Siri KI vs. Google Gemini: Was steckt hinter Apples neuem Assistenten?
Die einfache Antwort: Apples neues Siri ist nicht der normale Google Gemini Chatbot mit einer Apple-Oberfläche. Siri KI ist ein von Apple gesteuerter Assistent, der aus verschiedenen Apple Foundation Models, lokalen Suchsystemen, Frameworks für App-Aktionen und Private Cloud Compute aufgebaut ist. Google liefert wichtige Modell- und Cloud-Technologie unter diesem Stapel.
Die technische Antwort ist interessanter. Apple hat eine Familie von fünf AFM 3 Modellen vorgestellt, darunter ein dichtes Modell mit 3 Milliarden Parametern, ein spärliches On-Device-Modell mit 20 Milliarden Parametern, mehrere Servermodelle und ein High-End-Reasoning-Modell, das über eine erweiterte Private Cloud Compute-Architektur auf Google Cloud gehostet wird. Dieser Vergleich von Apple Siri KI und Gemini beginnt mit der einfachen Erklärung und folgt dann einer Anfrage durch Abruf, Modellrouting, Tool-Aufrufe, Ausführung und Datenschutzkontrollen.
Quelle: Apple Newsroom
Die Antwort in 30 Sekunden
- Gemini ist eine Grundlage, nicht das vollständige Siri-Produkt. Apple und Google sagen, dass die nächsten Apple Foundation Models auf Gemini-Modellen und Google Cloud-Technologie basieren.
- Siri KI ist ein geroutetes System. Eine Anfrage kann lokale Modelle, lokale Indizes, App-Tools oder ein größeres Modell über Private Cloud Compute nutzen.
- Apple hat fünf vorgestellte AFM 3 Modelle. Zwei laufen auf unterstützten Geräten und drei laufen auf Servern für anspruchsvolleres Reasoning, multimodale Aufgaben und Bilderzeugung.
- Persönlicher Kontext ist primär ein Abruferlebnis. Siri muss nicht einen ganzen Posteingang in Modellgewichten speichern; es kann indexierte Inhalte durchsuchen und nur relevante Ergebnisse in den aktiven Modellkontext einfügen.
- Aktionen sind typisierte Werkzeuge, keine unbeschränkte Bildschirmautomatisierung. App Intentions, App Entities und Schemas beschreiben, was eine App Siri finden oder tun lässt.
- Die normale Gemini-App ist breiter als KI-Arbeitsbereich. Sie bietet Langform-Recherche, Modellauswahl, Dateien, Codierung, generative Medien, verbundene Google-Dienste und Agenten-Workflows.
Zuerst trennt die Namen, die Menschen vermischen.
Die meiste Verwirrung entsteht, wenn vier verschiedene Ebenen als dasselbe Produkt behandelt werden. Das sind sie nicht.
| Name | Was es tatsächlich ist | Wer die Benutzererfahrung kontrolliert |
|---|---|---|
| Gemini-Modelle | Googles Familie multimodaler Basismodelle und agentenfähiger Modeldienste. | Google kontrolliert die Basisplattform der Modelle; Partner können Produkte darauf aufbauen. |
| Gemini-App | Googles Konsumenten-Chatbot und Agentenoberfläche für Konversation, Recherche, Dateien, Medienerstellung und verbundene Apps. | Google. |
| Apple Foundation Models | Apples aufgabenoptimierte Modellfamilie, maßgeschneidert mit Google-Technologie und eingesetzt auf Apple-Geräten und über Private Cloud Compute. | Apple kontrolliert die Modellauswahl, Bereitstellung, Sicherheitsstufen und Integration. |
| Siri KI | Das vollständige Assistentenprodukt: Sprache, Schnittstelle, Systemkoordinator, Abruf persönlicher Kontexte, App-Tools, Modelle und Anzeige von Antworten. | Apple. |
Eine nützliche Analogie ist eine Auto-Plattform. Gemini-Technologie ist Teil der Motor- und Fertigungsplattform. Apple Foundation Models sind Apples abgestimmte Antriebsstränge. Siri KI ist das fertige Fahrzeug, einschließlich Lenkung, Bremsen, Armaturenbrett, Sicherheitslogik und Zugang zum Rest des Betriebssystems.
Was passiert eigentlich, wenn Sie Siri etwas fragen?
In einfachen Worten: Siri ermittelt zuerst, was Sie möchten. Dann entscheidet es, ob es lokal antworten kann, ob es Informationen von Ihrem Gerät benötigt, ob es eine App-Aktion aufrufen muss oder ob ein größeres Cloud-Modell erforderlich ist. Das Ergebnis kann mehrere dieser Wege kombinieren.
Technisch: Apple nennt öffentlich einen Systemkoordinator, On-Device Foundation Models, den Spotlight-Index, ein App-Toolbox, App Intents, Bewusstsein für den Bildschirm und Private Cloud Compute. Apple veröffentlicht keine vollständige Produktionsspur für jede Anfrage, daher ist die folgende Sequenz eine technisch fundierte Rekonstruktion der offengelegten Komponenten und keine Behauptung, dass jede Eingabeaufforderung einer festen Pipeline folgt.
- Eingabeerfassung: Siri empfängt Sprache, getippten Text, ausgewählten Inhalt, einen Screenshot, Kameraeingaben oder eine andere unterstützte Modalität.
- Intentions- und Kontextanalyse: Das System identifiziert, ob die Anfrage konversationell, informativ, persönlich, visuell oder aktionsorientiert ist.
- Kontextabruf: Lokale Tools können Spotlight-indexierte Inhalte durchsuchen, Personen auflösen, Bildschirminhalte inspizieren oder strukturierte Informationen von einer App anfordern.
- Modellauswahl: Der Koordinator wählt ein On-Device- oder Servermodell entsprechend der Fähigkeit, Latenz, Hardware, Datenschutzgrenze und Aufgabenkomplexität aus.
- Tool-Planung:
- Ausführung und Validierung: Das Betriebssystem oder die App führt die Aktion unter normalen Berechtigungen aus und gibt ein typisiertes Ergebnis zurück.
- Antwortgenerierung: Das Modell kombiniert Tool-Ausgabe, abgerufenen Kontext und Weltwissen zur endgültigen Antwort oder Folgefrage.
Quelle: apple.com
Die wichtige Komponente ist der Koordinator. Er verbindet Modelle mit Spotlight-Abruf, App-Funktionen und Private Cloud Compute, anstatt zu erwarten, dass ein einziges riesiges Modell jede Aufgabe allein erledigt.
Warum Orchestrierung wichtiger ist als das Chatbot-Modell
Ein Sprachmodell kann überzeugenden Text erstellen, aber ein Betriebssystemassistent muss korrekte Zustandsänderungen liefern. "Verschiebe mein Meeting auf 15:00 Uhr" ist nicht nur eine Schreibaufgabe. Der Assistent muss das richtige Ereignis identifizieren, die Zeitzone auflösen, Berechtigungen prüfen, die Kalenderaktion ausführen, Konflikte behandeln und bestätigen, was sich geändert hat.
Das trennt semantische Planung von deterministischer Ausführung. Das Modell interpretiert Sprache und schlägt eine strukturierte Aktion vor. Eine herkömmliche Softwarekomponente validiert und führt sie aus. Dieses Design ist im Allgemeinen sicherer und einfacher zu testen, als einem Modell zu erlauben, Schnittstellen frei mit simulierten Taps zu manipulieren.
Innerhalb der AFM 3 Modellfamilie von Apple
In einfachen Worten: Apple verwendet nicht ein einziges Siri-Modell. Kleine und schnelle Aufgaben bleiben lokal, stärkere Apple-Hardware kann ein viel größeres lokales Modell erschließen, und schwierige Anfragen können an datenschutzgeschützte Servermodelle weitergeleitet werden.
Apple hat am 8. Juni 2026 fünf Foundation Models der dritten Generation vorgestellt. Sie teilen sich eine gemeinsame Trainingsgrundlage, sind aber für verschiedene Hardware und Arbeitslasten spezialisiert.
| Modell | Wo es läuft | Veröffentlichte Architekturbeschreibung | Am besten geeignete Arbeitslast |
|---|---|---|---|
| AFM 3 Core | Auf dem Gerät | Ungefähr 3 Milliarden Parameter, dichte Architektur. | Schnelle Sprachaufgaben, leichtgewichtiges Reasoning und Systemfunktionen auf unterstützter Hardware. |
| AFM 3 Core Advanced | Auf den leistungsfähigsten Apple Silicon Systemen | Insgesamt 20 Milliarden Parameter, spärlich; aktiviert etwa 1 bis 4 Milliarden Parameter je nach Anfrage. | Fortgeschrittene lokale multimodale Aufgaben, ausdrucksstarke Stimme, Diktat und stärkeres Reasoning, ohne die Aufgabe an einen Server zu senden. |
| AFM 3 Cloud | Private Cloud Compute auf Apple Silicon | Servermodell, das auf einer verbesserten Parallel-Track Mixture-of-Experts-Architektur basiert. | Allgemeine serverseitige Schlussfolgerungen und multimodale Anfragen, die mehr Kapazität erfordern als lokale Modelle. |
| ADM 3 Cloud (Bild) | Private Cloud Compute | Dediziertes Modell zur Bildgenerierung und -bearbeitung mit aufgaben-spezifischen Adaptern. | Image Playground, Genmoji und erweiterte Bildbearbeitungs-Workflows. |
| AFM 3 Cloud Pro | Private Cloud Compute auf NVIDIA GPUs in Google Cloud | Apples leistungsfähigstes offengelegtes Servermodell, optimiert für komplexe Schlussfolgerungen und agentengesteuerte Tool-Nutzung. | Längere, schwierigere Anfragen, die Planung, mehrstufige Tools oder komplexe Schlussfolgerungen beinhalten. |
Wie kann ein Modell mit 20 Milliarden Parametern auf einem Consumer-Gerät laufen?
Einfache Erklärung: Das vollständige Modell muss nicht gleichzeitig im Speicher aktiv sein. Apple speichert den gesamten Expertenpool im Flash-Speicher und lädt nur die für die aktuelle Anfrage benötigten Teile in schnelleren Speicher.
Technische Erklärung: AFM 3 Core Advanced verwendet eine spärlich aktivierte Architektur, die auf Instruction-Following Pruning basiert. Ein leichtgewichtiger dichter Routing-Block wählt während der Prompt-Verarbeitung eine feste Teilmenge von Experten aus. Gemeinsam genutzte Experten bleiben aktiv, während anfrage-spezifische, geroutete Experten von NAND in DRAM geladen werden. Apple gibt an, dass die Auswahl periodisch während der Token-Generierung aktualisiert werden kann.
Dies unterscheidet sich von einem herkömmlichen Token-Level Mixture-of-Experts-Modell, das bei jeder Schicht für jedes Token Routing-Entscheidungen treffen kann, während alle Experten im Beschleunigerspeicher leicht zugänglich bleiben. NAND hat eine wesentlich geringere Bandbreite als DRAM, daher verlagert Apple mehr Routing-Aufgaben auf die Prompt-Ebene und reduziert die Gewichtsverschiebung. Das Ergebnis ist ein Modell mit 20 Milliarden Parametern, dessen aktiver Rechen-Footprint für eine bestimmte Arbeitslast näher an 1, 2 oder 4 Milliarden Parametern liegen kann.
Was „basiert auf Gemini“ beweist und was nicht
Die Apple-Google-Erklärung vom Januar 2026 besagt, dass die nächste Generation von Apple Foundation Models auf Googles Gemini-Modellen und Cloud-Technologie basieren würde. Apple bezeichnete später die fünf AFM 3-Modelle als kundenspezifisch in Zusammenarbeit mit Google entwickelt. Dies bestätigt eine tiefe technische Beziehung, aber es bedeutet nicht, dass Apple den öffentlichen Gemini-App-Modell-Endpunkt direkt exponiert.
Apple hat das vollständige Rezept nicht öffentlich veröffentlicht, das zeigt, welche Gemini-Checkpoints, Architekturkomponenten, Trainingsinfrastruktur, Destillationsstufen oder Post-Training-Datensätze jedem AFM 3-Modell zugeordnet sind. Es wurde offengelegt, dass die Familie eine gemeinsame initiale Grundlage teilte, im großen Maßstab auf Cloud-TPU-Beschleunigern trainiert und dann für Apple Silicon oder NVIDIA GPUs spezialisiert und optimiert wurde. Behauptungen darüber hinaus wären Spekulation.
Persönlicher Kontext: Siri ist näher an privatem RAG als an Modellspeicher
In einfachen Worten: Siri kann Fragen zu Ihren E-Mails, Nachrichten, Dateien und Fotos beantworten, indem es bei Bedarf nach relevanten Elementen sucht. Es muss Ihre privaten Daten nicht dauerhaft in das Modell einbacken.
Das technische Muster ähnelt Retrieval-Augmented Generation, kurz RAG:
- Ihre Apps spenden durchsuchbare Metadaten und Entitäten an Core Spotlight.
- Das Modell entscheidet, dass ein privates Suchwerkzeug erforderlich ist.
- Es generiert eine semantische oder strukturierte Abfrage über den lokalen Index.
- Spotlight gibt Kandidatenobjekte oder Identifikatoren zurück.
- Die App kann ausgewählte Ergebnisse mit vollständigen Metadaten anreichern, wenn kompakte Indexdaten nicht ausreichen.
- Das Modell schlussfolgert über die kleine abgerufene Menge und generiert eine Antwort, die auf diesen Elementen basiert.
Apples Entwicklerdokumentation zeigt, dass SpotlightSearchTool semantische Suche, strukturierte Filterung nach Datum, Personen und Orten sowie sogar mehrstufige Such- und Rechen-Pipelines durchführen kann. Das Modell ruft das Tool möglicherweise mehrmals auf, bevor es antwortet. Richtlinienprofile können das verfügbare Suchschema für kleinere On-Device-Kontexte reduzieren, was die Effizienz verbessert und die Wahrscheinlichkeit irrelevanter Abfragen verringert.
Diese Architektur hat zwei praktische Vorteile. Erstens enthält der Modellkontext nur die für die aktuelle Anfrage benötigten Informationen anstelle einer gesamten Mailbox oder Fotobibliothek. Zweitens unterliegen indizierte Daten weiterhin App-Sandboxes, Betriebssystemberechtigungen und expliziten Entwicklerintegrationen.
App Intents: Wie Siri Sprache in sichere Aktionen umwandelt
In einfachen Worten: Eine App teilt Siri mit, was sie tun darf und welche Datenobjekte sie versteht. Siri füllt dann die erforderlichen Felder aus natürlicher Sprache auf.
Technisch: App Intents stellt Aktionen, Entitäten, Abfragen und Schemata als typisierte Schnittstellen bereit. Eine App kann eine Absicht wie das Erstellen einer Aufgabe, eine Entität wie ein Projekt und eine Abfrage, die Projektnamen auflöst, definieren. Siris Modell kann strukturierte Argumente generieren, aber die App besitzt weiterhin die Validierung und Ausführung.
| Schicht | Beispiel | Warum es wichtig ist |
|---|---|---|
| Natürlichsprachliche Anfrage | „Verschiebe die Designbesprechung von morgen auf 15 Uhr und sage Sarah Bescheid.“ | Menschfreundliche, aber mehrdeutige Eingabe. |
| Entitätenauflösung | Löse „Designbesprechung“, „morgen“ und die korrekte Sarah auf. | Verhindert, dass das Modell mit dem falschen Objekt handelt. |
| Strukturierte Absicht | UpdateEvent(eventID, startTime, attendees) | Wandelt Freitext in typisierte Felder um. |
| Berechtigung und Validierung | Kalenderzugriff, Konfliktprüfungen und app-spezifische Einschränkungen. | Hält die Durchsetzung von Richtlinien außerhalb der probabilistischen Textgenerierung aufrecht. |
| Ausführungsergebnis | Aktualisierte Ereignis-ID oder ein wiederherstellbarer Fehler. | Gibt dem Modell ein faktenbasiertes Ergebnis zur Erklärung an, anstatt Erfolg zu erfinden. |
Google Gemini unterstützt auch Function Calling, strukturierte Ausgaben und Tool-Orchestrierung. Der Unterschied liegt im Produktumfang. Die Entwicklerplattform von Gemini kann benutzerdefinierte APIs, Google Suche, URL-Kontext, Codeausführung, Dateisuche und andere Tools aufrufen. Siris privilegierter Vorteil ist, dass Apple Betriebssystem- und App-Aktionen über ein natives Berechtigungsmodell auf iPhone, iPad, Mac, Watch und Vision Pro bereitstellen kann.
Quelle: apple.com
Siri KI unterstützt jetzt reichhaltigere Konversationen, aber der sichtbare Chat ist nur das Frontend. Die wichtigere technische Unterscheidung ist seine Fähigkeit, Webwissen, private Abrufe und genehmigte App-Aktionen in einem Systemfluss zu kombinieren.
Siri KI vs. der reguläre Gemini-Chatbot: Technischer Vergleich
| Technische Dimension | Siri KI | Google Gemini App |
|---|---|---|
| Primäres Optimierungsziel | Reibungslose Unterstützung innerhalb eines Betriebssystems. | Allgemeine konversationelle-, Recherche-, Erstellungs- und Agenten-Workflows. |
| Modell-Exposition | Die Modellauswahl ist größtenteils hinter Apples Orchestrator verborgen. | Benutzer sehen möglicherweise Modell- oder Modusauswahlen, Plangrenzen und spezialisierte Funktionen. |
| Ausführungsgrenze | Native OS-Frameworks, App Intents, Spotlight und von Apple gesteuerte Tools. | Google Connected Apps, Gemini-Agenten, Browser- oder App-Integrationen und von Entwicklern definierte Tools. |
| Abruf persönlicher Daten | Lokale Indizes und von Apps bereitgestellte Entitäten können Antworten auf Basis von Gerätedaten verankern. | Verbtabnamee Google-Dienste und konto-basierte Personalisierung können Cloud-Kontext liefern. |
| Langfristige Forschung | Kann allgemeine Webfragen beantworten, aber das Produkt ist auf Unterstützung und Aktionen optimiert. | Tiefgehende Recherche- und Agenten-Modi sind für mehrstufige Web-Untersuchungen und Berichterstellung konzipiert. |
| Kontexthandling | Verwendet aufgabenspezifische Abrufe und Modell-Routing; genaue öffentliche Grenzen hängen von Modell und Hardware ab. | Gemini-APIs unterstützen sehr große Kontexte, während die Grenzen für Consumer-Apps von Modell, Plan und Funktion abhängen. |
| Echtzeit-Sprache | Integriert in Apples Sprache, Diktat, Gerätesteuerung und Geräte-übergreifende Schnittstellen. | Gemini Live unterstützt latenzarme multimodale Konversation, Kamera- und Bildschirminteraktion. |
| Entwicklerabstraktion | Framework für Foundation Models, App Intents, Core Spotlight und System-Model-Provider. | Gemini API, Interactions API, Live API, Funktionsaufrufe, strukturierte Ausgaben und integrierte Tools. |
| Schwerpunkt auf Fehler | Falsche Entitätsauflösung oder Aktionsplanung kann schädlicher sein als ein schwacher Absatz. | Recherchegenauigkeit, Quellqualität, Tool-Trajektorie und Konsistenz bei langem Kontext sind zentrale Risiken. |
Konversationsstatus und Gedächtnis werden unterschiedlich implementiert
Eine Chatbot-Konversation scheint sich zu „erinnern“, aber verschiedene Mechanismen können diesen Effekt erzeugen:
- Kontextfenster: Vorherige Nachrichten werden in die aktuelle Infernezanfrage einbezogen.
- Serverseitiger Konversationsstatus: Der Dienst speichert frühere Turns und ruft sie über eine Konversationskennung ab.
- Langzeitgedächtnis: Ausgewählte Präferenzen oder Fakten werden separat gespeichert und in spätere Chats eingespeist.
- Abruf: Relevante Daten werden aus einem externen Index durchsucht und nur bei Bedarf hinzugefügt.
Siri AI kombiniert Konversationsverlauf, iCloud-Synchronisierung und Abruf aus Apple-kontrollierten Indizes. Das normale Gemini-Produkt kombiniert Chatverlauf, optionale Personalisierung und Connected Apps. Auf Entwicklerseite kann Googles Interactions API eine Interaktion speichern und über „previous_interaction_id“ fortsetzen; Entwickler können auch „store=false“ setzen und den Kontext selbst verwalten. Dieses API-Verhalten sollte nicht mit der genauen Implementierung jedes Verbraucher-Gemini-Chats verwechselt werden, aber es zeigt den Unterschied auf Plattformebene zwischen zustandsbehafteten Cloud-Sitzungen und Apples lokal-primärem Abrufansatz.
Googles aktueller Entwickler-Stack konzentriert sich auf die Interactions API für multimodale Prompts, strukturierte Ausgaben, Tool-Orchestrierung und Agenten. Sie kann serverseitigen Zustand aufrechterhalten, Ausführungsschritte offenlegen und langwierige Aufgaben im Hintergrund ausführen. Gemini 3-Klassen-Modelle können Google-Suchgrundlagen, URL-Kontext, Code-Ausführung, Dateisuche und benutzerdefinierte Funktionsaufrufe in einem einzigen Workflow kombinieren. Gemini Live nutzt eine zustandsbehaftete WebSocket-Verbindung für kontinuierliche Audio-, Bild- und Textübertragung, mit Unterbrechungsunterstützung und latenzarmer Sprachausgabe. Gemini Gems Leitfaden erklärt seine wiederverwendbare benutzerdefinierte Assistenten-Schicht, während der Gemini API Schlüssel Leitfaden den Einstiegspunkt für Entwickler abdeckt.
Quelle: blog.google
Die Gemini App bietet einen breiteren KI-Arbeitsbereich: Recherche, Live-multimodale Konversation, Dateien, generative Medien und Agenten. Siri verbirgt mehr vom Modell-Stack, da seine Hauptaufgabe die Vermittlung des Betriebssystems ist.
Datenschutzvergleich: Lokal-primäre Orchestrierung vs. Konto-zentrierte Cloud-KI
| Frage | Siri KI | Gemini-App |
|---|---|---|
| Wo kann die Inferenz ausgeführt werden? | Auf dem Gerät oder über Private Cloud Compute. | Hauptsächlich in Googles Cloud-Diensten; einige gerätespezifische Google-Funktionen können lokale Modelle verwenden. |
| Wie werden persönliche Kontexte gewonnen? | Lokale Indizes, App-Entitäten, Bildschirminhalte und vom Benutzer autorisierte Tools. | Chatverlauf, Personalisierung und Connected Apps unter den Google-Konto-Einstellungen. |
| Ist es beabsichtigt, dass Cloud-Anfragedaten bestehen bleiben? | Apple sagt, die PCC-Berechnung sei zustandslos und persönliche Daten würden nicht gespeichert. | Gemini-Aktivitäten können im Konto des Benutzers gespeichert werden, wenn „Aktivitäten beibehalten“ aktiviert ist; Steuerung und Aufbewahrung hängen vom Produkt und dem Kontotyp ab. |
| Können Menschen Inhalte einsehen? | Apple sagt, PCC verhindere privilegierten Zugriff auf Anfragedaten und veröffentlicht Software zur Forschungsüberprüfung. | Googles Datenschutzdokumentation für Verbraucher erklärt, dass einige Daten gemäß den geltenden Einstellungen und Richtlinien überprüft werden können. |
| Können verbundene Apps erhaltene Daten speichern? | Der normale App-Speicher und die Berechtigungen gelten weiterhin, nachdem Siri eine Aktion ausgeführt hat. | Google weist darauf hin, dass verbundene Dienste oder Dritte die Daten, die sie erhalten, gemäß ihren eigenen Richtlinien speichern können. |
Für eine tiefere Konto-weite Überprüfung siehe Zerlos Leitfaden zu Google Gemini Datenschutz und Datenkontrollen. Die zentrale Unterscheidung ist nicht „Apple hat Daten, Google nicht“ oder umgekehrt. Es ist, wie viel Verarbeitung lokal stattfindet, welcher Dienst den Konversationsstatus speichert, welche Berechtigungen aktiv sind und ob verbundene Apps eine Kopie der Informationen erhalten.
Latenz, Energie und Zuverlässigkeit – Kompromisse
Ein technisch überlegenes Modell ist nicht automatisch ein überlegener Assistent. Das System muss die Modellqualität gegen Antwortzeit, Speicherlast, Batterieverbrauch, Netzwerkbedingungen und Aktionsrisiko abwägen.
| Pfad | Hauptvorteil | Hauptbeschränkung | Typischer Fehlerfall |
|---|---|---|---|
| Kleines On-Device-Modell | Geringe Netzwerklatenz, Datenschutz und Offline-Fähigkeit. | Kleinerer Kontext und schwächere komplexe Schlussfolgerungen. | Übertriebene Antwort oder falsche Tool-Auswahl. |
| Dünn besetztes fortschrittliches On-Device-Modell | Höhere lokale Qualität, ohne alle Parameter in den DRAM zu laden. | Nur auf ausreichend leistungsfähiger Hardware verfügbar; die Bewegung von Flash zu Speicher kostet immer noch. | Thermischer Druck, Speicherdruck oder Latenzdruck bei schwierigen Anfragen. |
| Private Cloud Compute Modell | Mehr Rechenleistung und stärkere Schlussfolgerungen im Rahmen von Apples Datenschutzdesign. | Erfordert Netzwerkzugang und sicheres Routing zu einem attestierten Knoten. | Netzwerk-Timeout, Dienstverfügbarkeit oder Fallback auf eine reduzierte lokale Antwort. |
| Gemini Cloud-Modell oder Agent | Großer Kontext, breite Tools, Web-Grounding und langlaufende Workflows. | Cloud-Latenz, Kontorichtlinien und Produktbeschränkungen. | Tool-Schleifen, Fehler bei der Quellenauswahl, veraltete Connected-App-Daten oder unvollständige langlaufende Aufgaben. |
Sicherheitsrisiken, denen beide Architekturen immer noch ausgesetzt sind
Prompt-Injection durch abgerufenen Inhalt
Eine E-Mail, Webseite oder ein Dokument kann Anweisungen enthalten, die sich an das Modell und nicht an den Benutzer richten. Ein sicherer Assistent muss abgerufenen Text als nicht vertrauenswürdige Daten behandeln, die Systemrichtlinien separat halten und einschränken, welche Tools aufgerufen werden können. Getippte Tools reduzieren das Risiko, entfernen es aber nicht, wenn das Modell vertrauliche Daten in eine gefährliche Aktion übergeben darf.
Falsche Personen- und Objektauflösung
„Sende es an Alex“ kann gefährlicher sein als eine faktische Halluzination. Der Assistent muss Kontakte, Dateien und Ereignisse mit ausreichender Sicherheit auflösen und bei Wesentlichkeit der Mehrdeutigkeit Klärung anfordern. Aus diesem Grund legt Apple die Kontaktauflösung und Entitätsschemata offen.
Nicht-deterministische Tool-Trajektorien
Zwei identische Anfragen können zu unterschiedlichen Modellplänen führen. Apple hat daher Evaluierungswerkzeuge für agentielle Abläufe eingeführt, während Google in seinen Entwickler-APIs Tool-Schritte und strukturierte Ausgaben offenlegt. Produktionsteams benötigen Datensätze, die nicht nur die endgültige Formulierung testen, sondern auch, ob das richtige Tool mit den richtigen Argumenten aufgerufen wurde.
Berechtigungserweiterung
Ein Assistent wird nützlicher, wenn mehr Apps verbunden sind, aber sein Einflussbereich vergrößert sich auch. Least-Privilege-Berechtigungen, Bestätigung für destruktive Aktionen, klare Ausführungsbelege und widerrufbare Verbindungen sind wichtiger als die zugrundeliegende Benchmark-Punktzahl.
Können wir sagen, welches Modell intelligenter ist?
Nicht verantwortungsvoll allein anhand der öffentlichen Daten. Apple hat interne Verbesserungen der menschlichen Präferenz für AFM 3-Modelle im Vergleich zu seiner Vorgängergeneration veröffentlicht, einschließlich Gewinne bei der Befolgung von Anweisungen, dem Verständnis von Bildern, der Diktierfunktion und der Text-zu-Sprache-Umwandlung. Das sind nützliche Generationsmessungen, aber sie sind kein neutraler Kopf-an-Kopf-Benchmark gegen das aktuelle Verbraucher-Gemini-Modell.
Google veröffentlicht umfangreiche Kapazitätsinformationen für Gemini-Modelle und bietet breiteren Entwicklerzugang, aber das genaue Modell, die Routing-Richtlinie, das System-Prompt, die Tools und die Produktbeschränkungen, die von der Gemini-App verwendet werden, können sich ändern. Ein fairer Vergleich würde identische Prompts, identischen Tool-Zugang, gleichwertigen Kontext, die gleiche Sprache, wiederholte Durchläufe und separate Bewertungen für Faktizität, Erfolg bei Aktionen, Latenz und Datenschutzaufwand erfordern.
- Siri AI ist für persönliche, kontextbezogene und ausführbare Aufgaben innerhalb von Apples Ökosystem optimiert.
- Die Gemini-App ist für breite Cloud-Intelligenz, Recherche, Kreation und Agenten-Workflows optimiert.
- Apples Gemini-abgeleitete Modelle können technisch mit Googles Modellen verwandt sein und dabei ein sehr unterschiedliches Benutzererlebnis bieten.
Welches sollten Sie verwenden?
| Deine Aufgabe | Besserer Ausgangspunkt | Grund |
|---|---|---|
| Finde ein Detail in Mail und mache es zu einer Erinnerung | Siri KI | Lokale Abfrage persönlicher Kontexte plus native Ausführung von Aktionen. |
| Bearbeiten, Teilen oder Ausführen von Inhalten, die bereits auf einem Apple-Gerät sichtbar sind | Siri KI | Bewusstsein für den Bildschirm und Integration des Betriebssystems. |
| Recherchiere ein komplexes Thema über viele Quellen hinweg | Gemini | Tiefgehende Recherche und langlaufende Cloud-Agenten-Workflows. |
| Analysiere große Dateien, Code oder multimodale Dokumente | Gemini | Große Cloud-Kontexte und explizite Datei-, Code- und Tool-Funktionen. |
| Entwickle eine iPhone-App-Funktion, die offline funktioniert | Apple Foundation Models Framework | Direkter Zugriff auf das sprachbasierte On-Device-Modell und Apple-native Tools. |
| Erstelle einen plattformübergreifenden Cloud-Agenten | Gemini API | Allgemeiner API-Zugriff, Tool-Orchestrierung, Serverstatus und breite multimodale Dienste. |
| Kann Sris KI offline funktionieren? | Einige Aufgaben können mit On-Device-Modellen und lokalen Tools ausgeführt werden, aber breites Webwissen und hochkomplexe Schlussfolgerungen erfordern möglicherweise eine Netzwerkverbindung. Das genaue Fallback-Verhalten hängt von der Funktion, dem Gerät und der Anfrage ab. | Ist Gemini besser für Entwickler? |
FAQ
Führt Sris KI buchstäblich das gleiche Modell wie die Gemini-App aus?
Nein. Apple sagt, seine AFM 3-Familie wurde speziell mit Google entwickelt und basiert auf Gemini-Technologie, aber Siri verwendet Apple-spezifische Modelle, Routing, Datenschutzinfrastruktur, Abrufsysteme und App-Tools. Apple hat keine Eins-zu-Eins-Zuordnung zwischen einem Gemini-Consumer-App-Modell und jedem AFM 3-Modell veröffentlicht.
Geht jede Siri-Anfrage an die Google Cloud?
Nein. Apple beschreibt zwei On-Device-Modelle und lokale Komponenten wie den Spotlight-Index und die App-Toolbox. Anspruchsvollere Anfragen können Private Cloud Compute nutzen. AFM 3 Cloud Pro fügt PCC-Kapazität in der Google Cloud hinzu, aber Apple sagt, Geräte vertrauen nur kryptografisch genehmigter PCC-Software und Apple behält die Kontrolle über diese Software.
Was ist der Unterschied zwischen AFM 3 Core und AFM 3 Core Advanced?
AFM 3 Core ist ein dichtes Modell mit etwa 3 Milliarden Parametern. AFM 3 Core Advanced hat insgesamt 20 Milliarden Parameter, verwendet aber Sparse Activation und lädt für eine Anfrage etwa 1 bis 4 Milliarden Parameter. Das erweiterte Modell ist auf Apples leistungsfähigste Siliziumsysteme beschränkt.
Warum speichert Apple Modellexperten im Flash-Speicher?
Alle 20 Milliarden Parameter aktiv in DRAM zu halten, würde zu viel schnellen Speicher für ein Verbrauchergerät erfordern. Apple speichert den größeren Expertenpool in NAND und verschiebt ausgewählte Experten gemäß Prompt-basierten Routing-Entscheidungen in DRAM. Dies ermöglicht ein größeres Gesamtmodell und begrenzt gleichzeitig den aktiven Speicher-Footprint.
Ist Sris persönlicher Kontext dasselbe wie Training mit meinen Daten?
Nein. Der Abruf verwendet relevante persönliche Elemente zur Inferenzzeit, um eine Anfrage zu beantworten. Training ändert Modellgewichte. Apple gibt an, seine Foundation Models nicht auf den privaten persönlichen Daten oder privaten Interaktionen von Benutzern zu trainieren. Abgerufene Inhalte können immer noch sensibel sein, daher bleiben Berechtigungen und Tool-Grenzen wichtig.
Kann Sris KI offline funktionieren?
Einige Aufgaben können mit On-Device-Modellen und lokalen Tools ausgeführt werden, aber breites Webwissen und hochkomplexe Schlussfolgerungen erfordern möglicherweise eine Netzwerkverbindung. Das genaue Fallback-Verhalten hängt von der Funktion, dem Gerät und der Anfrage ab.
Ist Gemini besser für Entwickler?
Es hängt vom Bereitstellungsziel ab. Gemini bietet eine breite plattformübergreifende Cloud-API mit großen Kontexten, integrierten Tools und Agenten. Apples Foundation Models Framework ist attraktiver für private On-Device-Funktionen, Apple-native App-Aktionen, Spotlight-Abruf und tiefe Betriebssystemintegration.
Welcher Assistent ist privater?
Siri AI hat eine stärkere lokale Erstausstattung und eine nachweislich vertrauliche Computerarchitektur auf dem Papier. Gemini bietet detaillierte Kontrollen für die Kontoverwaltung und Unternehmensschutzmaßnahmen, aber die Consumer-App ist von Grund auf stärker auf Cloud und Konto ausgerichtet. Das Endergebnis hängt immer noch von den Einstellungen, verbundenen Apps, dem Kontotyp und der Sensibilität der Aufgabe ab.
Fazit
Die technisch korrekte Antwort auf „Was treibt Apples neuen Assistenten an?“ lautet nicht einfach „Google Gemini.“. Siri AI wird von Apples AFM 3-Modellfamilie und einer von Apple gesteuerten Orchestrierungsschicht angetrieben. Gemini-Technologie trägt zur Modellgrundlage bei und Google Cloud stellt die Infrastruktur für den anspruchsvollsten Private Cloud Compute-Pfad bereit, aber Apple kontrolliert den Abruf, die Berechtigungen, die App-Aktionen, die Bereitstellung und die Assistentenoberfläche.
Für nicht-technische Benutzer ist der Unterschied einfach: Siri ist darauf ausgelegt, auf Apple-Geräten zu verstehen und zu agieren, während Gemini als breite KI-Arbeitsumgebung konzipiert ist. Für technische Leser ist die entscheidende Unterscheidung die Architektur um das Modell herum: sporadische On-Device-Inferenz, lokaler RAG durch Spotlight, getypte App-Intents, dynamisches Modell-Routing und eine attestierte zustandslose Cloud-Grenze im Gegensatz zu einer allgemeinen Cloud-Agentenplattform mit großen Kontexten, persistenten Sitzungen und einem breiteren Tool-Ökosystem.