iOS 27, iPadOS 27 și macOS 27: ce schimbă Core AI pentru aplicații

La 31 august 2026, iOS 27, iPadOS 27 și macOS 27 Golden Gate sunt încă versiuni care urmează să fie lansate. Apple anunță actualizările gratuite pentru această toamnă, iar unele componente ale noii infrastructuri de inteligență sunt încă beta sau programate pentru mai târziu. Momentul contează: arhitectura este suficient de bine documentată pentru o analiză serioasă, dar funcțiile, disponibilitatea și performanța trebuie reverificate pe software-ul final.

Povestea vizibilă este Siri AI și noua generație Apple Intelligence. Povestea tehnică mai importantă pentru dezvoltatori poate fi Core AI: un framework și un set de instrumente noi pentru pregătirea, distribuirea și rularea în aplicații a propriilor modele neurale pe Apple silicon.

Core AI nu este un comutator care face o aplicație „inteligentă”. Este un strat de execuție. Echipa trebuie să aleagă în continuare sarcina, modelul, contractul datelor, gama de dispozitive, alternativa fără model, metoda de evaluare și interfața. Apple schimbă traseul dintre modelul construit într-un mediu de machine learning și funcția privată și rapidă dintr-o aplicație Swift.

Ce aduc în mod concret cele trei sisteme de operare

Prezentarea Apple de la WWDC26 plasează Siri AI, extinderea Apple Intelligence, controalele pentru siguranța copiilor și optimizările de sistem în întreaga generație 27. Detaliile diferă în funcție de dispozitiv.

În iOS 27, Apple prezintă un Siri AI conversațional, care poate căuta în contextul personal, acționa în aplicații, consulta informații online și păstra conversațiile într-o aplicație dedicată. Visual Intelligence ajunge direct în Cameră, iar Poze primește Spatial Reframing, Extend și un instrument Clean Up mai capabil. Safari poate grupa filele și urmări modificările unei pagini, Parole poate ajuta la repararea credențialelor slabe sau compromise, iar Scurtături poate construi un flux dintr-o descriere.

iPadOS 27 aduce mare parte din aceeași inteligență într-un spațiu de lucru mai generos. Utilizatorul poate întreba despre conținutul de pe ecran pornind de la o captură, poate atinge un obiect ori îl poate încercui cu Apple Pencil, poate continua conversațiile Siri între dispozitive și poate folosi asistența pentru scriere în mai multe contexte. Apple evidențiază și transferuri mai rapide către unități externe, treceri mai bune între rețele și optimizări generale.

În macOS 27 Golden Gate, Siri AI poate fi accesat din Spotlight sau din propria aplicație, poate analiza o captură ori un PDF și poate executa acțiuni în aplicațiile compatibile. Apple rafinează Liquid Glass pentru lizibilitate și consecvență, îmbunătățește AirDrop și navigarea prin fișiere de rețea, face căutarea din Mail mai relevantă și extinde suportul pentru monitoare ultrawide.

Avem o actualizare amplă de platformă, nu o listă de funcții „făcute cu Core AI”. Aplicațiile Apple combină modele de sistem, Private Cloud Compute, framework-uri precum Foundation Models și App Intents și logică specifică produsului. O aplicație terță nu primește automat aceste comportamente doar pentru că rulează pe OS 27.

Limita de disponibilitate pentru România și Uniunea Europeană

Pentru publicul din România, condițiile de lansare sunt la fel de importante precum funcțiile. Româna nu apare în lista de limbi Apple Intelligence anunțată de Apple. Un dispozitiv compatibil, configurat într-o altă limbă acceptată, poate primi funcțiile disponibile, dar aceasta nu este o experiență de produs în limba română.

Apple a anunțat și că Siri AI nu va fi disponibil inițial în iOS 27 și iPadOS 27 în Uniunea Europeană. Compania spune că utilizatorii din UE îl vor putea folosi în macOS 27 și visionOS 27 dacă îndeplinesc celelalte condiții privind limba și dispozitivul. La 31 august, Apple nu oferă un termen pentru iPhone și iPad în UE.

Această limitare privește Siri AI, nu orice formă de machine learning local. Un dezvoltator poate folosi un model propriu al cărui vocabular și comportament acoperă româna, dacă modelul, framework-ul, dispozitivul și aplicația îndeplinesc cerințele de distribuire. De aceea, Siri AI, Apple Intelligence, Foundation Models și Core AI trebuie tratate ca noțiuni distincte.

Core AI nu este Siri AI

Apple descrie Core AI drept framework-ul de inferență locală care alimentează Apple Intelligence și care este pus acum la dispoziția dezvoltatorilor. Rolul său este să încarce și să ruleze modele neurale proprii pe CPU, GPU și Neural Engine, printr-un API Swift sigur pentru memorie și un set de instrumente Python, Xcode și Instruments.

Tehnologiile din jur lucrează la niveluri diferite:

• Apple Intelligence este sistemul de inteligență vizibil utilizatorului și integrat în produsele Apple.
• Foundation Models este framework-ul Swift de nivel înalt pentru sesiuni cu modele de limbaj, rezultate structurate și apelarea unor instrumente. Poate folosi modelele de sistem Apple și, în OS 27, modele furnizate prin alte servicii.
• Core AI este traseul de distribuire pentru modelele neurale pe care echipa aplicației le alege, le antrenează sau le descarcă: modele de limbaj, imagine, sunet ori multimodale.
• Core ML rămâne suportat. Apple orientează arhitecturile neurale și tehnicile noi de inferență spre Core AI, iar Core ML continuă să deservească implementările existente și tipuri precum arborii de decizie sau fluxurile cu date tabelare.
• MLX este mediul de cercetare și calcul numeric de nivel mai jos, potrivit pentru experimente, antrenare, ajustare și lucru distribuit mai amplu pe Apple silicon.

Regula practică este să începi de la cel mai înalt nivel care rezolvă produsul. Dacă modelul de limbaj local al Apple poate îndeplini sarcina pe dispozitivele și în limbile necesare, Foundation Models poate fi drumul cel mai scurt. Dacă aplicația are nevoie de propriul model de segmentare, de un model audio specializat, de un model de limbaj capabil în română sau de o versiune fixă a modelului, Core AI devine relevant. Funcțiile Core ML existente nu trebuie rescrise doar pentru că a apărut un framework mai nou.

Cum ajunge un model Core AI în aplicație

Introducerea Core AI de la WWDC26 prezintă un ciclu complet de distribuire, nu un singur apel la rulare.

1. Definești sarcina și alegi modelul

Dezvoltarea începe în afara Xcode. Echipa definește datele de intrare și rezultatele, pragul de calitate, timpul de răspuns, dispozitivele acceptate și comportamentul la eroare, apoi antrenează un model sau alege unul open-source cu o licență și capabilități potrivite. Depozitul Core AI Models al Apple oferă rețete de export și biblioteci Swift pentru mai multe arhitecturi populare, însă un model descărcabil este doar punctul de pornire. Evaluarea pentru produs rămâne obligatorie.

2. Îl optimizezi și îl convertești

Core AI se integrează într-un flux bazat pe PyTorch. Core AI Optimization poate aplica tehnici precum cuantizarea și paletizarea pentru a reduce dimensiunea și a îmbunătăți caracteristicile de execuție. Core AI PyTorch Extensions exportă apoi una sau mai multe funcții de inferență în formatul .aimodel.

Conversia nu demonstrează echivalența. În demonstrația Apple, modelul PyTorch inițial și cel convertit primesc aceleași date reprezentative, iar diferența numerică este comparată cu un prag potrivit funcției. Compresia, conversia și noul motor de execuție pot modifica rezultatele.

3. Inspectezi și distribui resursa modelului

Xcode poate afișa dimensiunea unui fișier .aimodel, platformele vizate, funcțiile, formele tensorilor și metadatele. Aplicația poate include resursa direct, o poate primi printr-un pachet Swift sau o poate descărca atunci când utilizatorul cere funcția.

Alegerea afectează toți utilizatorii. Includerea unui model de 600 MB mărește aplicația de bază și actualizările inclusiv pentru persoanele care nu folosesc funcția. Descărcarea la cerere păstrează aplicația inițială mai mică, dar cere stări explicite pentru acord, progres, întrerupere, lipsa spațiului, verificare, versiuni și ștergere.

4. Specializezi modelul-sursă pentru dispozitiv

Un fișier .aimodel este o reprezentare-sursă portabilă. Înainte de execuție, Core AI îl specializează pentru dispozitivul și versiunea de sistem folosite, creează artefacte executabile și le păstrează în cache. Încărcările ulterioare pot folosi acel cache, însă prima specializare a unui model mare poate dura vizibil.

Core AI oferă acces la cache, astfel încât aplicația poate verifica pregătirea, poate solicita specializarea într-un moment potrivit și poate elimina versiunile vechi. Instrumentul coreai-build poate face anticipat o parte din compilare pentru arhitecturile alese. Modelul rezultat mai are nevoie de specializare pe dispozitiv, dar Apple arată că volumul de lucru de la prima utilizare scade substanțial.

Aceasta este și o problemă de experiență, nu doar una de compilator. Starea „Pregătim funcția AI” are nevoie de progres sincer, anulare și recuperare. Ascunderea unei încărcări lungi în spatele unui buton blocat nu este o strategie de distribuire.

5. Rulezi inferența prin Swift

La nivelul direct al framework-ului, aplicația încarcă un AIModel, alege o funcție de inferență, pregătește tablouri multidimensionale tipizate și citește rezultatele. Core AI poate selecta un motor de execuție pe CPU, GPU sau Neural Engine în funcție de modul în care a fost exportat modelul. Controalele avansate acoperă memoria de inferență, traseele fără copiere, starea reutilizabilă și buclele de calcul stricte.

Modelele de limbaj pot fi împachetate și într-un adaptor Core AI și folosite prin cunoscutul LanguageModelSession din Foundation Models. Astfel, aplicația păstrează funcții de nivel înalt precum streamingul și rezultatele tipizate, dar rulează dedesubt modelul ales de echipă. Core AI și Foundation Models se completează; nu sunt două denumiri pentru același API.

6. Măsori, evaluezi și repeți

Setul de instrumente include aplicația separată Core AI Debugger pentru inspectarea grafurilor și a valorilor intermediare, un indicator de depanare în Xcode pentru activitatea în timp real și un șablon Core AI în Instruments pentru timpii de încărcare, specializare și inferență. Aceste instrumente explică unde se consumă timpul și memoria. Nu decid dacă rezultatul este corect sau util.

Aplicația are nevoie în continuare de un set de evaluare care reprezintă date obișnuite, ambigue, multilingve, incomplete și ostile. Româna și engleza trebuie măsurate separat. Prima încărcare, utilizarea repetată, vârful de memorie, stocarea, energia și comportamentul termic trebuie testate pe dispozitivele fizice vizate, nu doar pe Mac-ul dezvoltatorului.

Ce schimbă Core AI față de Core ML

Core AI înseamnă mai mult decât redenumirea unui fișier Core ML. Introduce formatul .aimodel, funcții Swift moderne pentru proprietate și siguranța memoriei, specializare și administrarea explicită a cache-ului, execuție cu stare, operații Metal personalizate, instrumente noi de depanare și fluxuri gândite pentru arhitecturi transformer, diffusion și multimodale actuale.

Aceasta nu face orice proiect Core ML depășit. Un clasificator de imagini stabil, un model Create ML sau un predictor tabelar poate să nu aibă niciun motiv comercial pentru migrare. Nici nu trebuie presupus că un checkpoint PyTorch se convertește automat: operațiile nesuportate, formele dinamice, preprocesarea, tokenizarea, decodarea rezultatului și presiunea asupra memoriei pot cere inginerie specifică. Direcția Apple este clară, dar migrarea rămâne dependentă de model.

Oportunitățile reale pentru aplicații

Core AI are sens când execuția locală este o cerință de produs, nu un slogan. Exemplele includ identificarea obiectelor într-un flux video, segmentarea imaginilor fără încărcarea lor pe un server, transcrierea sau clasificarea unui sunet sensibil, extragerea unor câmpuri structurate din documente fără conexiune și rularea unui model de limbaj specializat, cu versiune și vocabular controlate.

Aceeași integrare Swift poate accepta modele de dimensiuni diferite pe clase diferite de dispozitive. Un model compact poate servi interacțiunea de pe iPhone, iar un Mac cu mai multă memorie poate procesa un lot sau folosi o variantă mai mare. Produsul poate rămâne coerent pe iPhone, iPad și Mac fără a pretinde că toate cele trei au aceeași capacitate.

Pentru produse în limba română, un model propriu poate acoperi lipsa numai dacă datele de antrenare și evaluarea susțin afirmația. Faptul că un model multilingv enumeră româna nu garantează terminologia, diacriticele, contextul regional sau respectarea instrucțiunilor structurate. Acestea sunt cerințe de testare, nu presupuneri de marketing.

Procesarea locală nu înseamnă efort sau cost zero

Core AI elimină deplasarea până la un server și factura de inferență per token pentru operațiunile care rămân pe dispozitiv. Nu elimină costurile.

Modelul consumă trafic la descărcare, stocare, memorie, energie și timp de dezvoltare. Echipa trebuie să administreze licențe, versiuni, compatibilitate, revenirea la o versiune sigură și suportul. Modelele mai mari pot întârzia prima folosire, pot concura cu restul aplicației pentru memorie și se pot comporta diferit atunci când dispozitivul se încălzește sau intră în modul de consum redus.

Confidențialitatea depinde de întregul traseu al datelor. Inferența locală poate evita trimiterea unei fotografii ori a unui document către un server AI, însă serviciile de analiză, rapoartele de eroare, copiile de siguranță, sincronizarea și alte SDK-uri pot transmite în continuare datele inițiale sau informații derivate. Mențiunea „rulează cu Core AI” nu dovedește că întreaga funcție este privată.

Rezultatul rămâne probabilistic. Prețurile, permisiunile, identitatea, eligibilitatea, inventarul și acțiunile ireversibile trebuie controlate de reguli deterministe ale aplicației. Modelul poate propune o categorie sau redacta un rezumat; codul validat și o persoană autorizată trebuie să decidă dacă se modifică o înregistrare, se face o plată sau se trimite un mesaj.

În plus, OS 27 și Xcode 27 sunt încă prerelease la data articolului. Apple precizează că funcțiile se pot schimba și că software-ul construit pe documentația beta trebuie retestat pe versiunile finale.

O decizie practică înainte de lansarea din toamnă

O echipă care analizează Core AI ar trebui să răspundă la aceste întrebări înainte de a se angaja într-o rescriere de platformă:

1. Ce sarcină precis delimitată devine mai bună pentru că modelul rulează local?
2. Ce dispozitive, limbi și stări fără internet trebuie acceptate?
3. Foundation Models sau un model Core ML existent îndeplinesc deja cerința?
4. Cât de mare este modelul după optimizare și când va fi descărcat și specializat?
5. Care sunt calitatea, timpul la prima și următoarele rulări, memoria, stocarea și energia măsurate pe cel mai vechi dispozitiv acceptat?
6. Ce rămâne determinist și ce se întâmplă când modelul lipsește, răspunde lent sau greșește?
7. Cum vor fi administrate versiunile modelului, licențele, informarea privind datele, seturile de evaluare și revenirea la o versiune anterioară?

Motivul solid pentru adoptarea Core AI nu este noutatea. Apple oferă un strat serios de distribuire pentru modele neurale proprii: un singur traseu de la conversia PyTorch până la inferența Swift, specializarea, cache-ul și profilarea pe dispozitiv.

Pentru aplicația potrivită, rezultatul poate fi inteligență privată, disponibilă fără internet și rapidă, fără operarea unui server de inferență. Pentru aplicația nepotrivită, poate însemna sute de megabytes, o primă rulare dificilă și o dependență probabilistică acolo unde codul obișnuit ar fi fost mai clar.

Munca de dinaintea lansării nu este, așadar, „adăugăm Core AI”. Este demonstrarea faptului că un model precis, pe o gamă documentată de dispozitive, îmbunătățește o sarcină valoroasă și păstrează o alternativă utilă.

Dacă analizezi o funcție AI locală pentru un produs pe iPhone, iPad sau Mac, spune-ne ce sarcină, ce date și ce gamă de dispozitive trebuie susținute. Te putem ajuta să transformi anunțul într-un prototip măsurat și într-o decizie realistă de distribuire.