苹果豪赌！神秘AI项目曝光，宁死不用英伟达？自研芯片全家桶都要AI了

最近一轮AI之战，OpenAI、谷歌、微软都交卷了，现在，全世界的目光齐刷刷看向苹果。

全球开发者大会，就在6月上旬。选择这个时机发布新产品，苹果勇气可嘉。

被一众竞品抢尽风头后，苹果得拿出什么重大突破来，才能证明自己在AI领域还能让人兴奋？

看起来，苹果可走的路数不多了，所以外媒记者才意味深长地暗示：这次WWDC的主题应该是「迎头赶上」，而非「超越」。

毕竟，在LLM上，继ChatGPT和Gemini之后，苹果早已失去了先发优势；微软面向开发者的CoPilot生态，也是XCode短时间内无法企及的。

和英伟达的旧仇，也让苹果孤注一掷发展自研芯片，然而比起英伟达GPU，M2系列在成本和实际应用性能上都有些差强人意。

硬气的苹果，无疑在进行一场豪赌。

彭博社记者Mark Gurman发出了一篇爆料文，预测了苹果即将在开发者大会上祭出的杀手锏。

Gurman分析道，比较引人瞩目的消息，就是苹果和OpenAI CEO Sam Altman的合作了。

在WWDC上，双方的合作伙伴关系很可能会昭告天下。

这就有点微妙了。一方面，这一举动，相当于让苹果向公众承认了，自己无法在AI最热门的领域竞争，通过「曲线救国」，它倒是可以拥有最先进的聊天机器人，从而硬刚一波使用Gemini的三星。

另一方面，最近Altman的名声不大好，OpenAI的公司结构看起来也不太稳定。

因此，苹果根本无法对OpenAI作为iOS新功能的单一供应商感到放心。（这就是为什么它还在和谷歌达成协议，把Gemini也作为备选）

根据预测，苹果很有可能着重发力软件方面，比如推出iOS 18、iPadOS 18、macOS 15等操作系统的更新。

iPad已经用上了最新的M4芯片，也许它会继续被集成到Mac Pro和MacBook Pro中？

对于外界最关注的AI功能，苹果将「另辟蹊径」，推出「Project Greymatter」，重点关注普通人在日常生活中可以使用的工具，满足用户对于「实用」的需求。

一系列新功能将分布在手机、平板和PC端，包括——

- 邮件和短信的自动回复建议

如果仅是这些功能，那就不免令人有些失望，毕竟，这些功能并不是革命性的，也很难吸引眼球，绝大部分都已经在谷歌或Meta的相关应用中存在。

OpenAI的GPT-4o语音最近虽然饱受争议，但让我们看到了语音助手可以拟人化、智能化到什么程度。

于是，全网期待的目光落在了被传和OpenAI合作的苹果上。作为最流行的语音助手之一，Siri有望在功能和声音上升级吗？

也有预测称，ChatGPT可能被植入到iOS18中作为聊天机器人插件；同时苹果也在「两手准备」，和谷歌洽谈Gemini的交易。

与此同时，SemiAnalysis的著名爆料研究员Dylan Patel和Myron Xie一起，刚刚发了一篇文章，全面分析了苹果的AI战略。

在这篇文章中，两位记者提出了一个困扰着许多人的问题：苹果在AI领域到底在做什么？

要知道，现在全球都在疯狂抢购英伟达的GPU，然而苹果却没有参与这一「囤货」大潮。调查显示，苹果对GPU的采购微乎其微，连英伟达的十大客户都不是。

在WWDC大会前夕，各种传言满天飞。

两位记者对目前的各路消息来了个汇总。

加大M系列处理器产量，还要做自己的AI服务器

首先，有多个消息来源称，苹果今年将加大M系列处理器的产量，甚至达到创纪录的水平。

所谓M系列处理器，主要指的是M2 Ultra，它由2个片上M2 Max拼接而成，被苹果称之为「UltraFusion」。（有趣的是，据悉苹果的M3 Ultra被取消了。）

Ultrafusion指的是使用本地硅互连技术将两个M2 Max芯片连接在一起。在软件层面上，这两个芯片被看作一个单一的芯片。M2 Ultra利用了台积电的InFO-LSI封装技术。这与台积电的CoWoS-L概念相似，英伟达的Blackwell和未来的加速器也将采用这种技术。要说苹果和英伟达两种方法之间的唯一区别，就是苹果的InFO是芯片先行工艺流程， 而英伟达的CoWoS-L是芯片后行工艺流程，另外它们使用的是不同类型的内存

但是稍微仔细一想，就会发现：M2 Ultra的增产实在是很奇怪。

在需求上就完全找不到理由。M2 Ultra仅用于高端Mac Studio和Mac Pro，这些产品一年了都没什么有意义的更新，也没听说有哪个新产品要用到M2 Ultra。

总之，高端的台式PC和MacBook的需求都相当低迷，没有任何迹象表明，有什么消费需求能消耗掉这些设备。

所以，苹果究竟在下一盘什么棋？

跟M2 Ultra的增产消息呼应的，就是华尔街日报和彭博社最近的报道——苹果正在自己的数据中心，使用自己的芯片，为苹果用户提供AI服务。

另外，苹果在扩建数据中心基础设施上，也有着野心勃勃的计划。

两位记者发现，苹果目前至少有7个数据中心，涉及到30多座建筑，这还不包括计划中的项目。结果就是，这些数据中心的总容量在短时间内，就会翻一番。

上图是苹果公司即将建成的最大数据中心。目前只有一个数据中心，但明年将有许多数据中心陆续建成

挖来基础设施大牛

另外，苹果还在几个月内进行了一系列重大招聘，招兵买马扩张基础设施团队。

比如，他们挖来了云基础设施领域的大牛Sumit Gupta，来操刀苹果的基础设施。

Gupta在2007年到2015年效力于英伟达，参与了英伟达进军加速计算的初级阶段。随后他又入职IBM，再于2021年加入谷歌的AI基础设施团队，成为谷歌基础设施产品经理，包括TPU和基于Arm的数据中心CPU。

谷歌和英伟达算是目前唯二大规模部署AI基础设施的公司，能挖来这样的大牛，苹果要做的事恐怕不小。

然而尴尬的是，M2 Ultra对于AI服务器来说，恐怕并不是个好主意。

虽然业界普遍认为，苹果的M系列芯片在AI性能上表现出色，但这仅限于设备端的AI应用，服务器上就不一定了。

现实的情况是，苹果的竞争对手们在笔记本和台式电脑上使用的内存架构要差得多：现有的英特尔、AMD和高通笔记本，都只有128位的内存总线，而苹果的内存总线宽度要远远吊打他们的CPU。

这就会导致这样一种后果：虽然其他笔记本电脑可以配备与苹果内存带宽相当的英伟达GPU，但是英伟达采用的是成本较低的GDDR6内存架构，而苹果采用的是高成本的LPDDR架构，这就需要更宽的总线、更大的芯片边缘面积。

这就让英伟达GPU受到了限制，它无法在内存中放下苹果CPU能够容纳的高级模型，比如Llama 3-70B。虽然苹果的每GB成本实际上更低，但LPDDR的内存容量太高。

这种优势并不能延伸到云端的AI性能。设备端主要关注模型是否能够运行，而云端则更关心经济性。

在云端，虽然原始带宽和容量很重要，但FLOPS的数量更关键，因为许多用户通过批处理同时服务。高批处理大小，可以将推理成本（tokenomics）降低到10倍以上。

这样的结果就是，M2 Ultra就像是一个糟糕社区中最好的一栋房子，它无法与数据中心其他GPU很好地协同。

不仅内存带宽方面落后于竞争对手，但更重要的差距，在于其FLOPS较少，导致并发用户数也大大减少。

Apple GPU中拥有的FLOPS数虽然极少，但幸运的是，好在他们还有神经引擎。

在苹果设备上运行LLM的一种策略，是将多层感知器（multi-layer perceptron）运行在神经引擎上，同时将注意力机制（attention mechanism）运行在GPU上。

不过需要注意的是，这里还是存在一个带宽问题，所以在总FLOPS方面，结果并不理想。

而且，就算我们能神奇地将GPU和神经引擎的FLOPS相加，性能仍然比数据中心GPU差了35倍到85倍。这意味着实现高批处理大小的能力有限，每个芯片服务的用户数量也会大幅减少。

对于Llama 3-70B，M2 Ultra的每个芯片能服务4-6个用户就算走运了，然而GPU却常能实现64或更多的批处理大小。

而且，目前我们还没有分析最重要的变量之一——成本。

采用自研M2 Ultra，苹果就无需支付商用硅或者定制设计合作者的高额利润了。

计算下来， 两个M2 Max芯片、InFO-L封装和192GB的LPDDR，成本大约在2000美元左右。相比之下，H100的成本达到了10倍之多。

但同时也要考虑到超过10倍的性能差异。即使对于Llama 3-70B这类模型，苹果也很难让M2 Ultra具备很高的成本效益。

此外，当模型规模超出单个芯片时，这种情况并不适用。

计算并不是简单地线性扩展，尤其是M系列的SoC并不是为这种扩展设计的。

芯片间唯一的互连是UltraFusion桥，将两个M2 Max结合成一个M2 Ultra。但这与英伟达的NVLink的高速Serdes芯片间扩展完全不同。

虽然苹果芯片在单位美元下能提供相当可观的总计算量，但是和直接购买英伟达GPU相比，也没差太多。

因为所有的浮点计算无法被集成到单一集群中，模型推理会被降级到以人类语速运行，规模上限是Llama 3同等大小，无法运行千亿参数模型。

理性原因

如果苹果只是为了提供更好的Siri，自研芯片有点夸张。但实际上，苹果的目标远不止于此。

他们的目标是将所有数据、服务与AI集成在一起，这意味着从设备端到云端，从底层计算、操作系统到应用程序和数据，用户都会有无缝衔接的流畅操作。

这种愿景符合苹果一直以来对于用户体验的追求。但这不仅需要强大的AI计算性能，还需要从芯片到软件的高度垂直的完整技术链。

比如Siri可能需要在云中运行，在手机或者Apple Watch上应答，同时保证强大功能、高速通信和流畅交互。

其中的另一个卖点在于，苹果会在自己的数据中心处理用户数据，而不是发送到第三方云服务，保护数据的隐私和安全。

非理性原因

但搭建自己的数据中心需要大量芯片和服务器，英伟达作为全球首屈一指的公司，完全可以提供所有高性能计算的基础设施，自己从头开始显然不是最优解。

这看起来不太理性的商业决策，确实蕴含着一些情感因素，这里就牵扯到苹果和英伟达的一桩旧怨了。

虽然如今英伟达已凭「毫无瑕疵的工程执行力」封神，但过去的英伟达，也曾犯下不少重大的工程错误。

最大的一个，就是2006至2009年间的「bumpgate」丑闻。

在那段时间里，英伟达的整个55nm和65nmGPU系列由于高热量和糟糕的封装设计，早期故障率极高，超过40%。芯片和封装基板之间的凸点由于应力容易破裂，导致故障率完全不可接受。这是因为，英伟达选择了一种Tg过低的劣质填充物，因此在操作循环期间的高温下无法正确支撑凸点，导致了它们的疲劳

这就影响了GeForce 6000、7000、8000和9000系列，以及各种移动芯片组。

苹果、Dell和HP出售的含有英伟达芯片组的笔记本，全部受到影响。而糟糕的，就是英伟达的处理方式。起初，它拒绝承担责任，苹果、Dell和HP怒而对英伟达提起集体诉讼，迫使英伟达同意更换已售出的有缺陷GPU。

从此，苹果和英伟达的关系可以说是彻底破裂，英伟达再也没有被设计进任何一份苹果产品中。

甚至，苹果不惜选择性能和功耗更差的AMD GPU，甚至和AMD合作开发了一款在笔记本中使用HBM的定制GPU。

所有这些历史包袱，都会让苹果对再次依赖英伟达，感到心里打鼓。

M2 Ultra推出只是苹果给出的一个临时的解决方案，并在逐步开发更强大的芯片。

不过，目前M3 Ultra已在内部取消。

M4 Ultra还未投入生产阶段，甚至可能会被搁置，成为下一个夭折的产品。

而目前，这些芯片还没有针对大模型所需的计算完成优化，其神经引擎结构带宽严重不足，需要加以改造，才能适配。

不过，苹果并不会去依赖其他芯片供应商，去帮助自己开发AI芯片。

我们可能看到，苹果授权使用高速串行通信（SerDes）技术，去设计开发数据中心的专用芯片。

但，这一过程还需要数年的时间，目前还处于构想阶段。

因此，在今年和明年，我们仍将看到苹果Macbook和Mac mini上，使用增强版的苹果芯片。

在大模型方面，毋庸置疑，苹果目前的成果无法和GPT、Gemini或者Claude等系列相提并论。

然而，继微软提出AI PC之后，可以预料到，AI与硬件和操作系统进行更深度的集成是大势所趋。

苹果想要继续走在智能硬件的前沿，就必须拿出有竞争力的AI模型，提供符合「苹果风格和价值观」的AI服务。

然而，他们似乎并没有储备足够的算力和AI人才来训练自己的AI大模型。

虽然App Store已经提供了ChatGPT应用的下载，但作为一个倾向于高度垂直整合的公司，做到这一步远远不够。

彭博社披露称，苹果已经与OpenAI达成协议，并正在和谷歌、Anthropic讨论，也许这类成熟的模型会直接被集成、封装在在苹果设备上，并使用与苹果品牌形象一致的系统prompt。

另一个值得关注的方面是搜索功能。

谷歌每年向苹果支付200亿美元，换取Chrome作为苹果的默认搜索引擎。但这其实是一个双赢的交易，从庞大且有钱的苹果用户身上，谷歌用搜索中的广告收入赚回这笔钱绰绰有余。

但随着ChatGPT、Llama与Claude相继发力向搜索工具转型，蚕食谷歌在搜索引擎方面的巨大市场份额，这种稳定的商业模式或许会发生改变。

归根结底，苹果不能只满足于硬件供应商的地位，无论其他公司的AI模型有怎样的进展，它至少要保持「迎头赶上」的节奏。

仅仅在App Store上线各种AI模型和应用会让它失去控制权，失去在数据和隐私方面的品牌原则，也错过生成式AI可能带来的用户增长和广告收入。

此外，和微软的AI PC全部在本地运行AI推理不同，苹果的「Project Greymatter」采用混合的工作方式——

大部分计算强度较低的 AI 功能在设备上完成，但如果需要更多算力，则将被推送到云端。

这项服务一经推出，很有可能在短时间内迎来大规模流量涌入，这对苹果的AI基础设施会是一个考验。

虽然在AI之战中短暂落后，但苹果有一个不能忽视的独特优势——庞大的忠实用户群。

一旦发布AI功能，全球的数亿台苹果设备，都可以在短时间内更新，并提供给用户试用。

在未来某个时间节点，苹果可能一夜之间成为全球AI竞技场上最大的玩家。