超强Siri即将到来！苹果10篇重磅AI研究全总结，iOS 18关键一瞥_苹果siri功能都能干什么

声明:本文来自于微信公众号 新智元（ID:AI_era），作者:新智元，授权转载发布。

【新智元导读】一直以来，苹果在大模型、语音助手上的研究不断推陈出新，或许我们能够从中获得iOS18所具备AI能力的关键一瞥。

Siri太笨，根本无法与ChatGPT竞争，前苹果工程师John Burkey曾对Siri的评价如此不堪。

不过，诞生于11年的Siri，终于要迎来翻身的机会。

ChatGPT横空出世之后，微软、谷歌等科技巨头，甚至OpenAI、Anthorpic AI等初创，都在你追我赶激烈地角逐。

在AI竞赛上，苹果却一直姗姗来迟。

其实，早有传言和报道称，在过去几个月中，苹果实际上一直再等待一个时机，做出反击。

先是与谷歌谈判被爆出，后是与OpenAI开展合作，预计将AI模型能力整合进下一代iOS18系统中。

除此以外，苹果研究团队也在一直开发自己的模型——Ajax。

而且，最近几个月，苹果在大模型等研究上的成果频出，意味着这些AI能力可能会成为现实。

距6月开发者大会WWDC，也就不过一个月左右的时间，或许我们可以从这些研究中，一瞥苹果的AI能力。

更小、更高效LLM装进iPhone

相信所有人的期望都是一样的——想要一个更好的Siri。

而现在看起来，换新的Siri即将到来，完成超强进化!

ChatGPT之后，大模型诞生的数量也是数不胜数，然而许多科技公司都希望LLM能够赋能虚拟助手，让其变得更优秀，更智能。

对于苹果来说，想要让Siri不再被人，说笨就需要尽快构建这些模型，让其能装进手机。

彭博最近报道，在iOS18中，苹果计划让所有AI功能，都运行在设备上，而且可以完全离线使用。

而现在的困难是，即便你有一个数据中心和数千个GPU组成的网络，要建立一个良好的多用途的模型，并装进手机，是非常困难的。

因此，苹果不得不发挥创意。

在一篇名为LLM in a flash: Efficient Large Language Model Inference with Limited Memory的论文中，研究人员设计了一个系统，可以将通常存储在设备RAM中的模型数据，存储到固态硬盘（SSD）上。

论文地址:https://arxiv.org/pdf/2312.11514

具体来说，研究证明了，在SSD上运行的LLM的大小，可以达到可用DRAM的2倍。

与传统的CPU加载方法相比，推理速度提高了4-5倍，而GPU提高了20-25倍。

他们发现 ，通过利用设备上最廉价的可用存储模型，模型可以运行得更快、更高效。

此外，苹果的研究人员还创建了，一个名为EELBERT的系统，可以将大模型压缩到更小的规模，同时不影响其性能。

通过对谷歌Bert模型进行压缩后，体积缩小了15倍，只有1.2兆字节，质量只降低了4%。

不过，这也带来了一些延迟问题。

论文地址:https://arxiv.org/pdf/2310.20144

总而言之，苹果正努力解决模型领域的一个核心矛盾:模型越大越好用，但在终端上耗电快运行慢。

与其他科技公司一样，苹果正在这一点上找到平衡。

Siri完成超进化!

苹果研究AI终归解决一个至关重要的问题，如何让Siri变得更加出色。

在内部，苹果团队设想开发一种，无需唤醒词Hey Siri或Siri，就能使用AI助手的方法。

没有声音提示，那该如何让设备通过直觉判断一个人在讲话?

这一难题，比语音触发检测更具挑战性。

苹果研究团队不得不承认，这是因为可能没有一个主要的触发语，来标志语音命令的开始。

论文地址:https://arxiv.org/pdf/2403.14438

这也许就是，为什么另一组研究人员，开发出了一个系统可以更准确地检测唤醒词。

论文地址:https://arxiv.org/pdf/2309.16036

具体来说，作者提出了语音触发（VT）的多通道声学模型，将前端的多通道输出直接输入VT模型。

他们采用了TAC（Transform-Average-Conatenate）模块，并通过合并来自传统通道选择的通道，对TAC模块进行了修改，让模型能够在存在多个说话人的情况下关注目标说话人。

与基线通道选择方法相比，该方法的误拒率降低了30%。

而在另一篇论文中，研究人员训练了一个模型，以更好地理解不太容易被AI助手理解的罕见词。

论文地址:https://arxiv.org/pdf/2310.07062

在这两种情况中，LLM的魅力在于，理论上它可以更快地处理更多信息。

例如，在关于唤醒词的研究中，研究人员发现，如果不试图摒弃所有不必要的声音，而是把所有声音都输入模型，让它来处理哪些是重要的，哪些是不重要的，那么唤醒词的效果就会可靠得多。

一旦Siri听到你的声音，苹果就会做很多工作，以确保它能更好地理解和沟通。

在另一篇论文中，苹果还开发了一个名为STEER系统，旨在改善用户与助手之间的交流。

论文地址:https://arxiv.org/pdf/2310.16990

在另一个例子中，它使用LLM来更好地理解模棱两可的问题，无论你怎么说，它都能弄清楚你的意思。

在不确定的情况下，智能对话智能体可能需要主动提出好的问题，从而更有效地解决问题，从而减少不确定性。

在另一篇论文也旨在帮助解决这个问题，研究人员利用大模型使助手在生成答案时不再冗长，更容易理解。

苹果每个应用，将被AI重构

除了关注原始的技术发展，苹果也非常关注人工智能的日常应用。

对于苹果来说，一个重点领域就是健康:

LLM可以帮助分析处理各种设备收集到的大量生物识别数据，并帮助理解这些数据。

苹果可以通过研究收集和整理你的所有运动数据，利用步态识别和耳机来识别你的身份，以及如何跟踪和理解你的心率数据，来监测你的身体状况，为你提供合适的安全建议。

苹果还把人工智能想象成一种创造性工具。

在2月发表的一篇论文中，苹果团队采访了一批动画师、设计师和工程师，并构建了一个KeyFramer系统。

这一系统，可以让用户迭代地构建和改进生成的设计。

用户只需要先输入一个提示，然后得到一个工具包，可以根据自己的喜好调整和完善图片的某些部分。

论文地址:https://arxiv.org/pdf/2402.06071

此外，苹果还有开发了一款名为MGIE的工具，可以让你通过描述内容来编辑图片（比如让天空更蓝、让我的脸不那么怪异、添加一些石头等等）。

论文地址:https://arxiv.org/pdf/2309.17102

论文中，研究人员表示，MGIE不需要简短但含糊的提示，便可以明确地推导出视觉感知的意图，从而实现合理的图像编辑。

最初的实验并不完美，但令人印象深刻。

未来，苹果还有可能将AI用在音乐中。

在一篇名为Resource-constrained Stereo Singing Voice Cancellation的论文中，研究人员探索了将歌曲中的声音与乐器分离的方法。

论文地址:https://arxiv.org/pdf/2401.12068

比如，像在TikTok或Instagram上那样混音歌曲，这个AI可能会派上用场。

随着时间的推移，苹果会在iOS 上，在自身的生态系统中内置一些功能，也会以API的形式提供给第三方开发者。

之前苹果一直在大肆宣传自己的硬件能力，尤其是与普通的安卓设备相比。

将所有这些功率与设备上注重隐私的人工智能相结合，可能会成为苹果一个很大的差异化优势。

这次iOS18强势来袭，网友一如既往地对苹果期待感满满。

值得一提的是，苹果在多模态大模型方面研究，也引来众多的关注。

Ferret堪称苹果最大型、最雄心勃勃的人工智能项目。输入提示之后，它可以关注你选择的特定事物，并理解周围的世界。

论文地址:https://arxiv.org/pdf/2404.05719

甚至，Ferret还可以帮助你导航应用程序、回答有关App Store评级的问题、描述你正在看的内容等等。

一旦这种技术得以应用，可能彻底改变每个人使用手机的方式，以及Vision Pro和智能眼镜的使用方式。

虽然目前这些都只是研究成果，但是如果能在今年春天开始顺利运行，那将是一项闻所未闻的技术成就。

WWDC大会即将发布的大型人工智能模型，必然会把技术狂欢推向新一轮的高潮。

苹果或会全面改版iPhone产品，也就意味着你的下一台iPhone不必是iPhone。

这一切都在库克的预料之中，接下来就等着瞧好吧。

参考资料:

https://www.theverge.com/2024/5/5/24147995/apple-siri-ai-research-chatbot-creativity