特色的机器学习之路。
JailbreakHum 对本文有诸多贡献
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。