Apple не догоняет Google — она показывает, зачем гигантские модели вообще нужны

Обычная логика рынка проста: крупная модель обладает знаниями, длинным контекстом и вычислительным запасом, которые невозможно воспроизвести на телефоне. Google подчёркивает, что Gemini 1.5 Pro поддерживает контекст до 2 миллионов токенов. Apple, напротив, строит Apple Intelligence вокруг локальной модели примерно на 3 миллиарда параметров — масштаба, который можно запускать на совместимых устройствах, но который заведомо уступает облачным системам в широте возможностей.

Именно здесь появляется дистилляция. Большая модель выступает «учителем»: маленькая получает не её параметры, а примеры ответов, структуру рассуждений и способы следовать инструкциям. В исследовательских материалах Apple этот подход рассматривается как способ перенести полезное поведение мощной системы на модель, пригодную для локального запуска. Важная деталь: студенту не требуется воспроизводить весь интеллект учителя — ему достаточно научиться правильно решать выбранный набор задач.

Переворот рамки в том, что огромный Gemini может оказаться не неприступной крепостью, а фабрикой обучающих данных. Apple не обязана строить модель сопоставимого размера, оплачивать каждый запрос к ней или переносить её на iPhone целиком. Ей нужны тщательно отобранные ответы, проверка качества и дообучение компактной модели. Цена этого подхода — потеря универсальности: маленькая система хорошо имитирует известные сценарии, но не обязательно сохраняет неожиданные способности исходного учителя.

Это меняет и смысл конкуренции. Если знания можно извлекать через доступ к ответам, преимущество владельца закрытой модели постепенно смещается от самих параметров к контролю над инфраструктурой, данными и условиями использования. Google всё ещё владеет масштабом, контекстом и вычислениями. Но Apple показывает, что пользователю может быть нужен не весь Gemini, а лишь его сжатая версия — достаточно хорошая, быстрая и работающая без отправки запроса в облако.