商業第 124 期

蘋果付給 Google 一兆韓元的真正原因

選擇了最大的部署，而非最強的模型

安光涉（Oswarld）· INLEVEL9 作者與編輯

蘋果付給 Google 一兆韓元的真正原因

前言

各位訂閱者，大家好，我是 Oz 知識對談。「災難（disaster）」——這是 2025 年 12 月，Wedbush 分析師 Dan Ives 給蘋果 AI 策略貼上的標籤。Needham 的 Laura Martin 則說「落後競爭對手 1 到 2 年」，而 Siri 依舊是網路迷因的素材。然而 2026 年 6 月 8 日，WWDC 舞台上，蘋果一次性公開了五款自研基礎模型1。真正值得關注的不是模型效能，而是蘋果打造這些模型的方式與架構——那才是真正的新聞。就個人而言，這是本次 WWDC 2026 中最值得關注的部分，但感覺有點被淹沒了，所以特別提一下。

先說結論：蘋果在 AI 軍備競賽中並沒有落敗，而是根本在玩另一場比賽。

🏗️ 6,000 億美元軍備競賽中唯一缺席的公司

目前科技巨頭的 AI 基礎設施投資規模已達到史無前例的水準。以 2026 年為基準，主要企業的年度資本支出（CapEx）2如下：

  • 亞馬遜：約 2,000 億美元
  • 微軟：約 1,900 億美元
  • Alphabet（Google）：約 1,800 億美元
  • Meta：約 1,250 億美元

僅這四家加總就超過 6,000 億美元，換算約 830 兆韓元，相當於韓國政府年度預算的約 1.2 倍。這些錢花在哪裡？買 GPU、蓋資料中心、訓練更大的模型。微軟在近期的財報中甚至透露，年度 CapEx 中約 250 億美元是花在「記憶體元件價格上漲」上。這是史上規模最大的基礎設施投資潮正在同時發生。

然而，蘋果呢？2025 年全年 CapEx 只有 127 億美元，2026 年預估也僅約 140 億美元，大約是四大科技巨頭總和的 1/40。蘋果一年的投資還不如 Google 一個季度花的錢多。

華爾街的反應相當嚴厲。Wedbush 的 Dan Ives 稱蘋果的 AI 策略為「災難」，甚至說「華爾街上沒有人相信蘋果在 AI 領域能取得比微軟、Google、Meta、OpenAI 更有意義的成果」。據 Quartz 報導，有分析指出蘋果內部也自評落後 OpenAI 和 Google 約兩年。

但仔細拆解 WWDC 2026 的發布內容，畫面就不同了。你會發現，不是蘋果沒花錢，而是花錢的方式完全不同。他們用完全不同的路徑，抵達了同一個目的地。

💰 一兆韓元的課程，拆解其結構

2026 年 1 月，蘋果與 Google 正式宣布多年期 AI 合作。據 Bloomberg 的 Mark Gurman 報導，規模約為每年 10 億美元（約 1.4 兆韓元）。蘋果獲得了 Google Gemini（1.2 兆參數規模的前沿模型）的存取權。這裡有很多人的理解是錯的——「蘋果最終還是把 AI 交給 Google 了」，但實際上的結構完全不同。

核心在於蒸餾（distillation）3這項技術。參考龐大的「教師模型」（Gemini）的輸出，來訓練小型且高效的「學生模型」（AFM）。WWDC 結束後，蘋果資深副總裁 Craig Federighi 這樣說：

「我們使用的 Google Assistant 數量是零。」

AI 副總裁 Amar Subramanya 的表述更為精確：「所有模型都是為 Apple Silicon 量身打造的自訂版本，是經過 Gemini 前沿模型輸出精煉（refined）而成的。」

整理起來就是這樣的結構：

  • 教師：Google Gemini（1.2 兆參數）
  • 學生：Apple AFM 3 系列（5 款模型）
  • 上課方式：蒸餾 ≈ 將 Gemini 的輸出作為訓練訊號
  • 考試（執行時）：不依賴 Gemini，AFM 獨立推論

上完課，考試自己考。打个比方，就是每年花一兆韓元請最好的家教，但畢業證上寫的是自己的名字。

這在 2026 年的 AI 產業中正在成為一種模式。直接打造前沿模型的企業屈指可數，其餘的則是將這些模型的產出進行蒸餾，再重新加工以適應自己的產品。蘋果是將這個模式以最大規模、最明確方式採用的案例。以下是近期馬斯克與 OpenAI 訴訟中提到的蒸餾的業界（？）標準。

站上法庭的馬斯克：「大家都這麼做」一直批評 DeepSeek 的美國科技巨頭，在自家國內其實也是常態。letter.inlevel9.com

還有一個值得關注的面向：這件事對 Google 意味著什麼。據 The Information 報導，蘋果在自家資料中心內獲得了 Gemini 模型的完整存取權。不是簡單地呼叫 API，而是直接取得模型權重，跑蒸餾管線的結構。對 Google 而言，這意味著每年 10 億美元的穩定收入，加上 AFM 3 Cloud Pro 運行在自家雲端基礎設施（Google Cloud + NVIDIA GPU）上的結構。對雙方來說都是一筆合理的交易。

Fortune 針對這個結構提出了一个有趣的問題：**「AI 模型會成為可替換的商品，還是持續競爭優勢的來源？」蘋果押注的是前者。**如果模型真的商品化了，那就沒必要花數千億美元自己造，直接拿最好的模型來蒸餾就好。

📱 真正的武器不是模型，而是 20 億個口袋

那麼，蘋果省下的成本用在哪裡了？端側 AI。

**AFM 3 Core Advanced 是本次發布的技術亮點。這是一款 200 億參數規模的模型，卻能在只有 12GB RAM 的 iPhone 上運行。通常來說這是不可能的，因為一般 LLM 需要將全部權重載入 DRAM。**這款模型實現的功能包括：「帶有情感的自然 TTS（文字轉語音）聲音、更精確的語音轉文字、能理解影像的多模態處理」——也就是說，Siri 同類功能全部在裝置端運行，無需雲端。這在技術上是非常了不起的成就。

2024 年首次發布 Apple Intelligence 時，端側模型是 30 億參數級別。兩年內規模擴大了近 7 倍，而讓這成為可能的，正是蘋果研究團隊開發的 IFP（Instruction-Following Pruning）4技術。運作方式如下：

  • 將 200 億個參數全部儲存在 NAND 快閃記憶體5中——就是存放照片和 App 的那塊記憶體。
  • 當使用者提出問題時，輕量預測區塊會只挑選該請求所需的「專家」，載入 DRAM。
  • 每個提示詞實際激活的參數為 10 億到 40 億個，其餘 160 億個則繼續在快閃記憶體中「沉睡」。

一般的 MoE6模型每個 token 都要切換專家，記憶體頻寬成為瓶頸；而 IFP 以提示詞為單位只做一次路由決策。這是用架構設計規避了 NAND 到 DRAM 頻寬較慢的現實限制。

為什麼這很重要？**無論是 ChatGPT、Gemini 還是 Claude，雲端 AI 最終都必須向伺服器發送請求。需要網路，資料會流出裝置。蘋果的端側模型則完全沒有這個過程——隱私在結構上就被保障了。**更重的任務則交給 Apple 自有的 Private Cloud Compute 伺服器處理，而在那裡，使用者資料不會被儲存，包括 Apple 在內任何人都無法存取。

這裡還有一個關鍵數字。蘋果的活躍裝置數超過 20 億台。ChatGPT 的週活躍使用者為 4 億人（截至 2025 年 12 月），Gemini 約 3.5 億月活躍使用者。蘋果不是要打造一個新的 AI App，而是透過 OS 更新，將 AI 部署到已經裝在 20 億個口袋裡的裝置上。

從模型效能競爭來看，AFM 3 要擊敗 GPT-4o 或 Gemini 2.5 Pro 確實不容易。但在自家基準測試中，代際躍升是明確的。在 Apple 的人類評估中，AFM 3 Cloud 在文字任務上以 64.7% 對 8.7% 的偏好度勝過前代，影像理解則為 37.8% 對 9.6%。此外，今年 Foundation Models 框架首次支援影像輸入，第三方 App 開發者也能直接在 Swift App 中整合端側多模態 AI 了。

這意味著，**蘋果要做的不是基準測試第一名，而是把「夠好」的模型傳遞給「最多的人」，並在這些模型之上打造 App 生態系。**如果 ChatGPT 或 Gemini 是一個 App，那蘋果的策略是把 AI 植入這些 App 所運行的 OS 本身。

Oz 的視角

老實說，我看完這次發布，先看到的不是技術，而是通路策略。

在制定科技經營策略時，我反覆驗證過一個模式：在科技市場中，「最好的產品」獲勝的情況其實比想像中少。更常獲勝的是「夠好的產品 + 壓倒性的通路」這個組合。VHS 擊敗 Betamax 如此，Android 佔據智慧型手機市場 70% 份額也是如此。

我認為目前 AI 市場正處於類似的轉折點。前沿模型之間的效能差距正在縮小。GPT-4o、Gemini 2.5、Claude 4 在基準測試中僅以 1 到 2 分的差距互換排名（向上均質化）。對使用者而言，當體感差異縮小，模型效能就不再是選擇的決定因素，存取便利性與整合度才是。這是模型正在進入商品化（commoditization）階段的訊號。

如果這個方向是對的——決定勝負的不是模型本身，而是誰、在哪裡、如何部署模型——那麼蘋果 140 億美元的策略就不是浪費，而是先見之明。當然，這是一個很大的「如果」。

風險也很明確。AFM 3 在發布時無法在歐盟和中國本土的 iPhone 與 iPad 上使用。考慮到蘋果 20 億活躍裝置中有相當比例來自這兩個市場，「最大部署」這個策略的前提條件就存在漏洞。而「夠好」的模型是否真的夠好，要等到今年秋天實際使用開始後才能驗證。

結語

總結來說：蘋果在 AI 軍備競賽中沒有落敗，而是選擇了一場將軍備競賽的產出重新加工並部署的遊戲。每年花一兆韓元蒸餾 Google 的前沿模型，省下的成本則集中在端側架構上。

這個策略要成立，AI 模型必須持續商品化。如果某一個模型拉開壓倒性差距，策略就會崩潰；但從目前的趨勢來看，這種可能性正在降低。AI 競爭真正的問題，可能不是「誰能做出最聰明的模型」，而是「誰能先抵達 20 億人的口袋」。

💬 各位訂閱者認為 AI 中更重要的是「模型效能」還是「部署規模」？歡迎在留言區分享你的看法。

參考資料 & 延伸閱讀

核心來源

背景知識

作者 安光涉（Oswarld） 現任世宗大學兼任教授，INLEVEL9 策略顧問。職涯經歷、研究、著作與近期活動會持續更新在作者介紹。 最新動態 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

  1. 基礎模型（Foundation Model）：以大量數據進行預訓練，可通用於多種任務的 AI 模型。GPT、Gemini、Claude 等為代表。 ↩

  2. CapEx（Capital Expenditure，資本支出）：企業在設備、基礎設施、器材等方面的投資成本。在 AI 時代，GPU 採購與資料中心建設佔了絕大部分。 ↩

  3. 蒸餾（Distillation）：將龐大「教師模型」的知識遷移到小型「學生模型」中的訓練技術。讓學生模型模仿教師模型的輸出，在較小的規模下也能達到高效能。 ↩

  4. IFP（Instruction-Following Pruning）：蘋果開發的動態剪枝技術。分析使用者的輸入（提示詞），只激活該任務所需的參數。與傳統剪枝永久縮減模型不同，IFP 可在每次請求中激活不同的部分。 ↩

  5. NAND 快閃記憶體：智慧型手機或 SSD 中用於儲存數據的非揮發性記憶體。比 DRAM 慢，但容量大得多，且斷電後數據不會遺失。蘋果將這塊儲存空間用作 AI 模型的「倉庫」。 ↩

  6. MoE（Mixture of Experts）：在模型內部設置多個「專家」網路，根據輸入只激活其中一部分的架構。相較於總參數數量，能大幅減少實際運算量，常用於大型模型的高效運算。 ↩

延伸閱讀

第 118 期商業

23萬人，連聯合國都猜錯的數字

生育率下降的轉折點不是經濟危機，而是與智慧型手機普及的年份完全重疊

第 115 期商業

年薪一半都花在 Token 上……結果呢？

Uber 四個月燒完一年預算後發生的事

第 114 期商業

AI 吞掉了我們的內容，但點擊數是零

韓國內容創作者目前仍缺乏保護機制