苹果与EPFL合作发布4M AI模型,开启AI新时代

简介: 苹果与EPFL合作发布4M AI模型,开启AI新时代

本文来源:企业网D1net


4M演示的发布紧随WWDC之后,表明苹果在努力将自己定位为AI行业的主要参与者。通过展示Apple Intelligence的面向消费者的AI功能和4M的前沿研究能力,苹果展示了其在整个开发领域对AI的承诺。


苹果与瑞士联邦理工学院洛桑分校(EPFL)合作,在Hugging Face Spaces平台上发布了其4M AI模型的公开演示,这次发布距离该模型最初开源已有七个月,标志着在扩大对复杂AI技术的访问方面迈出了重要一步,公开演示允许更广泛的用户亲自互动并评估4M模型的能力。


4M(大规模多模态掩码建模)演示展示了一个多功能的AI模型,能够跨多种模态处理和生成内容。用户可以通过系统从文本描述创建图像,执行复杂的物体检测,甚至使用自然语言输入操控3D场景。


此次发布标志着苹果从传统上保密的研究和开发方法的一次重大转变。通过在流行的开源AI平台上公开4M,苹果不仅展示了其AI能力,还吸引了开发者的兴趣,培育了围绕其技术的生态系统。


Siri的智能升级:对苹果AI驱动未来的影响


此发布的时机在最近的AI领域发展背景下具有重要意义。尽管微软和谷歌因其AI合作和产品而频繁上头条,苹果却在悄然但稳步地提升自己的AI能力。4M演示展示了苹果在这一关键技术领域的创新能力,这与公司近期的市场表现一致。


自5月1日以来,苹果的股价显著上涨了24%,市值增加了超过6000亿美元,这一激增使苹果在科技行业中成为仅次于Nvidia的价值增幅第二的公司。市场的反应表明,苹果现在被视为“AI股票”,这一看法因其最近与OpenAI的合作公告而得到强化。


4M的独特之处在于其多模态的统一架构,这种方法可能会在苹果的生态系统中带来更连贯和多功能的AI应用。想象一下,Siri能够理解并响应涉及文本、图像和空间信息的复杂多部分查询,或者Final Cut Pro能够基于自然语言指令自动生成和编辑视频内容。


然而,4M的发布也引发了关于数据实践和AI伦理的重要问题。苹果一直将自己定位为用户隐私的捍卫者,但面对数据密集型的高级AI模型,这一立场可能面临挑战。公司需要谨慎处理,以在推进AI能力的同时保持用户信任。


从iPhone到Vision Pro:苹果的AI革命展开


这次4M的公开演示发布,尤其在苹果最近WWDC上揭示的AI战略背景下,显得格外引人注目。尽管Apple Intelligence专注于在iPhone、Mac和Vision Pro头戴设备上的个性化、设备内AI体验,4M则暗示了公司长期的AI野心。该模型基于自然语言输入操控3D场景的能力,可能对未来Vision Pro的迭代和苹果的增强现实努力产生令人兴奋的影响。


4M演示的发布紧随WWDC之后,表明苹果在努力将自己定位为AI行业的主要参与者。通过展示Apple Intelligence的面向消费者的AI功能和4M的前沿研究能力,苹果展示了其在整个开发领域对AI的承诺。


苹果的双重策略——面向消费者的实用AI和4M的前沿研究——发出了一个明确的信号:在领导AI革命的同时保持其标志性的用户隐私。随着这些技术在苹果生态系统中逐渐成熟和整合,用户可能会体验到一种微妙但深远的交互方式变化。真正的考验在于苹果能否有效兑现其先进AI的承诺,同时保持对用户隐私和无缝体验的承诺。


版权声明:本文为企业网D1Net编译,转载需在文章开头注明出处为:企业网D1Net,如果不注明出处,企业网D1Net将保留追究其法律责任的权利。封面图片来源于摄图网


(来源:企业网D1Net)


image.png

如果您在企业IT、网络、通信行业的某一领域工作,并希望分享观点,欢迎给企业网D1Net投稿。

投稿邮箱:

editor@d1net.com

合作电话:

010-58221588(北京公司)

021-51701588(上海公司)

合作邮箱:

Sales@d1net.com


企业网D1net旗下信众智是CIO(首席信息官)的专家库和智力输出及资源分享平台,有五万多CIO专家,也是目前最大的CIO社交平台。


信众智对接CIO为CIO服务,提供数字化升级转型方面的咨询、培训、需求对接等落地实战的服务。也是国内最早的toB共享经济平台。同时提供猎头,选型点评,IT部门业绩宣传等服务。



相关文章
|
2月前
|
机器学习/深度学习 人工智能 算法
高考理科题AI秒解!昆仑万维开源多模态推理模型 Skywork-R1V 2.0
Skywork-R1V 2.0是昆仑万维最新开源的多模态推理模型,通过混合强化学习和多模态奖励模型实现复杂推理任务,在理科题目解答和科研分析中展现出色性能。
304 11
高考理科题AI秒解!昆仑万维开源多模态推理模型 Skywork-R1V 2.0
|
2月前
|
人工智能 自然语言处理 搜索推荐
AI 搜索开放平台重磅发布:Qwen3 模型上线啦
阿里云AI搜索开放平台重磅发布最新Qwen3模型,为企业和开发者提供全栈智能搜索解决方案。Qwen3作为最新一代大模型,在推理、多语言支持和Agent能力上表现卓越。用户可通过三步快速体验Qwen3服务,助力业务在AI时代抢占先机。
280 12
|
1月前
|
数据采集 存储 人工智能
智创 AI 新视界 -- 优化 AI 模型训练效率的策略与技巧(16 - 1)
本文深度聚焦 AI 模型训练效率优化,全面涵盖数据预处理(清洗、归一化、增强)、模型架构(轻量级应用、剪枝与量化)、训练算法与超参数调优(自适应学习率、优化算法)等核心维度。结合自动驾驶、动物图像识别、语音识别等多领域实际案例,佐以丰富且详细的代码示例,深度剖析技术原理与应用技巧,为 AI 从业者呈上极具专业性、可操作性与参考价值的技术宝典,助力高效优化模型训练效率与性能提升。
智创 AI 新视界 -- 优化 AI 模型训练效率的策略与技巧(16 - 1)
|
22天前
|
人工智能 PyTorch TensorFlow
AI界的"翻译官":ONNX如何让各框架模型和谐共处
还在为不同框架间的模型转换头疼?ONNX让你在PyTorch训练的模型可以无缝在TensorFlow部署,甚至能让模型在手机上飞速运行。本文带你了解这个AI领域的'瑞士军刀',轻松实现跨平台高性能模型部署。
121 12
|
24天前
|
人工智能 小程序 计算机视觉
AI不只有大模型,小模型也蕴含着大生产力
近年来,AI大模型蓬勃发展,从ChatGPT掀起全球热潮,到国内“百模大战”爆发,再到DeepSeek打破算力壁垒,AI技术不断刷新认知。然而,在大模型备受关注的同时,许多小而精的细分模型却被忽视。这些轻量级模型无需依赖强大算力,可运行于手机、手持设备等边缘终端,广泛应用于物体识别、条码扫描、人体骨骼检测等领域。例如,通过人体识别模型衍生出的运动与姿态识别能力,已在AI体育、康复训练、线上赛事等场景中展现出巨大潜力,大幅提升了相关领域的效率与应用范围。本文将带您深入了解这些高效的小模型及其实际价值。
|
25天前
|
人工智能 数据安全/隐私保护 Docker
短短时间,疯狂斩获1.9k star,开源AI神器AingDesk:一键部署上百模型,本地运行还能联网搜索!
AingDesk 是一款开源的本地 AI 模型管理工具,已获 1.9k Star。它支持一键部署上百款大模型(如 DeepSeek、Llama),适配 CPU/GPU,可本地运行并联网搜索。五大核心功能包括零门槛模型部署、实时联网搜证、私人知识库搭建、跨平台共享和智能体工厂,满足学术、办公及团队协作需求。相比 Ollama 和 Cherry Studio,AingDesk 更简单易用,适合技术小白、团队管理者和隐私敏感者。项目地址:https://github.com/aingdesk/AingDesk。
181 3
|
24天前
|
机器学习/深度学习 人工智能 大数据
特征越多模型越好?这个AI领域的常识可能是错的
特征选择是机器学习中的"减肥秘方",它能帮助模型去除冗余特征,提高性能并降低计算成本。本文深入浅出地介绍特征选择的概念、方法与实践技巧,带你掌握这门让AI模型更高效的"瘦身术"。
50 1
|
29天前
|
人工智能 负载均衡 API
长连接网关技术专题(十二):大模型时代多模型AI网关的架构设计与实现
随着 AI 技术快速发展,业务对 AI 能力的渴求日益增长。当 AI 服务面对处理大规模请求和高并发流量时,AI 网关从中扮演着至关重要的角色。AI 服务通常涉及大量的计算任务和设备资源占用,此时需要一个 AI 网关负责协调这些请求来确保系统的稳定性与高效性。因此,与传统微服务架构类似,我们将相关 API 管理的功能(如流量控制、用户鉴权、配额计费、负载均衡、API 路由等)集中放置在 AI 网关层,可以降低系统整体复杂度并提升可维护性。 本文要分享的是B站在大模型时代基于多模型AI的网关架构设计和实践总结,希望能带给你启发。
105 4
|
1月前
|
SQL 人工智能 自然语言处理
阿里云 AI 搜索开放平台新功能发布:新增GTE自部署模型
阿里云 AI搜索开放平台正式推出 GTE 多语言通用文本向量模型(iic/gte_sentence-embedding_multilingual-base)
132 4
|
29天前
|
机器学习/深度学习 人工智能 算法
Python+YOLO v8 实战:手把手教你打造专属 AI 视觉目标检测模型
本文介绍了如何使用 Python 和 YOLO v8 开发专属的 AI 视觉目标检测模型。首先讲解了 YOLO 的基本概念及其高效精准的特点,接着详细说明了环境搭建步骤,包括安装 Python、PyCharm 和 Ultralytics 库。随后引导读者加载预训练模型进行图片验证,并准备数据集以训练自定义模型。最后,展示了如何验证训练好的模型并提供示例代码。通过本文,你将学会从零开始打造自己的目标检测系统,满足实际场景需求。
301 0
Python+YOLO v8 实战:手把手教你打造专属 AI 视觉目标检测模型