Siri AI vs Google Gemini：什么驱动着苹果新款助手？
简单来说： 苹果新款 Siri 并非披着苹果外观的普通 Google Gemini 聊天机器人。Siri AI 是一个由苹果控制的助手，它由多个 Apple Foundation Models、本地搜索系统、App Actions 框架和私有云计算构成。Google 在该堆栈下方提供了重要的模型和云技术。
技术性的答案更有趣。苹果披露了一个五模型 AFM 3 系列，包括一个 30 亿参数的密集模型、一个 200 亿参数的稀疏设备端模型、多个服务器模型以及一个通过 Google Cloud 上扩展的私有云计算架构托管的高端推理模型。本 Apple Siri AI Gemini 对比从简单的解释开始，然后追踪一个请求经过检索、模型路由、工具调用、执行和隐私控制的过程。
来源: Apple Newsroom
30 秒内说清楚
- Gemini 是一个基础，而不是完整的 Siri 产品。 苹果和 Google 表示，下一代 Apple Foundation Models 基于 Gemini 模型和 Google 云技术。
- Siri AI 是一个路由系统。 请求可以使用本地模型、本地索引、App 工具或通过私有云计算的更大模型。
- 苹果披露了五个 AFM 3 模型。 其中两个运行在支持的设备上，三个运行在服务器上，用于更复杂的推理、多模态工作和图像生成。
- 个人上下文主要是一个检索问题。 Siri 不需要将整个收件箱的记忆存储在模型权重中；它可以搜索索引内容，并将仅相关的结果传递给当前模型。
- 操作是经过类型化的工具，而不是不受限制的屏幕自动化。 App Intents、App Entities 和 schemas 描述了 App 允许 Siri 查找或执行的操作。
- 常规的 Gemini 应用更像是一个 AI 工作空间。 它提供了长篇研究、模型选择、文件、编码、生成媒体、连接的 Google 服务和代理工作流。
首先，区分人们混淆的名称
大多数混淆来自于将四个不同的层视为同一个产品。它们不是。
| 名称 | 它实际是什么 | 谁控制用户体验 |
|---|---|---|
| Gemini 模型 | Google 的多模态基础模型和支持代理功能模型服务的系列。 | Google 控制基础模型平台；合作伙伴可以在其上构建产品。 |
| Gemini 应用 | Google 的消费者聊天机器人和代理界面，用于对话、研究、文件、媒体创建和连接的应用。 | Google。 |
| Apple Foundation Models | 苹果针对任务优化的模型系列，使用 Google 技术定制构建，并在苹果设备和私有云计算中部署。 | 苹果控制模型选择、部署、安全层和集成。 |
| Siri AI | 完整的助手产品：语音、界面、系统协调器、个人上下文检索、App 工具、模型和响应渲染。 | 苹果。 |
一个有用的类比是汽车平台。Gemini 技术是发动机和制造平台的一部分。Apple Foundation Models 是苹果调校的动力系统。Siri AI 是最终的车辆，包括转向、刹车、仪表板、安全逻辑以及对操作系统其余部分的访问。
当你问 Siri 问题时，实际发生了什么？
用简单的语言说： Siri 首先会弄清楚你想要什么。然后它会决定是可以在本地回答，还是需要设备上的信息，是否需要调用 App 操作，或者需要一个更大的云模型。结果可能结合了多种路径。
从技术上讲： 苹果公开命名了一个系统协调器、设备端 Foundation Models、Spotlight 索引、App 工具箱、App Intents、屏幕感知和私有云计算。苹果不会为每个请求发布完整的生产追踪，因此以下序列是一个基于技术常识的组件重建，而不是声称每个提示都遵循一个固定的管道。
- 输入获取： Siri 接收语音、键入文本、选定的内容、截图、相机输入或其他支持的模态。
- 意图和上下文分析： 系统识别请求是对话性的、信息性的、个人的、视觉的还是面向操作的。
- 上下文检索： 本地工具可以搜索 Spotlight 索引内容、解析人物、检查屏幕内容或从 App 请求结构化信息。
- 模型选择： 协调器根据能力、延迟、硬件、隐私边界和任务复杂度选择设备端或服务器模型。
- 工具规划：
- 执行和验证： 操作系统或 App 在正常权限下执行操作，并返回类型化的结果。
- 响应生成： 模型结合工具输出、检索到的上下文和世界知识，生成最终答案或后续问题。
来源: apple.com
重要的组件是协调器。它将模型与 Spotlight 检索、App 功能和私有云计算连接起来，而不是期望一个巨大的模型独立完成所有任务。
为什么协调比聊天机器人模型更重要
语言模型可以生成令人信服的文本，但操作系统助手必须传递正确的状态更改。“把我的会议移到 15:00”不仅仅是一项写作任务。助手必须识别正确的事件、解析时区、检查权限、调用日历操作、处理冲突并确认已更改的内容。
这分离了语义规划和确定性执行。模型解释语言并提出一个结构化的动作。传统的软件组件对其进行验证和执行。这种设计通常比允许模型通过模拟点击自由操作界面更安全、更容易测试。
苹果 AFM 3 模型系列内部
用简单的语言说： 苹果不使用一个 Siri 模型。小型快速的任务保留在本地，更强大的 Apple 芯片可以解锁更大的本地模型，而复杂请求可以转移到隐私保护的服务器模型。
苹果于 2026 年 6 月 8 日披露了五个第三代 Foundation Models。它们共享通用的训练基础，但专门针对不同的硬件和工作负载。
| 模型 | 运行位置 | 已发布的架构详细信息 | 最适合的工作负载 |
|---|---|---|---|
| AFM 3 Core | 设备端 | 大约 30 亿参数，密集架构。 | 在支持的硬件上进行快速语言任务、轻量级推理和系统功能。 |
| AFM 3 Core Advanced | 在最强大的 Apple 芯片系统上 | 总共 200 亿参数，稀疏；根据请求激活大约 10 到 40 亿参数。 | 高级本地多模态工作、富有表现力的语音、听写和更强的推理能力，无需将任务发送到服务器。 |
| AFM 3 云 | Apple 芯片上的私有云计算 | 基于升级后的并行轨道混合专家架构的服务器模型。 | 需要比本地模型更大容量的通用服务器端推理和多模态请求。 |
| ADM 3 云 (图像) | 私有云计算 | 专用的图像生成和编辑模型，带有特定任务的适配器。 | 图像创意工作坊、Genmoji 和高级图像编辑工作流程。 |
| AFM 3 云 Pro | Google Cloud 上 NVIDIA GPU 上的私有云计算 | 苹果最强大的公开服务器模型，针对复杂的推理和代理工具使用进行了优化。 | 涉及规划、多步工具或复杂推理的更长、更困难的请求。 |
一个拥有 200 亿参数的模型如何能在消费级设备上运行？
简单解释： 完整的模型不必一次性加载到内存中。苹果将整个专家池存储在闪存中，只将当前请求所需的专家部分加载到更快的内存中。
技术解释： AFM 3 Core Advanced 使用一种稀疏激活的架构，围绕指令遵循剪枝构建。一个轻量级的密集路由块在提示处理过程中选择固定子集的专家。共享的专家保持激活，而来自 NAND 的请求特定路由专家被加载到 DRAM 中。苹果表示，该选择可以在 token 生成过程中定期更新。
这与传统的 token 级混合专家模型不同，后者可能在每个 token 的每个层都做出路由决策，同时所有专家都可以在加速器内存中轻松访问。NAND 的带宽远低于 DRAM，因此苹果将更多的路由工作转移到提示级别，并减少了权重移动。结果是，一个拥有 200 亿参数的模型，对于给定的工作负载，其激活的计算占用空间可能接近 10 亿、20 亿或 40 亿参数。
“基于 Gemini” 证明了和没有证明了什么
2026 年 1 月，苹果-谷歌的声明称，下一代苹果基础模型将基于谷歌的 Gemini 模型和云技术。苹果后来称五个 AFM 3 模型是与谷歌合作定制的。这证实了深厚的技术关系，但并不意味着苹果直接暴露了公共 Gemini 应用模型的端点。
苹果尚未公开完整的配方，展示了哪些 Gemini 检查点、架构组件、训练基础设施、蒸馏阶段或训练后数据集对应于每个 AFM 3 模型。它已披露该系列模型共享一个共同的初始基础，在云 TPU 加速器上大规模训练，然后针对 Apple silicon 或 NVIDIA GPU 进行专门化和优化。超出这些的说法都将是猜测。
个人语境：Siri 更接近私有 RAG 而非模型记忆
用简单的语言说： Siri 可以通过在需要时搜索相关项目来回答有关你的电子邮件、消息、文件和照片的问题。它不需要将你的私人数据永久烘焙到模型中。
技术模式类似于检索增强生成（RAG）：
- 你的应用程序将可搜索的元数据和实体捐赠给 Core Spotlight。
- 模型决定需要一个个人搜索工具。
- 它在本地索引上生成语义或结构化查询。
- Spotlight 返回候选项目或标识符。
- 如果紧凑索引数据不足，应用程序可以为选定的结果提供完整的元数据。
- 模型对检索到的少量内容进行推理，并生成一个以这些项目为基础的答案。
苹果的开发者文档显示，SpotlightSearchTool 可以执行语义搜索、针对日期、人员和地点的结构化过滤，甚至多阶段搜索和计算管道。模型在回答前可能会多次调用该工具。指导配置文件可以减少用于较小设备上下文的可用搜索架构，提高效率并降低不相关查询的可能性。
这种架构有两个实际优势。首先，模型上下文仅包含当前请求所需的信息，而不是整个邮箱或照片库。其次，索引数据仍然受应用程序沙箱、操作系统权限和显式开发者集成管辖。
App Intents：Siri 如何将语言转化为安全操作
用简单的语言说： 一个应用程序告诉 Siri 它允许做什么以及它能理解什么数据对象。然后 Siri 从自然语言中填充所需字段。
从技术上讲： App Intents 将操作、实体、查询和模式公开为类型化接口。应用程序可以定义一个意图，如创建任务，一个实体，如项目，以及一个解析项目名称的查询。Siri 的模型可以生成结构化参数，但应用程序仍然拥有验证和执行的权利。
| 层 | 示例 | 为什么它很重要 |
|---|---|---|
| 自然语言请求 | “将明天的设计评审改为下午 3 点，并告知 Sarah。” | 人类友好但含糊的输入。 |
| 实体解析 | 解析“设计评审”、“明天”和正确的 Sarah。 | 防止模型对错误对象执行操作。 |
| 结构化意图 | UpdateEvent(eventID, startTime, attendees) | 将自由文本转换为类型化字段。 |
| 权限和验证 | 日历访问、冲突检查和应用程序特定约束。 | 保持策略执行在概率文本生成之外。 |
| 执行结果 | 更新的事件标识符或可恢复的错误。 | 让模型有一个事实结果来解释，而不是凭空捏造成功。 |
Google Gemini 也支持函数调用、结构化输出和工具编排。区别在于产品范围。Gemini 的开发者平台可以调用自定义 API、Google 搜索、URL 上下文、代码执行、文件搜索和其他工具。Siri 的特权优势在于，苹果可以通过跨 iPhone、iPad、Mac、Watch 和 Vision Pro 的原生权限模型公开操作系统和应用程序操作。
来源: apple.com
Siri AI 现在支持更丰富的对话，但可见的聊天只是前端。更重要的技术区别在于它能够在一个系统流程中结合网络知识、私有检索和批准的应用程序操作。
Siri AI 与普通 Gemini 聊天机器人：技术比较
| 技术维度 | Siri AI | Google Gemini 应用 |
|---|---|---|
| 主要优化目标 | 操作系统内的低摩擦协助。 | 通用对话、研究、创作和代理工作流程。 |
| 模型暴露 | 模型选择大多隐藏在苹果的编排器后面。 | 用户可能会看到模型或模式选择、计划限制和特色功能。 |
| 执行边界 | 原生操作系统框架、App Intents、Spotlight 和苹果控制的工具。 | Google Connected Apps、Gemini 代理、浏览器或应用程序集成以及开发者定义的工具。 |
| 个人数据检索 | 本地索引和应用程序提供的实体可以使响应以设备数据为基础。 | 连接的 Google 服务和账户级个性化可以提供云上下文。 |
| 长篇研究 | 可以回答广泛的网络问题，但产品针对协助和操作进行了优化。 | 深度研究和代理模式旨在进行多步网络调查和报告生成。 |
| 上下文处理 | 使用特定任务的检索和模型路由；确切的公共限制取决于模型和硬件。 | Gemini API 支持非常大的上下文，而消费级应用程序的限制取决于模型、计划和功能。 |
| 实时语音 | 集成到苹果语音、听写、设备控制和跨设备界面中。 | Gemini Live 支持低延迟的多模态对话、摄像头和屏幕交互。 |
| 开发者抽象 | 基础模型框架、App Intents、Core Spotlight 和系统模型提供程序。 | Gemini API、Interactions API、Live API、函数调用、结构化输出和内置工具。 |
| 失败的重点 | 错误的实体解析或动作规划可能比薄弱的段落造成更大的损害。 | 研究准确性、来源质量、工具轨迹和长上下文一致性是核心风险。 |
对话状态和记忆的实现方式不同
聊天机器人对话似乎可以“记住”，但有几种不同的机制可以产生这种效果：
- 上下文窗口： 上一条消息包含在当前的推理请求中。
- 服务器端对话状态： 服务存储先前的回合，并通过对话标识符检索它们。
- 长期记忆： 选定的偏好或事实单独存储，并在之后的聊天中注入。
- 检索： 从外部索引中搜索相关数据，并在需要时添加。
Siri AI 结合了对话历史、iCloud 同步和从 Apple 控制的索引进行检索。 regular Gemini 产品结合了聊天历史、可选个性化和已连接的应用。在开发者方面，Google 的 Interactions API 可以存储一个交互并通过 previous_interaction_id 继续它；开发者也可以设置 store=false 并自行管理上下文。该 API 的行为不应与每个消费者 Gemini 聊天的确切实现混淆，但它显示了有状态的云会话与 Apple 的本地优先检索方法之间的平台级差异。
Google 当前的开发者堆栈以 Interactions API 为中心，用于多模态提示、结构化输出、工具编排和代理。它可以维护服务器端状态，公开执行步骤并在后台运行长期任务。Gemini 3 类模型可以在一个工作流中结合 Google 搜索接地、URL 上下文、代码执行、文件搜索和自定义函数调用。Gemini Live 使用有状态的 WebSocket 连接进行连续的音频、图像和文本，并支持中断和低延迟语音输出。 Gemini Gems 指南 解释了其可重用的自定义助手层，而 Gemini API 密钥指南 涵盖了开发者的入口。
来源: blog.google
Gemini 应用公开了一个更广泛的 AI 工作区：研究、实时多模态对话、文件、生成媒体和代理。Siri 隐藏了更多的模型堆栈，因为它的主要工作是协调操作系统。
隐私比较：本地优先编排 vs 以账户为中心的云 AI
| 问题 | Siri AI | Gemini 应用 |
|---|---|---|
| 推理可以在哪里运行？ | 在设备上或通过私人云计算。 | 主要在 Google 的云服务中；一些特定于设备的 Google 功能可能会使用本地模型。 |
| 如何获取个人上下文？ | 本地索引、应用实体、屏幕上上下文和用户授权的工具。 | 聊天历史、个性化和 Google 账户设置下的已连接应用。 |
| 云请求数据是否打算持久保存？ | Apple 表示 PCC 计算是无状态的，个人数据不会存储。 | 在启用“保存活动”的情况下，Gemini 活动可以存储在用户的帐户中；控制和保留取决于产品和帐户类型。 |
| 人类可以检查内容吗？ | Apple 表示 PCC 可阻止对请求数据进行特权访问，并发布软件以进行研究验证。 | Google 的消费者隐私文档解释说，根据适用的设置和政策，某些数据可能会被审查。 |
| 已连接的应用可以保留接收到的数据吗？ | 在 Siri 执行操作后，正常的应用存储和权限仍然适用。 | Google 指出，连接的服务或第三方可以根据自己的政策保留其接收到的数据。 |
要进行更深度的账户级审查，请参阅 Zerlo 的关于 Google Gemini 隐私和数据控制. 的核心区别不在于“Apple 拥有数据，Google 没有”或反之。而在于本地处理了多少，哪个服务存储了对话状态，哪些权限是活动的，以及已连接的应用是否收到了信息的副本。
延迟、能源和可靠性权衡
技术上更优越的模型不一定是更优越的助手。系统必须在模型质量、响应时间、内存压力、电池使用、网络条件和操作风险之间取得平衡。
| 路径 | 主要优势 | 主要限制 | 典型失败模式 |
|---|---|---|---|
| 小型设备上模型 | 低网络延迟、隐私和离线功能。 | 上下文较小，复杂推理较弱。 | 答案过于简化或选择了错误的工具。 |
| 稀疏的高级设备上模型 | 在不将所有参数加载到 DRAM 的情况下获得更高的本地质量。 | 仅在足够强大的硬件上可用；闪存到内存的移动仍然有成本。 | 对于困难的请求，会面临散热、内存或延迟压力。 |
| 私人云计算模型 | 在 Apple 的隐私设计下，具有更强的计算能力和更强的推理能力。 | 需要网络访问和到已认证节点的安全路由。 | 网络超时、服务不可用或回退到简化的本地答案。 |
| Gemini 云模型或代理 | 大上下文、广泛的工具、网络接地和长期工作流。 | 云延迟、账户策略和产品限制。 | 工具循环、来源选择错误、过时的已连接应用数据或未完成的长期任务。 |
两种架构仍然面临的安全风险
通过检索内容进行的提示注入
电子邮件、网页或文档可能包含针对模型而非用户的指令。安全的助手必须将检索到的文本视为不受信任的数据，将系统策略分开，并限制可以调用的工具。输入工具可以降低风险，但如果模型被允许将敏感数据传递给危险操作，它们并不能完全消除风险。
错误的人和错误的物体识别
“发送给 Alex”可能比事实性幻觉更危险。助手必须有足够的信心来解析联系人、文件和事件，并在歧义重大时请求澄清。Apple 因此公开了联系人解析和实体模式。
非确定性的工具轨迹
两个相同的请求可能产生不同的模型计划。因此，Apple 为代理流程引入了评估工具，而 Google 则在其开发者 API 中公开工具步骤和结构化输出。生产团队需要测试数据集，不仅测试最终的措辞，还测试是否用正确的参数调用了正确的工具。
权限扩展
随着连接的应用增多，助手变得越来越有用，但其影响范围也随之扩大。最少特权权限、破坏性操作的确认、清晰的执行收据和可撤销的连接比底层的基准分数更重要。
我们能说哪个模型更聪明吗？
仅凭公开数据无法负责任地说。Apple 公布了 AFM 3 模型相对于其前一代的内部人类偏好改进，包括指令遵循、图像理解、听写和文本转语音方面的提升。这些是重要的世代衡量标准，但它们并不是与当前消费者 Gemini 模型进行中立的正面比较。
Google 公布了 Gemini 模型广泛的功能信息，并提供了更广泛的开发者访问权限，但 Gemini 应用使用的确切模型、路由策略、系统提示、工具和产品限制可能会发生变化。公平的比较需要相同的提示、相同的工具访问、等效的上下文、相同的语言、重复的试验以及对事实性、操作成功率、延迟和隐私成本的单独评分。
- Siri AI 针对 Apple 生态系统内的个人、情境化和可执行任务进行了优化。
- Gemini 应用针对广泛的云智能、研究、创作和代理工作流进行了优化。
- 苹果基于 Gemini 的模型在技术上可能与谷歌的模型相关，但用户体验则大相径庭。
您应该使用哪一个？
| 您的任务 | 更好的起点 | 原因 |
|---|---|---|
| 在邮件中找到一个细节，将其转化为一个提醒 | Siri AI | 本地个人上下文检索加上原生操作执行。 |
| 编辑、共享或操作 Apple 设备上已显示的内容 | Siri AI | 屏幕感知和操作系统集成。 |
| 跨多个来源研究一个复杂的主题 | Gemini | 深度研究和长期云代理工作流。 |
| 分析大型文件、代码或多模态文档 | Gemini | 大型云上下文和显式文件、代码和工具功能。 |
| 构建一个可以离线工作的 iPhone 应用功能 | Apple Foundation Models 框架 | 直接访问设备上的系统语言模型和 Apple 原生工具。 |
| 构建一个跨平台云代理 | Gemini API | 通用 API 访问、工具编排、服务器状态和广泛的多模态服务。 |
| Siri AI 可以离线工作吗？ | 一些任务可以使用设备上的模型和本地工具运行，但广泛的网络知识和高复杂度的推理可能需要网络连接。确切的回退行为取决于功能、设备和请求。 | Gemini 对开发者来说更好吗？ |
常见问题
Siri AI 是直接运行与 Gemini 应用相同的模型吗？
否。苹果表示，其 AFM 3 系列是与谷歌合作定制的，基于 Gemini 技术，但 Siri 使用苹果特有的模型、路由、隐私基础设施、检索系统和应用工具。苹果尚未公布消费者 Gemini 应用模型与每个 AFM 3 模型之间的一对一映射。
每个 Siri 请求都会发送到 Google Cloud 吗？
否。苹果描述了两个设备上的模型和本地组件，例如 Spotlight 索引和 App Toolbox。更复杂的要求可以使用私有云计算。AFM 3 Cloud Pro 在 Google Cloud 上增加了 PCC 容量，但苹果表示设备只信任经过加密批准的 PCC 软件，并且苹果保留对该软件的控制权。
AFM 3 Core 和 AFM 3 Core Advanced 有什么区别？
AFM 3 Core 是一个参数量约为 30 亿的密集模型。AFM 3 Core Advanced 总共有 200 亿个参数，但使用稀疏激活，为每个请求加载大约 10 到 40 亿个参数。高级模型仅限于苹果功能最强大的硅系统。
为什么苹果将模型专家存储在闪存中？
将所有 200 亿个参数保存在 DRAM 中需要大量的快速内存，这对于消费设备来说太多了。苹果将更大的专家池存储在 NAND 中，并根据提示级别的路由决策，将选定的专家移入 DRAM。这允许更大的总模型，同时限制活动内存占用。
Siri 的个人上下文是否等同于在我的数据上进行训练？
否。检索在推理时使用相关的个人项目来回答请求。训练会改变模型权重。苹果表示，它不会在其 Foundation Models 上使用用户的私人个人数据或私人互动进行训练。检索到的内容仍然可能是敏感的，因此权限和工具边界仍然很重要。
Siri AI 可以离线工作吗？
一些任务可以使用设备上的模型和本地工具运行，但广泛的网络知识和高复杂度的推理可能需要网络连接。确切的回退行为取决于功能、设备和请求。
Gemini 对开发者来说更好吗？
这取决于部署目标。Gemini 提供了一个广泛的跨平台云 API，具有大型上下文、内置工具和代理。Apple 的 Foundation Models 框架对于私有的设备内功能、Apple 原生应用操作、Spotlight 检索和深度操作系统集成更具吸引力。
哪个助手更注重隐私？
Siri AI 在纸面上具有更强的本地优先和可验证的机密计算架构。Gemini 提供详细的账户控制和企业保护，但消费者应用本质上更侧重于云和账户。实际结果仍然取决于设置、连接的应用、账户类型以及任务的敏感性。
底线
对于“苹果的新助手由什么驱动？”这个问题，技术上正确的答案不仅仅是“Google Gemini”。Siri AI 由苹果的 AFM 3 模型系列和一个由苹果控制的编排层驱动。Gemini 技术为模型基础做出了贡献，Google Cloud 为最复杂的要求提供了私有云计算的基础设施，但苹果控制着检索、权限、应用操作、部署和助手界面。
对于非技术用户来说，区别很直接：Siri 旨在理解 Apple 设备内部并对其进行操作，而 Gemini 则被设计为一个广泛的 AI 工作空间。对于技术读者来说，决定性的区别是模型周围的架构：稀疏的设备内推理、通过 Spotlight 的本地 RAG、类型化的 App Intents、动态模型路由和经过验证的无状态云边界，与具有大型上下文、持久会话和更广泛工具生态系统的通用云代理平台相比。