Apple на WWDC 26 показала Apple Core AI — новый фреймворк для запуска генеративных моделей прямо на устройстве. Для разработчиков это не просто очередной API из купертиновского каталога: Apple обещает работу LLM без сервера, без оплаты за токены и с упором на приватность, а значит Apple Core AI выглядит как заявка на новую экономику мобильного ИИ.
Новый стек приходит на смену Core ML и, как пишет InfoQ, рассчитан на диапазон от компактных визуальных моделей на 3 млрд параметров до reasoning-моделей на 70 млрд параметров. Поддерживаются iPhone, iPad, Mac и Apple Vision Pro, но только на Apple Silicon. Для русскоязычной IT-аудитории сигнал понятный: если вы строите AI-функции внутри приложений Apple-экосистемы, компания предлагает не «прикрутить модель», а перейти на отдельный контур разработки под локальный генеративный ИИ.
Что именно анонсировала Apple
Судя по описанию, Apple Core AI становится официальным фреймворком для нейросетевых и генеративных сценариев в экосистеме Apple. Компания делает ставку на унифицированную архитектуру: одна модельная обвязка должна работать на CPU, GPU и Neural Engine через единый API. Это важный сдвиг, потому что раньше разработчикам часто приходилось балансировать между теоретической поддержкой «на устройстве» и практическими ограничениями по памяти, времени запуска и энергопотреблению.
Apple отдельно акцентирует Swift API с memory-safe-подходом, zero-copy-путями передачи данных и тонким контролем памяти во время инференса. В переводе на инженерный язык это означает меньше лишних перемещений тензоров, меньше шансов утонуть в накладных расходах и больше шансов удержать производительность в реальном приложении, а не только в демо на сцене. Еще один важный элемент — ahead-of-time compilation: часть работы выносится с пользовательского устройства заранее, поэтому загрузка модели должна быть почти мгновенной. Для мобильных продуктов это не косметика. Если пользователь ждет несколько секунд до первого ответа модели, он быстро перестает верить в магию локального ИИ.
При этом Apple честно оставляет разработчикам и неприятную правду: первая загрузка модели может занять заметно больше времени, чем последующие запуски. Причина в автоматической специализации под конкретное железо и версию ОС, после чего результат складывается в кэш модели. Зато дальше можно управлять этим процессом через SpecializationOptions, проверять наличие готовой сборки через AICacheModel, удалять кэш и даже делиться им внутри app group. Это уже похоже не на красивую презентацию про «интеллект», а на нормальный рабочий тулчейн, где признают существование cold start, кэша и эксплуатационных компромиссов.
Что это меняет для разработчиков
Отдельный интерес вызывает история с PyTorch. Apple не требует начинать жизнь с чистого листа: можно взять модель, экспортировать ее как torch.export.ExportedProgram и конвертировать в Core AI через TorchConverter().add_exported_program(ep).to_coreai(). Если этого мало, разработчик может собирать новую модель на базе PyTorch-компонентов уже внутри экосистемы Core AI, используя встроенные composite ops вроде attention, RoPE embeddings, RMSNorm и gather-matmul. А если и это не покрывает сценарий, предусмотрены кастомные lowering-функции для отображения новых PyTorch-операций в Core AI IR и даже собственные Metal-ядра для низкоуровневой оптимизации.
Именно здесь анонс начинает выглядеть практично для команд, которые уже живут в PyTorch, но хотят доставлять модели в iOS и macOS без облачного хвоста. Apple фактически говорит: приносите свои веса, но перед этим аккуратно упакуйте их под наше железо. Критическим шагом названа компрессия модели перед деплоем на устройства Apple. В ход идут квантование и palettization — техники, которые уменьшают размер модели на диске и в памяти, снижают задержку инференса и расход энергии. Другими словами, в Apple не обещают, что 70B magically заведется на любом iPhone. Они предлагают инструменты, чтобы выжать из железа максимум, не убив батарею и UX.
На этом фоне особенно интересно, как Apple теперь разводит три собственных подхода к ML и AI. Core ML остается для «классического» машинного обучения без тяжелой нейросетевой части — например, для деревьев решений или обработки табличных признаков. Core AI позиционируется как фреймворк для нейросетей и трансформеров. MLX Swift, по обсуждениям разработчиков, остается вариантом для работы с кастомными весами, но, вероятно, с меньшей производительностью. Это полезное разграничение: Apple наконец перестает делать вид, что один молоток подходит и для табличной модели, и для LLM с reasoning-пайплайном.
Для бизнеса значение анонса тоже вполне земное. Локальный запуск убирает зависимость от облачного провайдера, снижает риски по персональным данным и делает стоимость AI-функций более предсказуемой. Для продуктовых команд это шанс считать не токены в счете за API, а ограничения по железу, размеру приложения и времени первого запуска. Для enterprise-сегмента — дополнительный аргумент в сценариях, где данные нельзя или не хочется отправлять наружу. Правда, вместе со свободой приходит и дисциплина: придется внимательнее заниматься размером моделей, профилированием на конкретных устройствах и тем, как ваша «умная» функция ведет себя на не самом свежем Apple Silicon.
Реакция сообщества пока сдержанно-позитивная. По обсуждениям, на которые ссылается источник, разработчики видят в Core AI способ проще встроить высокопроизводительные LLM в приложения Apple-экосистемы. Но долгосрочная ценность фреймворка будет зависеть не от слайда с WWDC, а от того, насколько быстро вокруг него вырастут инструменты, примеры и комьюнити. У Apple уже есть привычка выпускать мощную технологию, а затем проверять терпение разработчиков документацией и темпом экосистемы. Вопрос теперь не в том, может ли iPhone локально запускать генеративную модель. Вопрос в том, сумеет ли Apple превратить Apple Core AI из внутреннего двигателя Apple Intelligence в массовый рабочий стандарт для мобильной и десктопной разработки.