Siri IA vs Google Gemini : Qu'est-ce qui alimente le nouvel assistant d'Apple ?
La réponse simple : Le nouveau Siri d'Apple n'est pas le chatbot Google Gemini habituel portant une interface Apple. Siri AI est un assistant contrôlé par Apple, construit à partir de plusieurs Apple Foundation Models, de systèmes de recherche locaux, de frameworks d'actions d'applications et de Private Cloud Compute. Google fournit une technologie de modèle et de cloud importante sous cette pile.
La réponse technique est plus intéressante. Apple a dévoilé une famille de cinq modèles AFM 3, dont un modèle dense de 3 milliards de paramètres, un modèle épars sur appareil de 20 milliards de paramètres, plusieurs modèles serveur et un modèle de raisonnement haut de gamme hébergé via une architecture Private Cloud Compute étendue sur Google Cloud. Cette comparaison Apple Siri AI Gemini commence par l'explication facile, puis suit une requête à travers la récupération, le routage des modèles, l'appel d'outils, l'exécution et les contrôles de confidentialité.
Source: Apple Newsroom
La réponse en 30 secondes
- Gemini est une fondation, pas le produit Siri complet. Apple et Google affirment que les prochains Apple Foundation Models sont basés sur les modèles Gemini et la technologie cloud de Google.
- Siri AI est un système routé. Une requête peut utiliser des modèles locaux, des index locaux, des outils d'applications ou un modèle plus grand via Private Cloud Compute.
- Apple a cinq modèles AFM 3 divulgués. Deux s'exécutent sur les appareils pris en charge et trois s'exécutent sur des serveurs pour un raisonnement plus poussé, un travail multimodal et la génération d'images.
- Le contexte personnel est principalement un problème de récupération. Siri n'a pas besoin de mémoriser une boîte de réception entière dans les poids du modèle ; il peut rechercher le contenu indexé et ne passer que les résultats pertinents dans le contexte du modèle actif.
- Les actions sont des outils typés, pas une automatisation d'écran sans restriction. App Intents, App Entities et les schémas décrivent ce qu'une application permet à Siri de trouver ou de faire.
- L'application Gemini régulière est plus large en tant qu'espace de travail IA. Elle offre la recherche longue, la sélection de modèles, les fichiers, le codage, les médias génératifs, les services Google connectés et les flux de travail d'agents.
D'abord, séparez les noms que les gens mélangent.
La plupart de la confusion vient du fait que l'on traite quatre couches différentes comme s'il s'agissait du même produit. Ce n'est pas le cas.
| Nom | Ce que c'est réellement | Qui contrôle l'expérience utilisateur |
|---|---|---|
| Modèles Gemini | La famille de modèles fondamentaux multimodaux de Google et les services de modèles capables d'agir en tant qu'agents. | Google contrôle la plateforme de modèles de base ; les partenaires peuvent créer des produits au-dessus. |
| Application Gemini | Le chatbot et l'interface agent grand public de Google pour la conversation, la recherche, les fichiers, la création de médias et les applications connectées. | Google. |
| Modèles fondamentaux Apple | La famille de modèles d'Apple optimisés pour les tâches, construite sur mesure avec la technologie Google et déployée sur les appareils Apple et Private Cloud Compute. | Apple contrôle la sélection des modèles, le déploiement, les couches de sécurité et l'intégration. |
| Siri IA | Le produit assistant complet : parole, interface, orchestrateur système, récupération de contexte personnel, outils d'application, modèles et rendu de réponse. | Apple. |
Une analogie utile est une plateforme automobile. La technologie Gemini fait partie du moteur et de la plateforme de fabrication. Les Apple Foundation Models sont les groupes motopropulseurs réglés par Apple. Siri AI est le véhicule fini, y compris la direction, les freins, le tableau de bord, la logique de sécurité et l'accès au reste du système d'exploitation.
Que se passe-t-il réellement lorsque vous demandez quelque chose à Siri ?
En langage clair : Siri détermine d'abord ce que vous voulez. Il décide ensuite s'il peut répondre localement, s'il a besoin d'informations de votre appareil, s'il doit appeler une action d'application ou s'il nécessite un modèle cloud plus grand. Le résultat peut combiner plusieurs de ces chemins.
Techniquement : Apple nomme publiquement un orchestrateur système, des modèles fondamentaux sur appareil, l'index Spotlight, une boîte à outils d'applications, App Intents, la conscience de l'écran et Private Cloud Compute. Apple ne publie pas de trace de production complète pour chaque requête, de sorte que la séquence suivante est une reconstruction techniquement fondée des composants divulgués plutôt qu'une affirmation selon laquelle chaque invite suit un pipeline fixe.
- Acquisition de l'entrée : Siri reçoit la parole, le texte tapé, le contenu sélectionné, une capture d'écran, une entrée caméra ou une autre modalité prise en charge.
- Analyse de l'intention et du contexte : Le système identifie si la requête est conversationnelle, informative, personnelle, visuelle ou orientée action.
- Récupération du contexte : Les outils locaux peuvent rechercher le contenu indexé par Spotlight, résoudre les personnes, inspecter le contenu à l'écran ou demander des informations structurées à une application.
- Sélection du modèle : L'orchestrateur choisit un modèle sur appareil ou serveur en fonction de la capacité, de la latence, du matériel, de la limite de confidentialité et de la complexité de la tâche.
- Planification des outils :
- Exécution et validation : Le système d'exploitation ou l'application effectue l'action sous les autorisations normales et renvoie un résultat typé.
- Génération de la réponse : Le modèle combine la sortie de l'outil, le contexte récupéré et les connaissances du monde pour former la réponse finale ou la question de suivi.
Source: apple.com
Le composant important est l'orchestrateur. Il connecte les modèles à la récupération Spotlight, aux capacités des applications et à Private Cloud Compute au lieu de s'attendre à ce qu'un seul modèle géant effectue toutes les tâches par lui-même.
Pourquoi l'orchestration est plus importante que le modèle de chatbot
Un modèle linguistique peut produire du texte convaincant, mais un assistant de système d'exploitation doit apporter des changements d'état corrects. « Déplacer ma réunion à 15h00 » n'est pas seulement une tâche d'écriture. L'assistant doit identifier le bon événement, résoudre le fuseau horaire, vérifier les autorisations, appeler l'action du calendrier, gérer les conflits et confirmer ce qui a changé.
Cela sépare la planification sémantique de l'exécution déterministe. Le modèle interprète le langage et propose une action structurée. Un composant logiciel conventionnel la valide et l'exécute. Cette conception est généralement plus sûre et plus facile à tester que de permettre à un modèle de manipuler librement les interfaces avec des taps simulés.
À l'intérieur de la famille de modèles AFM 3 d'Apple
En langage clair : Apple n'utilise pas un seul modèle Siri. Les tâches petites et rapides restent locales, un matériel Apple plus puissant peut débloquer un modèle local beaucoup plus grand, et les requêtes difficiles peuvent passer à des modèles serveur protégés par la confidentialité.
Apple a annoncé cinq modèles fondamentaux de troisième génération le 8 juin 2026. Ils partagent une base d'entraînement commune mais sont spécialisés pour différents matériels et charges de travail.
| Modèle | Où il s'exécute | Détails d'architecture publiés | Charge de travail la plus adaptée |
|---|---|---|---|
| AFM 3 Core | Sur l'appareil | Environ 3 milliards de paramètres, architecture dense. | Tâches linguistiques rapides, raisonnement léger et fonctionnalités système sur le matériel pris en charge. |
| AFM 3 Core Avancé | Sur les systèmes Apple les plus performants | 20 milliards de paramètres au total, épars ; active environ 1 à 4 milliards de paramètres selon la requête. | Travail multimodal local avancé, voix expressive, dictée et raisonnement plus poussé sans envoyer la tâche à un serveur. |
| AFM 3 Cloud | Calcul privé dans le cloud sur des puces Apple | Modèle de serveur basé sur une architecture à mélange d'experts mise à niveau et à voie parallèle. | Raisonnement général côté serveur et requêtes multimodales nécessitant plus de capacité que les modèles locaux. |
| ADM 3 Cloud (Image) | Calcul privé dans le cloud | Modèle dédié à la génération et à l'édition d'images avec des adaptateurs spécifiques à la tâche. | Image Playground, Genmoji et flux de travail d'édition d'images avancés. |
| AFM 3 Cloud Pro | Calcul privé dans le cloud sur les GPU NVIDIA dans Google Cloud | Le modèle serveur le plus performant d'Apple divulgué, optimisé pour le raisonnement complexe et l'utilisation d'outils de type agent. | Requêtes plus longues et plus difficiles impliquant la planification, des outils multi-étapes ou un raisonnement complexe. |
Comment un modèle de 20 milliards de paramètres peut-il fonctionner sur un appareil grand public ?
Explication simple : le modèle complet ne doit pas être actif en mémoire simultanément. Apple stocke le pool complet d'experts dans le stockage flash et ne charge que les parties nécessaires à la requête actuelle dans une mémoire plus rapide.
Explication technique : AFM 3 Core Advanced utilise une architecture faiblement activée construite autour du élagage basé sur le suivi d'instructions. Un bloc de routage dense léger choisit un sous-ensemble fixe d'experts pendant le traitement de l'invite. Les experts partagés restent actifs, tandis que les experts routés spécifiques à la requête sont chargés depuis la NAND vers la DRAM. Apple indique que la sélection peut être mise à jour périodiquement pendant la génération de tokens.
Ceci est différent d'un modèle conventionnel de mélange d'experts au niveau du token qui peut prendre des décisions de routage à chaque couche pour chaque token, tandis que tous les experts restent facilement accessibles dans la mémoire de l'accélérateur. La NAND a une bande passante beaucoup plus faible que la DRAM, Apple déplace donc davantage de travail de routage vers le niveau de l'invite et réduit les mouvements de poids. Le résultat est un modèle de 20 milliards de paramètres dont l'empreinte de calcul active peut être plus proche de 1, 2 ou 4 milliards de paramètres pour une charge de travail donnée.
Ce que « basé sur Gemini » prouve et ne prouve pas
La déclaration d'Apple-Google de janvier 2026 indique que la prochaine génération de modèles Apple Foundation serait basée sur les modèles Gemini et la technologie cloud de Google. Apple a ensuite qualifié les cinq modèles AFM 3 de construits sur mesure en collaboration avec Google. Cela confirme une relation technique approfondie, mais cela ne signifie pas qu'Apple expose directement le point d'accès public du modèle d'application Gemini.
Apple n'a pas publié publiquement la recette complète montrant quels points de contrôle Gemini, composants architecturaux, infrastructure d'entraînement, étapes de distillation ou ensembles de données post-entraînement correspondent à chaque modèle AFM 3. Elle a révélé que la famille partageait une base commune initiale, a été entraînée à grande échelle sur des accélérateurs cloud TPU, puis spécialisée et optimisée pour les puces Apple ou les GPU NVIDIA. Les affirmations au-delà de cela seraient de la spéculation.
Contexte personnel : Siri est plus proche du RAG privé que de la mémoire du modèle
En langage clair : Siri peut répondre à des questions sur vos e-mails, messages, fichiers et photos en recherchant des éléments pertinents si nécessaire. Il n'a pas besoin de graver en permanence vos données privées dans le modèle.
Le schéma technique ressemble à la génération augmentée par récupération, ou RAG :
- Vos applications font don de métadonnées et d'entités consultables à Core Spotlight.
- Le modèle décide qu'un outil de recherche personnelle est requis.
- Il génère une requête sémantique ou structurée sur l'index local.
- Spotlight renvoie des éléments ou des identifiants candidats.
- L'application peut hydrater les résultats sélectionnés avec des métadonnées complètes lorsque les données de l'index compact sont insuffisantes.
- Le modèle raisonne sur le petit ensemble récupéré et génère une réponse basée sur ces éléments.
La documentation pour développeurs d'Apple montre que SpotlightSearchTool peut effectuer une recherche sémantique, un filtrage structuré sur les dates, les personnes et les lieux, et même des pipelines de recherche et de calcul multi-étapes. Le modèle peut appeler l'outil plus d'une fois avant de répondre. Les profils de guidage peuvent réduire le schéma de recherche disponible pour les contextes sur appareil plus petits, améliorant l'efficacité et réduisant le risque de requêtes non pertinentes.
Cette architecture présente deux avantages pratiques. Premièrement, le contexte du modèle ne contient que les informations nécessaires à la requête actuelle au lieu d'une boîte aux lettres ou d'une bibliothèque photo entière. Deuxièmement, les données indexées restent gouvernées par les bacs à sable des applications, les autorisations du système d'exploitation et les intégrations explicites des développeurs.
App Intents : comment Siri transforme le langage en actions sûres
En langage clair : une application indique à Siri ce qu'elle est autorisée à faire et quels objets de données elle comprend. Siri remplit alors les champs requis à partir du langage naturel.
Techniquement : App Intents expose des actions, des entités, des requêtes et des schémas en tant qu'interfaces typées. Une application peut définir une intention comme la création d'une tâche, une entité comme un projet, et une requête qui résout les noms de projets. Le modèle de Siri peut générer des arguments structurés, mais l'application conserve la validation et l'exécution.
| Layer | Exemple | Pourquoi c'est important |
|---|---|---|
| Requête en langage naturel | « Déplacez la revue de conception de demain à 15h et dites-le à Sarah. » | Entrée conviviale pour l'humain mais ambiguë. |
| Résolution d'entités | Résoudre « revue de conception », « demain » et la bonne Sarah. | Empêche le modèle d'agir sur le mauvais objet. |
| Intention structurée | UpdateEvent(eventID, startTime, attendees) | Convertit le texte libre en champs typés. |
| Autorisation et validation | Accès au calendrier, vérification des conflits et contraintes spécifiques à l'application. | Conserve l'application des règles à l'extérieur de la génération probabiliste de texte. |
| Résultat d'exécution | Identifiant d'événement mis à jour ou erreur récupérable. | Donne au modèle un résultat factuel à expliquer au lieu d'inventer un succès. |
Google Gemini prend également en charge l'appel de fonctions, les sorties structurées et l'orchestration d'outils. La différence réside dans le champ d'application du produit. La plateforme de développement de Gemini peut appeler des API personnalisées, Google Search, le contexte d'URL, l'exécution de code, la recherche de fichiers et d'autres outils. L'avantage privilégié de Siri est qu'Apple peut exposer les actions du système d'exploitation et des applications via un modèle d'autorisation natif sur iPhone, iPad, Mac, Watch et Vision Pro.
Source: apple.com
Siri AI prend désormais en charge des conversations plus riches, mais le chat visible n'est que la façade. La distinction technique la plus importante est sa capacité à combiner les connaissances du web, la récupération privée et les actions d'applications approuvées dans un seul flux système.
Siri AI vs le chatbot Gemini régulier : comparaison technique
| Dimension technique | Siri IA | Application Google Gemini |
|---|---|---|
| Cible d'optimisation principale | Assistance à faible friction au sein d'un système d'exploitation. | Flux de travail conversationnels généraux, de recherche, de création et d'agent. |
| Exposition du modèle | Le choix du modèle est largement caché derrière l'orchestrateur d'Apple. | Les utilisateurs peuvent voir les choix de modèles ou de modes, les limites de plans et les fonctionnalités spécialisées. |
| Limites d'exécution | Frameworks natifs du système d'exploitation, App Intents, Spotlight et outils contrôlés par Apple. | Applications connectées Google, agents Gemini, intégrations de navigateur ou d'applications et outils définis par le développeur. |
| Récupération de données personnelles | Les index locaux et les entités fournies par les applications peuvent baser les réponses sur les données de l'appareil. | Les services Google connectés et la personnalisation au niveau du compte peuvent fournir un contexte cloud. |
| Recherche longue | Peut répondre à des questions générales sur le web, mais le produit est optimisé autour de l'assistance et des actions. | Les modes Deep Research et Agent sont conçus pour l'investigation web multi-étapes et la génération de rapports. |
| Gestion du contexte | Utilise la récupération spécifique à la tâche et le routage du modèle ; les limites publiques exactes dépendent du modèle et du matériel. | Les API Gemini prennent en charge des contextes très volumineux, tandis que les limites des applications grand public dépendent du modèle, du plan et de la fonctionnalité. |
| Voix en temps réel | Intégré à la parole Apple, à la dictée, aux commandes d'appareils et aux interfaces multi-appareils. | Gemini Live prend en charge la conversation multimodale à faible latence, les interactions avec la caméra et l'écran. |
| Abstraction du développeur | Framework de modèles fondamentaux, App Intents, Core Spotlight et fournisseurs de modèles système. | API Gemini, API Interactions, API Live, appel de fonctions, sortie structurée et outils intégrés. |
| Emphase sur l'échec | Une résolution d'entité incorrecte ou une planification d'actions erronée peut être plus dommageable qu'un paragraphe faible. | La précision de la recherche, la qualité de la source, la trajectoire de l'outil et la cohérence du contexte long sont des risques centraux. |
L'état de la conversation et la mémoire sont implémentés différemment
Une conversation de chatbot semble « se souvenir », mais plusieurs mécanismes différents peuvent créer cet effet :
- Fenêtre de contexte : les messages précédents sont inclus dans la requête d'inférence actuelle.
- État de la conversation côté serveur : le service stocke les tours précédents et les récupère à l'aide d'un identifiant de conversation.
- Mémoire à long terme : les préférences ou faits sélectionnés sont stockés séparément et injectés dans les discussions ultérieures.
- Récupération : les données pertinentes sont recherchées dans un index externe et ajoutées uniquement lorsque nécessaire.
Siri AI combine l'historique des conversations, la synchronisation iCloud et la récupération à partir d'index contrôlés par Apple. Le produit Gemini régulier combine l'historique des discussions, la personnalisation optionnelle et les applications connectées. Du côté des développeurs, l'API Interactions de Google peut stocker une interaction et la poursuivre via previous_interaction_id ; les développeurs peuvent également définir store=false et gérer le contexte eux-mêmes. Ce comportement de l'API ne doit pas être confondu avec l'implémentation exacte de chaque chat Gemini consommateur, mais il montre la différence au niveau de la plateforme entre les sessions cloud avec état et l'approche de récupération locale d'Apple.
La pile de développement actuelle de Google est centrée sur l'API Interactions pour les invites multimodales, les sorties structurées, l'orchestration d'outils et les agents. Elle peut maintenir un état côté serveur, exposer les étapes d'exécution et exécuter de longues tâches en arrière-plan. Les modèles de classe Gemini 3 peuvent combiner l'ancrage de recherche Google, le contexte URL, l'exécution de code, la recherche de fichiers et les appels de fonction personnalisés dans un seul flux de travail. Gemini Live utilise une connexion WebSocket avec état pour l'audio, les images et le texte continus, avec prise en charge des interruptions et une sortie vocale à faible latence. Guide des gemmes Gemini explique sa couche d'assistant personnalisé réutilisable, tandis que le guide des clés API Gemini couvre le point d'entrée du développeur.
Source: blog.google
L'application Gemini expose un espace de travail IA plus large : recherche, conversation multimodale en direct, fichiers, médias génératifs et agents. Siri masque davantage la pile de modèles car sa tâche principale est de médiatiser le système d'exploitation.
Comparaison de la confidentialité : orchestration locale vs IA cloud centrée sur le compte
| Question | Siri IA | Application Gemini |
|---|---|---|
| Où l'inférence peut-elle s'exécuter ? | Sur l'appareil ou via le Private Cloud Compute. | Principalement dans les services cloud de Google ; certaines fonctionnalités Google spécifiques à l'appareil peuvent utiliser des modèles locaux. |
| Comment le contexte personnel est-il obtenu ? | Index locaux, entités d'applications, contexte à l'écran et outils autorisés par l'utilisateur. | Historique des discussions, personnalisation et applications connectées dans les paramètres du compte Google. |
| Les données de requête cloud sont-elles censées persister ? | Apple indique que le calcul PCC est sans état et que les données personnelles ne sont pas stockées. | L'activité Gemini peut être stockée dans le compte de l'utilisateur lorsque l'option Conserver l'activité est activée ; les contrôles et la conservation dépendent du produit et du type de compte. |
| Les humains peuvent-ils inspecter le contenu ? | Apple indique que le PCC empêche l'accès privilégié aux données de requête et publie des logiciels pour vérification par la recherche. | La documentation de confidentialité des consommateurs de Google explique que certaines données peuvent être examinées en vertu des paramètres et politiques applicables. |
| Les applications connectées peuvent-elles conserver les données reçues ? | Le stockage et les autorisations normaux de l'application s'appliquent toujours après qu'une action a été effectuée par Siri. | Google note que les services connectés ou les tiers peuvent conserver les données qu'ils reçoivent selon leurs propres politiques. |
Pour un examen plus approfondi au niveau du compte, consultez le guide de Zerlo sur Confidentialité et contrôles de données de Google Gemini. La distinction centrale n'est pas « Apple a des données, Google n'en a pas » ou l'inverse. Il s'agit de la quantité de traitement effectuée localement, du service qui stocke l'état conversationnel, des autorisations actives et si les applications connectées reçoivent une copie des informations.
Compromis de latence, d'énergie et de fiabilité
Un modèle techniquement supérieur n'est pas automatiquement un assistant supérieur. Le système doit équilibrer la qualité du modèle par rapport au temps de réponse, à la pression sur la mémoire, à la consommation de batterie, aux conditions réseau et au risque d'action.
| Chemin | Avantage principal | Limitation principale | Mode d'échec typique |
|---|---|---|---|
| Petit modèle sur l'appareil | Faible latence réseau, confidentialité et capacité hors ligne. | Contexte plus petit et raisonnement complexe plus faible. | Réponse simplifiée à l'excès ou choix d'outil incorrect. |
| Modèle avancé éparse sur l'appareil | Qualité locale plus élevée sans charger tous les paramètres dans la DRAM. | Disponible uniquement sur du matériel suffisamment performant ; le mouvement de la mémoire flash a toujours un coût. | Pression thermique, mémoire ou latence sur des requêtes difficiles. |
| Modèle Private Cloud Compute | Plus de calcul et un raisonnement plus poussé dans la conception de confidentialité d'Apple. | Nécessite un accès réseau et un routage sécurisé vers un nœud attesté. | Délai d'attente réseau, indisponibilité du service ou repli sur une réponse locale réduite. |
| Modèle ou agent cloud Gemini | Grand contexte, outils variés, ancrage web et flux de travail de longue durée. | Latence cloud, politique du compte et limitations du produit. | Boucles d'outils, erreurs de sélection de source, données d'applications connectées obsolètes ou tâches de longue durée incomplètes. |
Risques de sécurité auxquels les deux architectures sont toujours confrontées
Injection d'invites via le contenu récupéré
Un e-mail, une page Web ou un document peut contenir des instructions destinées au modèle plutôt qu'à l'utilisateur. Un assistant sécurisé doit traiter le texte récupéré comme des données non fiables, maintenir la politique du système séparée et restreindre les outils qui peuvent être appelés. Les outils typés réduisent le risque, mais ils ne l'éliminent pas si le modèle est autorisé à transmettre des données sensibles à une action dangereuse.
Résolution de la mauvaise personne et du mauvais objet
« Envoyez-le à Alex » peut être plus dangereux qu'une hallucination factuelle. L'assistant doit résoudre les contacts, les fichiers et les événements avec une confiance suffisante et demander des clarifications lorsque l'ambiguïté est importante. Apple expose la résolution de contacts et les schémas d'entités pour cette raison.
Trajectoires d'outils non déterministes
Deux requêtes identiques peuvent produire des plans de modèles différents. Apple a donc introduit des outils d'évaluation pour les flux agentiques, tandis que Google expose les étapes des outils et les sorties structurées dans ses API développeur. Les équipes de production ont besoin de jeux de données qui testent non seulement la formulation finale, mais aussi si le bon outil a été appelé avec les bons arguments.
Expansion des autorisations
Un assistant devient plus utile à mesure que davantage d'applications sont connectées, mais son rayon d'action s'agrandit également. Les autorisations de moindre privilège, la confirmation pour les actions destructrices, les reçus d'exécution clairs et les connexions révocables sont plus importants que le score de référence sous-jacent.
Peut-on dire quel modèle est le plus intelligent ?
Pas de manière responsable en se basant uniquement sur les données publiques. Apple a publié des améliorations internes basées sur les préférences humaines pour les modèles AFM 3 par rapport à sa génération précédente, y compris des gains en matière de suivi des instructions, de compréhension d'images, de dictée et de synthèse vocale. Ce sont des mesures générationnelles utiles, mais ce ne sont pas une comparaison directe et neutre avec le modèle Gemini consommateur actuel.
Google publie des informations de capacité étendues pour les modèles Gemini et offre un accès plus large aux développeurs, mais le modèle exact, la politique de routage, l'invite système, les outils et les limitations du produit utilisés par l'application Gemini peuvent changer. Une comparaison équitable nécessiterait des invites identiques, un accès aux outils identique, un contexte équivalent, la même langue, des essais répétés et une notation distincte pour la factualité, le succès de l'action, la latence et le coût de la confidentialité.
- Siri AI est optimisé pour des tâches personnelles, contextuelles et exécutables au sein de l'écosystème d'Apple.
- L'application Gemini est optimisée pour une intelligence cloud étendue, la recherche, la création et les flux de travail d'agents.
- Les modèles dérivés de Gemini d'Apple peuvent être techniquement liés aux modèles de Google tout en offrant une expérience utilisateur très différente.
Lequel devriez-vous utiliser ?
| Votre tâche | Meilleur point de départ | Raison |
|---|---|---|
| Trouver un détail dans Mail et le transformer en rappel | Siri IA | Récupération de contexte personnel local plus exécution d'actions natives. |
| Éditer, partager ou agir sur le contenu visible sur un appareil Apple | Siri IA | Conscience de l'écran et intégration au système d'exploitation. |
| Rechercher un sujet complexe à travers de nombreuses sources | Gemini | Recherche approfondie et flux d'agents cloud de longue durée. |
| Analyser de grands fichiers, du code ou des documents multimodaux | Gemini | Grands contextes cloud et capacités explicites de fichiers, de code et d'outils. |
| Créer une fonctionnalité d'application iPhone qui fonctionne hors ligne | Framework Apple Foundation Models | Accès direct au modèle linguistique sur appareil et aux outils natifs Apple. |
| Créer un agent cloud multiplateforme | API Gemini | Accès API général, orchestration d'outils, état du serveur et services multimodaux étendus. |
| Siri AI peut-il fonctionner hors ligne ? | Certaines tâches peuvent être exécutées avec des modèles sur appareil et des outils locaux, mais une connaissance étendue du web et un raisonnement de haute complexité peuvent nécessiter une connexion réseau. Le comportement de repli exact dépend de la fonctionnalité, de l'appareil et de la requête. | Gemini est-il meilleur pour les développeurs ? |
FAQ
Siri AI utilise-t-il littéralement le même modèle que l'application Gemini ?
Non. Apple indique que sa famille AFM 3 a été spécialement conçue avec Google et basée sur la technologie Gemini, mais Siri utilise des modèles spécifiques à Apple, un routage, une infrastructure de confidentialité, des systèmes de récupération et des outils d'application. Apple n'a pas publié de correspondance univoque entre un modèle d'application Gemini grand public et chaque modèle AFM 3.
Chaque requête Siri est-elle envoyée à Google Cloud ?
Non. Apple décrit deux modèles sur appareil et des composants locaux tels que l'index Spotlight et la boîte à outils des applications. Les requêtes plus exigeantes peuvent utiliser le calcul privé dans le cloud. AFM 3 Cloud Pro ajoute des capacités PCC sur Google Cloud, mais Apple affirme que les appareils ne font confiance qu'aux logiciels PCC cryptographiquement approuvés et qu'Apple conserve le contrôle de ces logiciels.
Quelle est la différence entre AFM 3 Core et AFM 3 Core Advanced ?
AFM 3 Core est un modèle dense avec environ 3 milliards de paramètres. AFM 3 Core Advanced a 20 milliards de paramètres au total mais utilise une activation creuse, chargeant environ 1 à 4 milliards de paramètres pour une requête. Le modèle avancé est limité aux systèmes de silicium les plus performants d'Apple.
Pourquoi Apple stocke-t-il des experts en modèles dans de la mémoire flash ?
Garder les 20 milliards de paramètres actifs en DRAM nécessiterait trop de mémoire rapide pour un appareil grand public. Apple stocke le pool d'experts plus large dans NAND et déplace des experts sélectionnés vers la DRAM en fonction des décisions de routage au niveau de l'invite. Cela permet un modèle total plus grand tout en limitant l'empreinte mémoire active.
Le contexte personnel de Siri est-il le même que l'apprentissage sur mes données ?
Non. La récupération utilise des éléments personnels pertinents au moment de l'inférence pour répondre à une requête. L'entraînement modifie les poids du modèle. Apple affirme qu'elle n'entraîne pas ses modèles de base sur les données personnelles privées ou les interactions privées des utilisateurs. Le contenu récupéré peut toujours être sensible, de sorte que les autorisations et les limites des outils restent importantes.
Siri AI peut-il fonctionner hors ligne ?
Certaines tâches peuvent être exécutées avec des modèles sur appareil et des outils locaux, mais une connaissance étendue du web et un raisonnement de haute complexité peuvent nécessiter une connexion réseau. Le comportement de repli exact dépend de la fonctionnalité, de l'appareil et de la requête.
Gemini est-il meilleur pour les développeurs ?
Cela dépend de la cible de déploiement. Gemini offre une API cloud multiplateforme étendue avec de grands contextes, des outils intégrés et des agents. Le framework Apple Foundation Models est plus attrayant pour les fonctionnalités privées sur appareil, les actions d'application natives Apple, la récupération Spotlight et une intégration profonde du système d'exploitation.
Quel assistant est plus privé ?
Siri AI a l'architecture de calcul confidentiel vérifiable et à prédominance locale la plus solide sur le papier. Gemini offre des contrôles de compte détaillés et des protections d'entreprise, mais l'application grand public est fondamentalement plus centrée sur le cloud et le compte. Le résultat pratique dépend toujours des paramètres, des applications connectées, du type de compte et de la sensibilité de la tâche.
En résumé
La réponse techniquement correcte à « Qu'est-ce qui alimente le nouvel assistant d'Apple ? » n'est pas simplement « Google Gemini ». Siri AI est alimenté par la famille de modèles AFM 3 d'Apple et une couche d'orchestration contrôlée par Apple. La technologie Gemini contribue à la base du modèle et Google Cloud fournit l'infrastructure pour le chemin de calcul privé le plus exigeant, mais Apple contrôle la récupération, les autorisations, les actions des applications, le déploiement et l'interface de l'assistant.
Pour les utilisateurs non techniques, la différence est simple : Siri est conçu pour comprendre et agir à l'intérieur des appareils Apple, tandis que Gemini est conçu comme un espace de travail IA général. Pour les lecteurs techniques, la distinction décisive réside dans l'architecture autour du modèle : inférence creuse sur appareil, RAG local via Spotlight, App Intents typés, routage dynamique des modèles et une limite cloud sans état attestée par rapport à une plateforme d'agents cloud générale avec de grands contextes, des sessions persistantes et un écosystème d'outils plus large.