WWDC26カウントダウン：Apple AIの深謀遠慮を査読済み論文から推す
その１・ベンチマークで比べても意味がない理由
「誰のため」の生成AIなのか？
「Gemma 4がiPhoneで動いた」「Llama 4がGPT-4o超えた」
そんなニュースに興奮していた時期が、私にもありました。
でも今、私は全く別のことを考えています。
私たちは「何が強いか」を議論しているが、「何のためのAIか」を重視していない。
ベンチマークが測っているもの、測っていないもの
生成AIの性能比較は、主にこういった指標で語られます。
・数学の問題を何問解けるか
・コードのバグを何件検出できるか
・要約の精度はどうか
これらは確かに重要です。でもアプリ開発者として考えると、ユーザーが日常的に使うAIに本当に必要なのは「数学オリンピックの問題を解く能力」でしょうか。
「賢さ」だけがAIの価値を決めるなら、スマートフォンのAIはすべてクラウドに任せればいい話です。それでも各社がオンデバイスAIに投資しているのは、「賢さ」以外の軸が存在するからです。
二つの問い
生成AIをめぐる議論は、実は二つの異なる問いが混在しています。
問い①「どれだけ強力なAIを作れるか」
これはGPT、Gemini、Claudeが競っている領域です。より大きなモデル、より多くのデータ、より高い精度。ベンチマークはこの問いへの答えを測っています。
問い②「AIが生活に溶け込むとき、何が必要か」
こちらはあまり議論されません。でも開発者として考えると、こちらのほうが本質的かもしれません。
毎日使うAIに求められるのは、数学オリンピックの解答能力より、自分のことを知っていて、自分のデータを外に出さないという安心感かもしれない。そう考えると、ベンチマークの順位は判断軸の一つに過ぎなくなります。
見落とされている立ち位置の違い
現在のAI競争を俯瞰すると、大きく二つのアプローチが見えてきます。
一つは「強力なモデルをできるだけ小さく圧縮してデバイスに載せる」方向性。Googleのアプローチがこれに近い。
もう一つは「デバイスの外にデータを出さないことを先に決めて、その制約の中で設計する」方向性。Appleのアプローチがこれに近い。
この違いは技術的な優劣ではありません。
何を最初に決めたか、という哲学の違いです。
関連する研究論文の例
Appleがこの方向性に本気で投資していることは、彼ら自身の研究論文から読み取れます。この記事、その１では、次の三つの研究論文からそれぞれが、Apple IntelligenceとUI/UXとどのように関わるかについて大胆に予想してみました。
１・Ferret-UI Lite（2026）
デバイス上でUIを操作するAIエージェントの研究「Ferret-UI Lite（2026）」
GUI画面とユーザー指示を入力とし、3BパラメータのLLMがChain-of-Thoughtを経て
Think・Type・Scroll・Act・Plan・Tapの六アクションを出力する。
下段のTraining PipelineにSFTとRLVRの二段階が明示されている。
Apple Intelligenceサイド：
これは三枚の中で最もSiriの「次の姿」に直結する図です。App Intentsを実装していないアプリでも、AIが画面を読んでボタンをタップできる可能性を示しています。Appleがアクセシビリティ技術の延長としてAIエージェントを位置づけている理由が、この図の構造から読み取れます。
UI/UXサイド：
「Amazonで水を注文して」「あのメールに返信して」——アプリを開かずに自然言語で完結する操作が広がります。開発者にとっては、App Intentsの設計品質がAIによる操作精度に直接影響する時代が来ます。UIは人間だけでなく、AIにとっても「読みやすい」設計が求められます。
２・MANZANO（2026）
マルチモーダルモデルの統合アーキテクチャを論じた研究
画像とテキストを一つのUnified Autoregressive LLM Decoderで統合処理する設計が特徴
理解（Understanding）と生成（Generation）が同一のデコーダーから出力される点に注目
Apple Intelligenceサイド：
画像を「見て理解する」と「生成する」を一つのモデルで担うことは、Image PlaygroundやGenmoji、写真の自動編集といったApple Intelligence機能の基盤になります。別々のモデルを使い分けるより、統合デコーダーのほうがデバイス上のメモリ効率が高い——オンデバイス制約への直接の回答です。
UI/UXサイド：
「この写真の背景を夕焼けに変えて」「この図をもとにスライドを作って」という指示が、アプリをまたがずにSiriへの一言で完結する体験が来ます。入力と出力の両方を一つのモデルが担うことで、アプリの境界が溶けていきます。いずれもオンデバイス展開を前提とした設計思想から生まれています。
３・ChipChat
音声AIのオンデバイス推論を実証した研究
Apple Intelligenceサイド：
このパイプラインはSiriの次世代設計と構造的に一致します。音声入力からMLXフレームワーク上のオンデバイスLLMへ、データがデバイスの外に出ることなく処理が完結する——これがAppleの「プライバシーを守りながら賢いSiri」の技術的裏付けです。
MLXフレームワーク上で低遅延の会話AIを実現しており、Appleのインフラ戦略の具体例として参照できます。
UI/UXサイド：
「Hey Siri」の応答が、クラウドの往復なしにリアルタイムで返ってくる時代が近づいています。飛行機内やトンネルの中でも、AIアシスタントが完全に機能する体験が現実になります。
これらはAppleのマーケティング資料ではなく、査読を経た研究論文です。だからこそ、この連載の根拠として使います。
なぜ今、この議論が必要か
生成AIはすでに「試してみる技術」から「毎日使う技術」に移行しつつあります。毎日使うということは、AIが自分のスケジュール、メッセージ、写真、健康データに触れるということです。その前提で考えると、「どれが一番賢いか」より「誰が自分のデータを持つのか」という問いのほうが、ユーザーにとってずっと切実かもしれません。
iOSアプリ開発者として、私たちはどちらのエコシステムの上でものを作るかを選んでいます。その選択の意味を、ベンチマーク以外の軸で考えてみる価値があると思っています。
次回予告
次回は、GoogleとAppleが「最初に何を決めたか」を具体的に比較します。設計思想の違いが、どう具体的な技術選択に現れているかを見ていきます。
参照論文（Apple Machine Learning Research）
この連載はAppleの公式研究論文を一次情報として使用しています。
本記事に関連する論文：
Ferret-UI Lite: Lessons from Building Small On-Device GUI Agents（2026）——デバイス上でUIを操作するAIエージェントの研究
MANZANO: A Simple and Scalable Unified Multimodal Model（2026）——Appleのマルチモーダル統合モデルアーキテクチャ
ChipChat: Low-Latency Cascaded Conversational Agent in MLX（2025）——MLXフレームワークを使ったオンデバイス音声AIの実証
連載全体の参照リスト（Apple MLリサーチページ）： machinelearning.apple.com/research
WWDC26の発表内容を受けて、補足する予定です。
MOSA Multi-OS Software Artists いけだじゅんじ
