Согласно информации, опубликованной изданием 3DNews, Apple проявила интерес к технологии PrismML, разработанной одноимённым стартапом. PrismML представляет собой метод оптимизации и сжатия нейросетей, который даёт возможность запускать большие языковые модели с миллиардами параметров на устройствах с ограниченными вычислительными ресурсами, таких как смартфоны и планшеты. В отличие от традиционных подходов, требующих мощных серверов, PrismML использует комбинацию аппаратного ускорения и новых алгоритмов квантования, что позволяет сократить объём памяти и энергопотребление без существенной потери точности. Пока неизвестно, ведёт ли Apple переговоры о приобретении стартапа или планирует лицензировать технологию, но факт интереса подтверждается источниками, знакомыми с ситуацией.

Ключевая особенность PrismML заключается в способности адаптировать модели под конкретное устройство в реальном времени. Технология анализирует доступные ресурсы процессора, графического ускорителя и оперативной памяти, после чего динамически настраивает архитектуру нейросети. Это позволяет добиться производительности, сопоставимой с облачными решениями, при задержках менее десяти миллисекунд. По данным разработчиков, PrismML уже протестирована на моделях семейства LLaMA и GPT, показав снижение требований к памяти на 70–80 процентов при сохранении более 95 процентов исходного качества. Для Apple, которая стремится усилить свои позиции в области ИИ, такая технология открывает путь к внедрению продвинутых функций, таких как голосовые ассистенты нового поколения, распознавание изображений и персонализированные рекомендации, без компромиссов по безопасности и конфиденциальности.

Технические детали реализации PrismML включают использование разреженных вычислений и аппаратно-ориентированных инструкций. Модель разбивается на блоки, которые обрабатываются независимо, а затем объединяются с помощью специального механизма агрегации. Это позволяет эффективно задействовать нейронные процессоры (NPU), которыми оснащены современные чипы Apple серии A и M. Кроме того, технология поддерживает инкрементальное обучение, то есть способна дообучаться на устройстве на основе данных пользователя, что критически важно для таких сценариев, как предиктивный ввод текста или адаптивные интерфейсы. Эксперты отмечают, что подобный подход требует тесной интеграции с операционной системой и драйверами, поэтому Apple, вероятно, будет настраивать PrismML под свою экосистему, включая iOS, iPadOS и macOS.

Интерес Apple к локальному выполнению ИИ-моделей не случаен: компания последовательно продвигает политику приватности, и обработка данных на устройстве является одним из её ключевых принципов. Ранее Apple уже внедряла нейромоторные процессоры в свои чипы, но масштабные языковые модели оставались прерогативой облачных сервисов из-за их ресурсоёмкости. Конкуренты, такие как Google и Samsung, также активно работают над он-девайс ИИ: Google представила модель Gemini Nano для Pixel, а Samsung использует технологии Gauss. Однако PrismML предлагает более гибкий подход, который может дать Apple преимущество в скорости вывода и адаптивности. Кроме того, на рынке существуют аналогичные решения, например, проекты от Qualcomm и MediaTek, но они пока не достигли уровня зрелости, позволяющего запускать модели с сотнями миллиардов параметров на мобильных устройствах.

Для российского рынка развитие технологий локального ИИ имеет особое значение, учитывая ограничения на доступ к зарубежным облачным платформам. Если Apple интегрирует PrismML в свои устройства, это позволит российским пользователям получать продвинутые ИИ-функции без зависимости от внешних серверов, что повысит безопасность и скорость работы. Российские разработчики, такие как «Яндекс» и «Сбер», уже экспериментируют с он-девайс ИИ, но их решения в основном ориентированы на собственные экосистемы. Внедрение PrismML может стимулировать создание локальных моделей, адаптированных под русский язык, и ускорить развитие отечественных технологий сжатия нейросетей. В то же время остаются вопросы о совместимости с российским законодательством в области сертификации устройств и шифрования данных.

Сравнение PrismML с альтернативами показывает, что технология выделяется своей универсальностью. В отличие от решений Google, которые завязаны на Tensor Flow Lite и конкретные чипы, PrismML поддерживает различные аппаратные архитектуры, включая ARM и x86. Это делает её потенциально привлекательной не только для смартфонов, но и для носимых устройств, умных колонок и даже автомобильных систем. Однако, по мнению аналитиков, основным вызовом для Apple станет баланс между производительностью и энергопотреблением: даже с оптимизацией PrismML, запуск больших моделей может существенно сокращать время автономной работы. Кроме того, неясно, насколько быстро компания сможет интегрировать технологию в свои продукты, учитывая строгие требования к стабильности и безопасности.

Перспективы применения PrismML в продуктах Apple выглядят многообещающими, но остаются открытые вопросы. В ближайшие годы можно ожидать появления первых прототипов, возможно, в рамках следующего поколения iPhone или iPad Pro. Если технология подтвердит свою эффективность, она может стать основой для новой волны ИИ-функций, таких как голосовое управление без интернета, мгновенный перевод речи и дополненная реальность. В то же время эксперты предупреждают, что полное замещение облачных вычислений маловероятно из-за ограничений памяти и вычислительной мощности мобильных устройств. Таким образом, PrismML, скорее всего, станет дополнением к существующим облачным сервисам Apple, таким как Siri и iCloud, обеспечивая гибридный подход к выполнению ИИ-задач.