Zum Hauptinhalt springen
9. Juni 202611:14

Auf der WWDC wurden neue Apple Foundation Models vorgestellt!!

Von Samuel Gregory

Über dieses Video

Mit der Ankündigung von AFM3 hat Apple Ihr aktuelles iPhone praktisch zu einem veralteten Gerät gemacht. Dieser ausführliche Bericht beleuchtet die technische Architektur der neuesten Foundation-Modelle von Apple, die für Aufruhr sorgende Anforderung von 12 GB RAM und die Funktionsweise der Partnerschaft mit Google und Nvidia. Die wichtigsten Erkenntnisse: - Das neue „Advanced“-Modell mit 20 Milliarden Parametern erfordert ein iPhone 17 Pro oder einen M3+-Mac, um lokal ausgeführt zu werden. - Apple nutzt eine „Mixture of Experts“-Architektur, um Modellgewichte zwischen Flash-Speicher und RAM auszutauschen. - Ein neuer „System Orchestrator“ verwaltet Ihren persönlichen Kontext und die Bildschirmwahrnehmung. - Die Cloud-Verarbeitung erfolgt über Apple Private Computer in Zusammenarbeit mit Google und Nvidia. - Leistungsbenchmarks basieren derzeit eher auf menschlichen Präferenzen als auf objektiven Daten.

Die „Silicon Ceiling“: Apples KI-Strategie für 2026 entschlüsselt

Apple hat offiziell entschieden, dass Ihre derzeitige Hardware für die Zukunftsvision des Unternehmens nicht gut genug ist. Auf der WWDC 2026 wurden die „Apple Foundation Models“ (AFM) vorgestellt – ein ausgeklügeltes, aber anspruchsvolles Ökosystem, das eine klare Trennlinie zieht zwischen denjenigen, die über die neueste Hardware verfügen, und denjenigen, die den Anschluss verpasst haben.

Die Architektur der Intelligenz

Im Mittelpunkt des neuen iOS- und macOS-Erlebnisses steht der „System Orchestrator“. Diese Ebene ist für die Verwaltung des persönlichen Kontexts, des Weltwissens und der Bildschirmwahrnehmung zuständig. Das Wesentliche liegt jedoch in den Modellen selbst. Apple hat ein mehrstufiges System eingeführt:

  1. AFM3 Core: Ein auf Geschwindigkeit ausgelegtes Modell mit 3 Milliarden Parametern. Es deckt die Grundlagen ab: Rechtschreibprüfung und schnelle E-Mail-Entwürfe.
  2. AFM3 Core Advanced: Ein spärliches Modell mit 20 Milliarden Parametern, das auf „Instruction Following Pruning“ basiert. Aufgrund seines enormen Speicherbedarfs von 12 GB RAM ist es auf das iPhone 17 Pro und die M3/M4-Chips beschränkt.
  3. AFM3 Cloud & Cloud Pro: Die Kraftpakete, die in Zusammenarbeit mit Google und Nvidia entwickelt wurden und dafür ausgelegt sind, die Aufgaben zu bewältigen, die Ihr Taschencomputer einfach nicht bewältigen kann.

Der RAM-Gating-Skandal

Der umstrittenste Aspekt der technischen Präsentation sind die Speicheranforderungen. Obwohl das Modell „AFM3 Core Advanced“ technisch gesehen 20 Milliarden Parameter umfasst, werden mithilfe des „Mixture of Experts“-Ansatzes (MoE) jeweils nur 1 bis 4 Milliarden Parameter aktiviert. Trotz dieser Effizienz schreibt Apple weiterhin mindestens 12 GB RAM vor. Damit wird das iPhone 15 Pro, einst das Aushängeschild von Apple Intelligence, in der neuen KI-Wirtschaft praktisch zu einem Bürger zweiter Klasse.

Datenschutz oder Leistung?

Apple wirbt mit seinem „Private Cloud Compute“-Angebot weiterhin intensiv für den Datenschutz. Die Enthüllung, dass das Unternehmen Daten von Dritten lizenziert, wirft jedoch unangenehme Fragen auf. Zwar respektiert Apple bei der Web-Indizierung die „robots.txt“-Dateien, doch die ethische Herkunft seiner „gekauften Daten“ bleibt weiterhin ein Rätsel.

Das Update von 2026 zeigt ein Unternehmen, das darum ringt, die enormen Kontextanforderungen moderner großer Sprachmodelle (LLMs) mit den physikalischen Grenzen mobiler Hardware in Einklang zu bringen. Ob die ausdrucksstarke neue Siri und die geräteinterne Bildbearbeitung ausreichen, um ein Hardware-Upgrade zu rechtfertigen, bleibt abzuwarten. Vorerst hat das „Persönliche“ im persönlichen Kontext einen ganz konkreten Preis.

Transkript▾

Apple hat gerade seine WWDC-Konferenz 2026 abgehalten, auf der das Unternehmen iOS, Mac OS und alle 27 Betriebssysteme vorgestellt hat. Ein Teil davon war ein umfangreiches Update für Apple Intelligence, einschließlich einer neuen Siri-KI. In diesem Video gehe ich auf alle Neuerscheinungen und Funktionen ein und teile meine Meinung dazu mit. In diesem Video werden wir uns jedoch etwas eingehender mit den technischen Details beschäftigen, insbesondere mit dem Apple Foundation Model, der Reihe von Modellen, die Apple veröffentlicht hat – sowohl private als auch gerätebasierte –, sowie der Partnerschaft mit Google und Nvidia, um die Cloud-Modelle zum Laufen zu bringen. Wenn ihr also Spaß an den technischen Details rund um lokale KI habt, dann schnallt euch an. Ach ja, und klickt auf „Abonnieren“.

Also, ich finde, es wäre cool, damit anzufangen. Das ist ihre Sichtweise auf das Ganze. Und um das genauer zu erklären: Im Mittelpunkt von allem stehen du und deine Geräte. Du interagierst mit der Apple-KI, Siri oder was auch immer – über Bilder, Sprache und Text. Und das nennen sie die „Apple Foundation Models“. Diese interagieren dann mit dem System-Orchestrator, der persönlichen Kontext, Weltwissen – was im Grunde genommen nur die Websuche ist –, Aktionen und die Erkennung von Bildschirminhalten miteinander kombiniert. Und diese wiederum interagieren über Apps und die Siri-KI mit systemweiten Erlebnissen.

Also haben sie in Zusammenarbeit mit Google fünf Foundation-Modelle veröffentlicht. Wie gesagt, ich weiß nicht genau, inwieweit sie an vier der fünf Modelle beteiligt waren. Bei einem davon haben sie jedoch definitiv eine große Rolle gespielt. Zu Beginn gibt es also das AFM, das Apple Foundation Model 3 Core. Das ist das Modell, das auf Ihrer lokalen Hardware läuft, und es handelt sich um ein dichtes Modell mit 3 Milliarden Parametern. Es wird für schnelle Aufgaben wie das Verfassen einer E-Mail, die Rechtschreibprüfung und andere blitzschnelle Vorgänge zuständig sein, die auf Ihrem Gerät mit sehr, sehr geringer Latenz erfolgen müssen. Es ist nicht besonders intelligent, sondern auf Geschwindigkeit ausgelegt. Und es wird auf allen aktuellen Apple-Intelligenzgeräten unterstützt: ab dem iPhone 15 Pro, allen Modellen der M-Serie Max sowie allen iPads der M-Serie.

Und was die Geräte selbst betrifft, steigen wir nun auf „AFM 3 Core Advanced“ um. Dabei handelt es sich um ein Modell mit 20 Milliarden Parametern, das eine spärliche Architektur nutzt und jeweils nur 1 bis 4 Milliarden Parameter aktiviert. Wir werden noch genauer auf die verwendete Aktivierungsmethode und all das andere eingehen, aber dieses Modell wird wirklich nur vom iPhone 17 Pro unterstützt. Auf Macs ist es der M3 und höher. Auf iPads gilt dies ab dem M4. Grundsätzlich wird dieses Modell auf allen Geräten mit 12 Gigabyte RAM oder mehr laufen. Mein iPhone 15 Pro und ich werden dieses fortschrittliche Apple-Modell also nicht ausführen können.

Aber falls Sie es noch nicht wissen: Apple verfolgt hier einen hybriden Ansatz, d. h., einige der komplexeren Aufgaben werden an ihre Cloud-Modelle weitergeleitet, die auf ihrem System namens „Apple Private Computer“ laufen. Die AFM3-Cloud ist also eine weiterentwickelte Version des Kerns. Sie holt jedoch deutlich mehr Leistung und Kontext heraus. Diese wird maßgeblich für einen Großteil Ihres persönlichen Kontexts und Ihres Weltwissens verantwortlich sein. Dann gibt es noch das spezielle Cloud-Bildmodell, das, wie der Name schon sagt, bei der Bildgenerierung und -bearbeitung zum Einsatz kommt. Vielleicht ist Ihnen schon die Funktion zum Nachbearbeiten von Fotos aufgefallen, die die Geräte-Hardware für eine grundlegende Unschärfe von noch nicht generierten Bildausschnitten nutzt – lediglich, um diese grundlegende Nachbearbeitung zu ermöglichen. Anschließend wird das Bild an die Cloud gesendet, wo die Lücken ausgefüllt werden – und genau das ist das hier gemeinte Bildmodell.

Der AFM3 Cloud Pro. Dabei handelt es sich um das Modell, bei dem klar zum Ausdruck gebracht wurde, dass es auf einer Partnerschaft mit Nvidia und Google basiert und offenbar ebenfalls auf Google Cloud läuft. Allerdings betonen sie, dass dabei die Privatsphäre aller Nutzer weiterhin gewahrt bleibt. Es wird interessant sein zu sehen, wo genau die Grenzen liegen, wenn es um das fortschrittliche Modell auf dem Gerät selbst geht, und ab welchem Punkt die leistungsstärkeren Geräte – wie beispielsweise mein iPhone 15 – auf das Cloud-Modell umschalten. Ich kann mir vorstellen, dass es ziemlich häufig auf das Cloud-Modell umschaltet. Auch hier führe ich nur eine einfache Rechtschreibprüfung durch. 20 Milliarden Parameter sind zwar recht gut, enthalten aber wahrscheinlich nicht viel persönlichen Kontext. Es verfügt einfach über viel integriertes Wissen, wenn das Sinn ergibt.

Nun gibt es hier einen interessanten Aspekt zur Maximierung der geräteinternen Kapazitäten. Herkömmliche große Sprachmodelle – ob mit dichter oder spärlicher Aktivierung – erfordern, dass sich alle Gewichte im aktiven DRAM-Speicher befinden, was einen enormen Speicherbedarf verursacht, der die Skalierbarkeit auf Verbraucherhardware einschränkt. Das ist auch deshalb interessant, weil man ja den Kontextraum reservieren muss, um sicherzustellen, dass genügend Kontext vorhanden ist, während sich die Konversation entwickelt und der KV-Cache-Speicher sich füllt. Man reserviert diesen Speicher, möchte aber gleichzeitig, dass das Gerät wie erwartet funktioniert und beim Wechsel zwischen Apps die erwartete Leistung erbringt. Es benötigt also viel Spielraum.

Um diese Barriere zu überwinden, führt AFM3 Core Advanced eine neuartige, spärlich aktivierte Architektur ein, die auf „Instruction Following Pruning“ basiert – einer von Apple entwickelten Technik. Ich habe mich hier näher damit befasst. Im Grunde handelt es sich um eine „Mixture of Experts“-Methode, die parallele Verfolgung kombiniert. Das bedeutet für mich, dass das Modell mehrere Aspekte gleichzeitig betrachten oder präventiv verschiedene Experten gleichzeitig heranziehen kann, um die Geschwindigkeit zu erhöhen. Anstatt das gesamte Modell in den DRAM zu zwängen, wird das vollständige Modell im Flash-Speicher, also NAND, gespeichert. Und hier gibt es ein kleines Diagramm dazu. Im Grunde handelt es sich also um eine „Mixture of Experts“, die eine vorab festgelegte Anzahl aktiver Parameter verwendet, die auf jeden spezifischen Anwendungsfall zugeschnitten sind.

In diesem Artikel wird auch erwähnt, dass die Bildqualität verbessert wurde, was stimmt. Ich würde jedoch nicht unbedingt sagen, dass sie auf dem neuesten Stand der Technik ist. Sie ist gut genug für einfache Bildbearbeitung und die Beibehaltung von Aspekten des Originalbildes – was in der Präsentation auch betont wird: Man möchte den Fotografen treu bleiben und ihnen im Grunde die Freiheit lassen, das Originalbild nicht zu verändern; alles, was darüber hinausgeht, wird von diesen Modellen generiert.

Außerdem gehen sie hier ausführlich auf die Trainingsdaten ein, mit denen unsere Foundation-Modelle trainiert werden. Wir verwenden eine Mischung aus Daten, die öffentlich zugängliche Informationen, von Dritten lizenzierte oder gekaufte Daten, Open-Source-Daten aus speziellen Studien sowie synthetische Daten umfasst. Nun sorgen einige dieser Punkte für Stirnrunzeln – zum Beispiel, dass Daten von Dritten gekauft wurden. Das bedeutet nicht zwangsläufig, dass diese Dritten die Daten auf ethische Weise erworben haben. Es wäre also gut, etwas genauer zu untersuchen, um welche Unternehmen es sich handelt und wie sie an diese Daten gekommen sind. Außerdem betonen sie, dass sie Web-Publisher respektieren. Grundsätzlich gilt: Wenn man eine – ich glaube, es ist eine „robots.txt“-Datei oder etwas Ähnliches – hat, die Bots, KI-LLMs und dergleichen ausdrücklich daran hindert, die Website zu crawlen, werden sie das respektieren. Wie viele Websites sich dafür angemeldet haben und tatsächlich eine solche „robots.txt“-Datei haben, weiß ich nicht.

Ich werde hier nicht allzu sehr ins Detail gehen, aber es ist ebenfalls interessant, dass tatsächlich viele menschliche Bewerter zum Einsatz kamen, die das bisherige Modell mit dem neuen verglichen haben. Und das AFM-AFM3-Kernmodell hat sich gegenüber seinem Vorgänger verbessert und wurde bei 45,6 % der Eingaben bevorzugt, verglichen mit 23,3 % bei der 2025-Baseline. Nun handelt es sich hierbei um Präferenzen. Das sind Meinungen von Menschen, die nicht unbedingt objektiv sind. Allerdings gibt es keine wirklich gute Methode, um einen Benchmark durchzuführen. Daher ist es einfach interessant zu sehen, dass sie dafür Menschen einsetzen.

Hier wird auch eine Menge Text in Sprache umgewandelt, und ehrlich gesagt habe ich nur noch ein Kapitel vor mir. Melvin antwortete: „Das ist das aktuelle.“ Noch ein Kapitel. Melvin antwortete: „Ich bin dabei.“ Ich sehe links eine Reihe von Geschäften, darunter ein Schuhgeschäft mit hellen Schaufenstern. Ich glaube, die Stimme der erweiterten Version „AFM3 Core“ hat einen gewissen Ausdruck. Das ist übrigens das einzige Modell, bei dem man die Stimme anpassen kann, während man bei den aktuellen Text-zu-Sprache-Programmen mit einer Art Standardstimme vorliebnehmen muss.

Also ja, es fühlt sich etwas flüssiger und ein bisschen ausdrucksstärker an, aber inwieweit das wirklich eine Rolle spielt, bin ich mir nicht ganz sicher. Es ist also eine wirklich interessante Perspektive, die Apple in die ganze KI-Thematik einbringt. Offensichtlich sind wir so an Frontier-Modelle gewöhnt, die Daten gestohlen haben. Sie laufen auf wahnsinnig leistungsstarker Hardware. Wir haben mittlerweile gewisse Erwartungen, und ich frage mich, ob Apple genug Menschen davon überzeugen kann: Ja, vielleicht ist es nicht ganz so gut. Aber deine Daten bleiben privat. Es ist auch sehr wichtig, dass die KI da ist, wann und wo du sie brauchst. Ist sie für die jeweilige Aufgabe relevant? Die erste Einführung von Apple Intelligence haben sie bereits vermasselt. Wenn die Leute das Gefühl haben, dass auch diese Version hinter den Erwartungen zurückbleibt, weiß ich nicht, wie sie das wieder gutmachen wollen.

Auf meinem Mac läuft Mac OS 27. Ich warte darauf, dass Siri und Apple Intelligence dort freigeschaltet werden. In den Beta-Versionen können wir einige dieser Funktionen bereits nutzen, und sie funktionieren recht gut. Mein einziger bleibender Gedanke an dieser Stelle dreht sich wiederum um diesen persönlichen Kontext und die Grenzen dessen, was wir aus der lokalen Hardware herausholen wollen. 21 Milliarden Parameter sind in Ordnung. Ich habe zahlreiche Tests mit größeren Modellen durchgeführt, deren Ergebnisse recht zufriedenstellend sind. Modelle mit 32 Milliarden oder 31 Milliarden Parametern sind in Ordnung, erreichen aber noch nicht Spitzenleistung. Bei 21 Milliarden Parametern wird es interessant sein zu sehen, wie die Leistung ausfällt. Da 12 Gigabyte RAM sozusagen das Minimum oder der durchschnittliche Spielraum für diese Modelle darstellen, lassen sie keinen enormen Kontext zu.

Ich habe bereits gesehen, wie Leute versucht haben, mit Siri Dateisysteme unter Mac OS zu durchsuchen, und eigentlich indexiert Siri dabei nur einen ersten Teil der Dateiinformationen. Es findet keinerlei tiefgreifende Analyse Ihrer Dateien statt. Kurz gesagt: Es gibt einfach nicht genug Kontext, um daraus einen persönlichen Kontext zu machen, der wirklich aussagekräftig ist – es sei denn, man verfügt über die neueste Hardware oder lagert die Verarbeitung an langsamere Cloud-Modelle aus. Meiner Meinung nach ist das wahrscheinlich das, womit sie bei ihrer ersten Implementierung zu kämpfen hatten: zu erkennen, dass Kontext viel Hardware erfordert. Es braucht viel RAM, damit sich dieser Kontext während der Nutzung des Handys aufbauen kann, während immer mehr Informationen in diesen Kontext einfließen. Es bleibt abzuwarten, wie effektiv das sein wird. Das wäre also alles. Abonniert meinen Kanal, falls ihr das noch nicht getan habt. Oh, und vergesst nicht, euch mein Video zu allen Funktionen anzusehen, die gestern veröffentlicht wurden. Vielen Dank an meine Patreon-Unterstützer, die mich direkt unterstützen. Bis zum nächsten Mal, bleibt am Ball.