2023 年他說蘋果不會去做聊天機器人——三年後可以對答案了#
這是一支可以打分數的舊影片。2023 年 5 月，所有人都在問蘋果的 AI 是不是落後了，他的回答是：蘋果的 AI 從來不是拿來跟你聊天的，它早就藏在拍照、手寫與臉部辨識裡；而且蘋果會堅持在裝置本機運算。三年後回頭看，這個判斷對了一半、也漏了一半——而漏掉的那一半正好是最值得學的地方。
往下讀之前先問自己 你聽過的科技預測裡，有幾個講清楚了「什麼情況算我錯」？講不出來的預測，事後永遠不會錯。
01
他在 2023 年就說：蘋果的 AI 不是用來跟你聊天的
moderate
他在哪裡講的
「他的 AI 不是用來跟你聊天」
機轉：為什麼會這樣
當時的普遍看法是：對話式 AI 已經很厲害，而蘋果的語音助理還在定鬧鐘、傳訊息，顯然落後了。他的反駁是這個比較搞錯了對象——在蘋果的體系裡，語音助理只是一個功能單純的助理，不是 AI 的化身。真正的 AI 早就融進手機的方方面面：拍照、打字、手寫、臉部辨識，全都在用。
實證查核
這個框架在當時是逆風的，而技術描述正確：影像處理的人臉偵測與分區優化、輸入法的候選字預測、手寫辨識、生物辨識的持續學習，都是機器學習的應用，只是不長成對話介面。他用「拿舊機比新機的手寫辨識速度」當自測方法，也讓讀者可以自己驗證。
要補一句
三年後回頭看，這個判斷對了一半：AI 確實持續深植在系統功能裡；但他當時傾向認為對話式 AI 這條路可以讓別人去做，而後續該公司仍推出了自家的生成式 AI 平台，並整合外部的對話模型。所以更準確的說法是——「不做聊天機器人」是當時的產品策略，不是長期路線。這也是預測最常見的失誤型態：把一個階段的選擇當成本質。
可帶走的做法
看科技預測先分辨它講的是「本質」還是「這個階段的選擇」。後者的保存期限通常不到兩年。
02
他給了 AI 一個三段式的操作型定義
moderate
他在哪裡講的
「就是他必須要先自動」
機轉：為什麼會這樣
他先吐槽當時什麼東西都要掛上 AI 兩個字，就像過去一窩蜂講奈米、石墨烯、元宇宙。然後他給了三個步驟當定義：第一，自動判斷現在的狀態是什麼，不需要你自己設定；第二，預測使用者的意圖（他用輸入法的候選字當例子）；第三，根據前兩者自動把你要的結果做出來。他用傳統軟體對照——文書軟體只提供你寫文章的地方，它不幫你寫。
實證查核
這個定義的價值不在學術精確，而在它可以拿來篩掉行銷用語：把一個宣稱「有 AI」的產品拿這三步去對，多數只做到第三步（自動執行）而沒有前兩步（判斷與預測），那其實是自動化不是 AI。他把它跟過去的流行詞並列，也提醒了讀者這個詞正在通膨。
要補一句
要補的是這個定義涵蓋不了生成式模型的核心特徵：大型語言模型的能力來自對語料的統計學習與泛化，而不是「判斷狀態→預測意圖→回應」這條控制流程。用他的定義去看，一個規則寫得很細的自動化系統也能通過。所以它是好用的篩子，不是嚴謹的定義——判斷是不是行銷話術很有效，判斷技術路線就不夠。
可帶走的做法
看到產品標榜 AI，問它有沒有「自動判斷現況」跟「預測你要什麼」。只有自動執行的那叫自動化。
03
⭐⭐⭐ 本機運算的三個理由：省成本、降延遲、以及隱私
strong
他在哪裡講的
「就是隱私」
機轉：為什麼會這樣
他把「盡量在裝置上運算」的動機拆成三項。第一是省成本——省的是廠商自己的成本，因為建資料中心要花的錢極大。第二是回應速度，走網路必定有延遲，本機執行反應更快。第三，也是他認為最重要的：隱私。如果所有要求都送到伺服器運算再傳回來，你講的內容伺服器都知道。他還反問：如果哪天網路斷了，你就不能拍照、不能手寫，不覺得很奇怪嗎？
實證查核
三個理由分屬三種不同性質（財務、工程、法遵），而且都成立，這讓論證比單講隱私紮實得多。而「離線可用性」這個角度更少被提起——當 AI 深入到拍照與輸入法這種基本功能時，功能可用性不能依賴連線，這是產品層級的硬需求。
查證來源
- 本機推論不受網路延遲影響
- 資料離開裝置後即涉及伺服器端的保存與存取
要補一句
後續發展修正了這個二分：該公司在 2024 年推出的生成式 AI 平台採混合架構——簡單任務在本機、複雜任務送往自家設計的伺服器環境，同時以技術手段限制伺服器端保存資料，另外再整合外部的對話模型。所以「純本機 vs 純雲端」在當時就已經是個過於乾淨的二分法。他抓對了動機（隱私與成本），但低估了模型規模成長帶來的壓力。
可帶走的做法
評估任何 AI 功能，先問它斷網時還能不能用。答案是不能，你的資料就在別人那裡。
04
隱私不是抽象議題：他舉了一個已經發生的外洩案例
moderate
他在哪裡講的
「這些資料就流出去了」
機轉：為什麼會這樣
他說受害者已經出現了：某大廠的工程師用對話式 AI 協助處理工作，結果把公司核心資訊丟了上去。他解釋風險機制——這類服務會從使用者的互動中學習，所以他推論哪天競爭對手問類似問題時，可能得到源自那份資料的答案。他還舉自己當例子：幾個月前問那個服務「陳寗是誰」得到荒謬答案，現在它已經知道，甚至能模仿他的口吻寫開場白。
實證查核
把抽象的隱私疑慮換成一個具體的產業事件，說服力完全不同；而該事件當時確實被廣泛報導，並促使多家企業限制員工使用外部 AI 服務。他用自己被模型「認識」的前後變化當佐證，也是一個讀者能自行複製的觀察。
查證來源
- 輸入內容可能被服務方保存並用於後續訓練
- 模型不會將單一輸入即時複述給其他使用者
要補一句
但他的機制描述在技術上把兩件事混在一起了：資料外洩的真正風險是「輸入內容被保存於服務方、可能被人員存取或用於後續訓練」，而不是「輸入的內容會即時出現在別人的答案裡」。模型不會把單一輸入直接複述給另一個使用者——那需要該資料進入訓練集且發生記憶化，機率遠低於他的描述。風險是真的，路徑講誇張了。另外多數服務後來都提供了關閉訓練用途的選項與企業版方案。
可帶走的做法
工作資料要丟 AI，先確認那個服務有沒有關閉訓練的選項。個人版與企業版的條款不一樣。
05
他把對話式 AI 的營運成本攤開講
moderate
他在哪裡講的
「花掉五萬塊美金的電費」
機轉：為什麼會這樣
為了說明為什麼有人不想走雲端路線，他引用當時的報導給出數字：那個服務使用約三萬組專用運算核心，單組價格在百萬元等級，每天約五萬美金電費，建置資料中心花了約八億美金；而新版本每一千字的回應成本約十二美分。他的評論是——而你用它只是玩角色扮演，有沒有覺得對不起這筆錢。
實證查核
把「這件事有多貴」量化，讀者才能理解廠商的策略選擇不是意識形態而是成本結構。這也是這支影片論證的骨架：本機運算的動機第一條是省廠商自己的錢，而這些數字讓那一條有了尺度。
查證來源
- 推論成本隨硬體世代與最佳化技術下降
- 模型規模與使用量成長會抵銷單位成本下降
要補一句
這些數字全部來自 2023 年當時的媒體報導，未經一手證實，且早已過時——三年來硬體世代更替、推論最佳化與模型蒸餾都讓單位成本大幅下降，同時模型規模與使用量也大幅上升，兩股力量方向相反。請不要把這些數字當成現況引用，它們的用途是理解當年的相對量級。
可帶走的做法
看到 AI 服務的成本數字，先看那是哪一年的。這個領域的成本數字保存期限大約半年。
06
晶片上有將近四分之一的面積拿來做 AI 運算
moderate
他在哪裡講的
「都拿來做 AI 應用」
機轉：為什麼會這樣
他拿出晶片的裸晶示意圖指出：神經運算單元佔了將近四分之一的面積。他用這個當作「蘋果沒有在 AI 上努力嗎」的反證。他並提到這個單元是該公司晶片裡最神秘的部分——原廠只公布它每秒能做多少次運算，從不說明技術核心。
實證查核
用晶片面積分配當證據，比任何公關說法都硬：面積是最稀缺的資源，一家公司把多少矽面積分給哪個功能，直接反映它的優先順序。這個論證方式可以套用到任何晶片廠商。
查證來源
- 晶片面積分配反映設計優先順序
- 廠商公布的裸晶示意圖未必精確標示各區塊
要補一句
要補的是面積比例是從公開的示意圖目測得來，並非官方數據；廠商釋出的裸晶圖常經過美化或簡化，各區塊的標示未必精確。另外「面積大」不等於「效能強或好用」——同樣的面積在不同架構下效率差異很大，而軟體生態是否用得到那個單元更關鍵。這是意圖的證據，不是能力的證據。
可帶走的做法
想知道一家公司真正重視什麼，去看它的晶片面積怎麼分。行銷會說謊，面積不會。
07
他自己實測：算圖效能接近高階顯卡，但功耗不到四分之一
moderate
他在哪裡講的
「只有他的四分之一不到」
機轉：為什麼會這樣
他說自己用桌上型主機跑影像生成模型時，效能與當時的旗艦顯示卡非常接近，但功耗只有對方的四分之一不到。他用這個說明為什麼低功耗這麼重要——你不可能把一張每小時數百瓦的顯示卡塞進手機，手機五分鐘就沒電了。所以要讓手機也能跑 AI，低功耗架構是前提。
實證查核
這是他自己跑出來的第一手觀察，而且點出了行動裝置 AI 的真正瓶頸不是算力而是能效。這個因果鏈完整：要在手機上跑 → 必須低功耗 → 所以架構要往能效走 → 於是桌機版本也繼承了這個特性。
查證來源
- 推論效能受模型、精度與軟體框架影響甚鉅
- 行動裝置的 AI 瓶頸主要在能效而非峰值算力
要補一句
但這個比較缺少必要的條件說明：沒有交代模型、解析度、批次大小、軟體框架與精度設定，而這些都會大幅改變結果；統一記憶體架構在某些工作負載上有優勢、在另一些上明顯落後。所以「效能接近」只能當成單一情境下的印象，不能推廣。能效優勢的方向是真的，倍數不可引用。
可帶走的做法
看到效能比較，先找模型名稱與設定。沒寫這些的比較，數字沒有意義。
08
⭐ 他也承認自己本機跑的模型「像笨蛋一樣」
strong
他在哪裡講的
「像是笨蛋一樣」
機轉：為什麼會這樣
他推薦讀者去試試當時能安裝在個人電腦上的開源對話模型，理由是試過就會知道雲端服務有多厲害。他自己的實測結果是：即便用桌上型主機在跑，問一個問題要等五分鐘才回答，而雲端服務一分鐘內就給答案——中間是很大的運算能力落差。
實證查核
在一支主張「本機運算才是對的路」的影片裡，親自示範本機跑起來有多慢——這是自我打臉，而他照講。這一段也是整支影片可信度最高的部分，因為它承認了自己主張的代價。而他給的建議（自己去跑一次就懂）是可執行的驗證方法。
查證來源
- 模型量化與小型化大幅降低本機推論的資源需求
要補一句
這一條在今天已經明顯過時：三年來的小型化與量化技術，讓筆電甚至手機都能以可接受的速度跑相當可用的本地模型，速度差距遠小於他當時的體驗。所以正確的讀法是——當年的落差是真的，但它是暫時的技術狀態，不是結構性限制。這也剛好說明了為什麼他第 1 條的預測會偏掉：他把當下的技術限制當成了長期分工的理由。
可帶走的做法
自己在電腦上跑一次本地模型。跑過之後，你對雲端服務的期待會校正回來。
09
他的收尾論證：AI 必須有一個載體
moderate
他在哪裡講的
「他必須要有一個寄託的載體」
機轉：為什麼會這樣
面對「AI 會取代一切」這類說法，他的回應是：AI 是軟體，不是靈魂，它必須有一個寄託的載體——可以是手機、平板、手錶，或還沒推出的頭戴裝置。他由此推論：不管誰在 AI 應用上勝出，最後那個應用一定會在蘋果的平台上推出對應的軟體，所以蘋果只要把硬體做好，十年內都不會有太大問題。
實證查核
「平台方不必贏在應用層，只要應用都得跑在它上面」這個論證結構是對的，而他當時就用該公司的應用商店裡已經有對手的官方軟體來佐證，不是純推測。這也是理解平台型公司競爭位置的實用框架。
要補一句
但這個推論有兩個當時看不見的破口。第一，如果 AI 的入口從應用轉移到作業系統層，平台優勢會被重新定義——控制入口的人才是平台方，而那正是後來各家搶奪的位置。第二，新的硬體型態（如可穿戴的 AI 裝置）有可能繞過手機。他自己也留了尾巴，說十年內沒問題——這是很聰明的預測寫法：給了時間範圍，就可以被檢驗。三年過去，方向大致成立。
可帶走的做法
聽預測時先找時間範圍。沒有期限的預測不會錯，也因此沒有價值。
本單元引用 1 支公開影片（2023-05-31），有官方字幕可查證時間碼。⚠️ 內容為 2023 年 5 月當時的判斷與預測，AI 領域三年來變動極大；本單元的 caveat 會標示已知的後續發展，但仍請以最新資料為準。片尾導購自家沙龍預約。與〈不是落後，是不同跑道〉（2025-10）為同一主題的兩個時間點，可對照閱讀。引句均在 15 字以內，僅作定位使用。