「開發者社群裡流傳著一句話：如果你打不過它們，就加入它們。但 Apple 選擇了第三條路：等它們燒光錢，自己直接開始收場。」

沒有人記得 Apple 是「AI 失敗者」

2023 年，ChatGPT 掀起 AI 浪潮時，Apple 在這個領域的表現被形容為「失敗者」。沒有自研大模型、沒有雲端 GPU 集群、沒有公開的 AI API。與 OpenAI、Google、Anthropic 這些正面對打的玩家相比，Apple 幾乎缺席。

那時候的評論很一致：Apple 錯失了 AI 機會。它的 Siri 落後、搜索功能不智能、整體 AI 體驗遠遜於競爭對手。甚至有分析師說，Apple 可能因為 AI 落後而失去設備市場的競爭力。

兩年後的今天，局勢變得很有意思。

OpenAI 等公司正在巨額投入 GPU 硬體、資料中心和訓練成本。根據報導，OpenAI 與 Samsung 和 SK Hynix 簽署了意向書，每月採購多達 90 萬片 DRAM 晶圓，約佔全球產量的 40%。這種規模的投入意味著龐大的固定成本，只要營收預測稍有偏差，就可能被迫退場。有人預測，如果沒有某種形式的紓困，OpenAI 可能在未來 18-24 個月內破產。

Apple 沒有加入這場燒錢競賽。相反，它做了一件看起來很「傳統」的事：把 AI 模型塞進手機裡。

手機裡的 LLM，比你想的強

Apple 推出的本地模型「設計來在手機上執行」，在 MMLU Pro 測試中獲得了 85.2% 的分數，在 Arena 排行榜上與 Claude Sonnet 4.5 Thinking 平手。對於一個在設備本地運行的模型來說，這個成績相當驚人。

這是什麼概念？MMLU Pro 是一個評估大語言模型在各個領域表現的基準測試，包括數學、歷史、法律、醫學等多個學科。85.2% 的分數意味著這個本地模型在大多數日常任務上，已經能夠與頂級的雲端模型相抗衡。

更關鍵的是，它發布後的第一週就獲得了 200 萬次下載。這不是一個小數字。它說明開發者和使用者開始認真看待「本地 AI」這個選項。

為什麼本地模型突然變重要了？

雲端 AI 模型的成本問題正在浮現。

有分析發現，某個訂閱方案的用戶用 200 美元的訂閱，消費了價值高達 2 萬 7 千美元的運算資源。這種模式如果不改，訂閱制將難以持續。訂閱收入和實際使用成本之間的差距太大，無法長期維持。

這不是個案。許多開發者報告，他們的 API 使用成本在過去一年中快速成長。模型變大了、參數變多了、每次請求的 token 數量變多了。雖然模型的能力也提升了，但使用者願意支付的價格並沒有相應增加。

本地模型則避開了雲端傳輸和推理的成本。它不需要每個請求都調用 API，不需要為每次對話付費。對於許多日常使用場景——寫信、整理筆記、簡單的問答——本地模型已經足夠。

更重要的是，本地模型的成本是固定的：你只需要在訓練或微調時花一次錢，之後的每個請求都是「免費」的。這與雲端模型的「按使用量計費」模式完全不同。

實際場景：開發者如何受益

讓我們看一個具體的例子。一個台灣的開發者正在建立一個筆記應用，主要功能是幫使用者整理筆記、提取重點、生成摘要。

如果他選擇使用雲端 API，每個使用者每次整理筆記都需要調用 API。假設每個使用者每天整理 10 次筆記，每次成本是 0.002 美元，那麼 1000 個使用者每天的成本就是 20 美元，一年下來就是 7300 美元。這還不包括網路延遲、伺服器維護等其他成本。

如果他選擇使用本地模型，他只需要一次性微調一個小模型，之後所有使用者的請求都在設備本地完成。沒有 API 費用、沒有網路延遲、沒有伺服器負擔。唯一的成本是初始的模型訓練或微調，而這個成本是一次性的。

這就是為什麼越來越多開發者開始關注本地模型。它不是「雲端模型的替代品」，而是「適合不同場景的選項」。

Apple 的護城河不是 AI，是設備

Apple 從來不是第一個推出「新技術」的公司。它也從來不是最快追趕熱潮的那一個。但它擅長的是：等到技術成熟，然後把它整合到已有的產品生態系中。

這次 AI 浪潮也是一樣。當其他公司忙於建 GPU 集群時，Apple 在做一件事：把 AI 功能放進設備，讓它成為 iPhone、iPad、Mac 的自然延伸。

舉個例子：當你在寫信時，AI 可以自動幫你修正錯別字、建議句子結構，甚至幫你改寫段落。這些功能不需要連到雲端，它們在設備本地就能完成。你感覺不到「正在使用 AI」，你只感覺到「這個設備更聰明了」。

這個策略帶來了兩個關鍵優勢：

成本結構不同：Apple 沒有龐大的雲端訓練和推理成本。它的 AI 模型是在設備上運行，這意味著使用者購買設備時，已經為 AI 能力付費了。Apple 不需要持續投入巨額硬體來維護雲端服務。

分發管道不同：Apple 不需要跟使用者解釋「為什麼要付費」，因為使用者已經為設備付費。AI 功能是設備價值的一部分，而不是額外的訂閱費用。對於使用者來說，這是「免費升級」；對於 Apple 來說，這是「增加設備吸引力」的方式。

當「失敗者」變成唯一還站著的人

AI 浪潮的早期階段，大家都在比誰的模型更強、誰的參數更多、誰的應用場景更廣。這是一場比誰花錢更快的競賽。

OpenAI、Anthropic、Google，這些公司在 GPU 購買、資料中心建設、模型訓練上投入了數十億美元。它們的競爭焦點是「技術領先」——誰的模型分數更高、誰能解決更複雜的問題。

但現在開始進入第二階段：比誰能活下來。

技術領先很重要，但如果無法轉化為可持續的商業模式，再先進的技術也沒有意義。OpenAI 的訓練成本和運營開支持續攀升，訂閱收入和 API 收入能否支撐這些成本，是個問號。其他玩家也面臨類似的壓力。

Apple 在這場比賽中從來不是最快的，但可能是最穩的。它的 AI 策略不是「打造最好的模型」，而是「讓 AI 成為設備的一部分」。

這意味著它不需要在其他公司拼命燒錢的時候跟進，它只需要在自己的產品迭代中逐步加入 AI 功能。iPhone 每年更新、iPad 每年更新、Mac 每年更新——AI 功能自然地融入這個週期，不需要額外的營銷、不需要額外的推廣。

這就是為什麼人們說 Apple 有「意外的護城河」。它不是 AI 順域的先行者，甚至一度被視為「失敗者」。但當先行者們因為成本壓力而退場時，Apple 可能是唯一還站著、而且擁有數十億用戶設備的人。

隱私與本地化的優勢

除了成本，本地模型還有另一個關鍵優勢：隱私。

當你使用雲端 API 時，你的資料會被傳送到遠端伺服器處理。雖然大多數公司聲稱不會儲存或使用這些資料，但這仍然是一個風險。對於企業用戶、醫療記錄、個人日記等敏感資料，雲端處理可能不符合法規或公司政策。

本地模型則完全避開了這個問題。資料從未離開設備，處理在本地完成，沒有資料外洩的風險。這對台灣的企業和政府機構來說，是一個重要的考量因素。

此外，本地模型也更適合離線場景。當你在高鐵上、飛機上、或網路不穩定的環境中工作時，雲端 API 可能無法使用，但本地模型仍然可以正常運作。

台灣開發者和使用者能做什麼？

對於台灣的開發者來說，這個趨勢帶來了兩個啟示：

本地模型值得關注：不是所有應用都需要雲端 LLM。如果你的應用場景是本地化的、對隱私敏感的、或者需要離線運作的，本地模型可能是更好的選擇。

舉個例子：一個幫台灣學生準備考試的應用，它的主要功能是整理筆記、生成摘要、解釋難題。這些功能不需要調用 GPT-4 或 Claude，一個本地的小型模型就足夠了。而且，因為資料不會離開設備，家長和學生可以更放心地使用。

設備整合的重要性：AI 不再只是一個「新奇功能」，它正在成為設備操作系統的一部分。如果你的應用能與設備的本地 AI 能力整合，可能比依賴第三方 API 更有長期優勢。

這意味著你的應用可以離線運作、成本更低、回應更快。對於台灣的中小型新創公司來說，這是一個重要的優勢：你不需要與 Google 或 OpenAI 在 GPU 採購上競爭，你只需要做好產品和體驗。

對於一般使用者來說，這意味著：你不需要為了體驗 AI 而付費訂閱。手機、平板、電腦裡的本地模型，將逐漸能夠滿足大部分日常需求。AI 將變成類似「相機」或「GPS」一樣的設備內建功能——你每天都在用，但很少會思考「它是怎麼運作的」。

當熱潮退去，剩下的才是真實

AI 浪潮還沒結束，但已經開始從「狂熱期」進入「現實期」。

早期投入者正在面臨成本和營收的現實壓力。雖然它們的技術很先進，但商業模式還在摸索中。訂閱制、按量計費、企業版授權——沒有一個模式被證明是長期可持續的。

而那些沒有參與燒錢競賽的玩家，反而開始顯現優勢。它們不需要在 GPU 採購上跟進、不需要在訂閱價格上競爭、不需要在用戶增長上壓力。它們只需要做一件事：把 AI 功能自然地整合到現有的產品中。

Apple 可能是這個轉變的最佳範例。它被視為「AI 失敗者」，因為它沒有推出自己的 GPT、沒有建立自己的 GPU 集群、沒有參與那場「誰的模型更強」的競賽。

但它的策略是：不打它們玩的遊戲，只做自己的事。

等到其他玩家燒光錢、市場重新洗牌，Apple 的 AI 功能可能已經在數十億台設備上運作，成為使用者生活的一部分。開發者在寫應用時，會自然地考慮「如何整合設備的本地 AI 能力」；使用者在選擇設備時，會把「內建 AI 功能」列為考慮因素。

這不是「贏得比賽」，而是「不參加比賽，直接收場」。

而那才是最難被超越的護城河。