Когда дело доходит до Apple и новых горячих технологий, существует старая точка зрения: если компания не выпустила то, на чем в настоящее время сосредоточены все остальные в отрасли, она должна быть позади.
Это редко бывает правдой.
Бизнес Apple похож на пресловутый айсберг: мы видим только верхушку того, что делает компания, в то время как подавляющее большинство ее усилий по исследованиям и разработкам маячит под поверхностью. Достаточно взглянуть на ее финансы за последний квартал: она потратила 7,7 млрд долларов на исследования и разработки, что составляет более половины всех ее операционных расходов.
Новейшая технология, представленная в этой сюжетной линии, — это, конечно же, искусственный интеллект. Как компания может конкурировать на этом растущем новом рынке, если она не выпустит чат-бот или генератор изображений в спешке? (Неважно, что она до сих пор не поставила гарнитуру виртуальной реальности — это было последний рынок, где компания явно отставала.)
Но, как всегда в случае с этой конкретной уткой, правда в том, что Apple использует ИИ по-своему, а не в погоне за рынком.
Получите свое обучение на
Одна из причин, по которой работа Apple в области искусственного интеллекта иногда упускается из виду, кроется просто в терминологии. Хотя компания не часто говорит об «искусственном интеллекте», она тратит много времени на обсуждение «машинного обучения» (ML), которое является важной основой многих новейших технологий Apple.
Хотя технически машинное обучение может быть только подмножеством искусственного интеллекта (и даже по этому поводу есть некоторые разногласия), эти два термина часто используются взаимозаменяемо, по крайней мере, в разговорной речи. Большие языковые модели, лежащие в основе таких инструментов, как ChatGPT, Google Bard и новый чат-бот Microsoft Bing, используют технологии машинного обучения, как и генераторы изображений, такие как DALL-E и Stable Diffusion. В широком смысле это все технологии, которые включают алгоритмы, использующие данные для обучения и совершенствования.
Инвестиции Apple в машинное обучение очевидны: в 2018 году компания наняла главу отдела машинного интеллекта Google Джона Джаннандреа на должность старшего вице-президента по машинному обучению и стратегии искусственного интеллекта, подчиняющегося непосредственно Тиму Куку. Он также управляет редким общедоступным сайтом, где публикует большое количество своих исследований в области машинного обучения и активно спонсирует докторскую степень. стипендии, набирает стажеров и предлагает места жительства. И он вносит свой вклад в проекты машинного обучения с открытым исходным кодом, например, оптимизируя программное обеспечение Stable Diffusion для работы на своем оборудовании.
АОИ
Основы машинного обучения
Вы можете признать, что Apple заинтересован в машинном обучении, но, возможно, вы дважды спросите, что в нем есть на самом деле произведено со всеми этими инвестициями.
Множество. Если вы являетесь поклонником таких функций, как «Живой текст» — функция, которая позволяет вам выбирать любой текст из фотографий или видео, — или возможность искать в библиотеке фотографий слово «собака» и фактически видеть все фотографии собак, которые вы ve take или бета-функции Live Captions, которая может создавать субтитры для любого видео или аудио, воспроизводимого на вашем устройстве, вы извлекаете выгоду из исследований Apple в области машинного обучения.
Компания также создала целую структуру под названием CoreML, чтобы разработчики могли легко интегрировать машинное обучение в свои продукты, и если этого недостаточно, то помните, что каждый процессор Apple, начиная с A11 Bionic 2017 года, имеет специальный нейронный движок, оптимизирован для запуска алгоритмов машинного обучения — в последней итерации, которая включает 16 ядер, он может выполнять поразительные 17 триллионов операций в секунду, что позволяет, в типичной для Apple манере, модели машинного обучения работать в частном порядке на вашем устройстве, а не полагаться на облачный сервис.
Если Apple тратит деньги на то, чтобы выделить значительную часть своих процессоров для машинного обучения, то она, безусловно, вкладывает свои деньги в то, что говорит.
Бета-версия Live Captions — это пример исследования Apple в области машинного обучения.
Яблоко
Верхушка айсберга
Есть ли у Apple больше возможностей для увеличения масштабов машинного обучения? Конечно. Бойкий ответ заключается в том, что часто слабую производительность Siri можно улучшить за счет того типа ИИ, который вы видите в недавних чат-ботах, хотя, учитывая действительно странный характер некоторых разговоров с недавним набегом Microsoft, похоже, что Apple не собирается немедленно прыгнуть в глубокий (учебный) конец бассейна.
Но способность этих типов систем сохранять контекст и общаться более плавным и человечным образом имеет преимущества, которые могут и должны найти свое применение в виртуальном помощнике Apple, даже если в более ограниченной и контролируемой манере.
Точно так же возможности преобразования речи в текст в Live Captions и системах диктовки Apple можно было бы улучшить, если бы Apple провела некоторые из тех же оптимизаций, которые она сделала с помощью Stable Diffusion в очень впечатляющей структуре распознавания речи Whisper.
Опять же, это не так ярко, как то, что делают многие конкуренты Apple на рынке, но и Apple иметь преследовать эту функциональность таким же образом. Google и Microsoft, например, используют ИИ, чтобы бороться в поиске, на рынке, на котором Apple на самом деле не играет (хотя я вряд ли буду возражать против того, чтобы Apple использовала некоторые базовые технологии для улучшения собственного поиска на устройстве). возможности).
В конце концов, использование Apple машинного обучения по-прежнему обусловлено идеей того, как оно может улучшить то, что делают пользователи, а не просто существованием ради самого себя. И хотя это может не захватывать воображение таким же образом, в конечном итоге это может оказать большее влияние на жизнь пользователей. Что, на мой взгляд, ставит Apple впереди, а не позади.
