見出し画像
Photo by himajin_33

Appleだけが全部持っている。——チップから開発者育成まで、AI時代の垂直統合を設計図から読む

野崎秀吾

ちょうどCEO交代というニュースが飛び込んできた日なので、少し見直そうかな、と思ったもののとりあえず自分なりに情報集めしていた記事なので予定通り公開。
Note再開した頃に書いた記事だが、M5 Max 128GBのMacBookでローカルLLMを動かし始めたとき、最初は「動くか動かないか」だけを考えていた。でも、しばらく使っていると、もう少し違う問いが浮かんできた。

なぜAppleのマシンだと、これほどスムーズにモデルが走るのか。

NVIDIAのGPUがなくても、42GBのモデルが手元で動く。MLXというフレームワークがApple Silicon向けに最適化されていて、llama.cppのバックエンドより明らかに速い。3月30日にはOllama 0.19プレビューがMLXをバックエンドとして採用し、M5系チップ上でプロンプト処理が1.6倍、応答生成が2倍に跳ね上がった——つまり、サードパーティの推論ランナーまでがAppleのフレームワークに乗り換え始めた。GitHubのMLXリポジトリには2.5万以上のスターがつき、週単位でコミュニティが育っている。Apple ML Researchは学術論文を公開して、ICML、ICLR、NeurIPSの主要学会にスポンサーとして参加している。

そこまで頭に入れてから、2026年3月26日のBloombergの記事を読んだ。AppleがiOS 27でSiriを競合AIアシスタントに開放する、という話だ。そういえば1月12日には、Google Geminiを次世代Siriの中枢モデルとして採用するという発表も出ていた。

ああ、そういうことか、と思った。

Appleは今、チップからフレームワーク、研究者育成、プラットフォーム設計、課金まで——AIに関わる全てのレイヤーを自分で持ちに行っている。例外はモデル層だ。ここは外から買う。他は全部、自分で敷く。これは偶然ではなく、設計だ。

この記事では、その設計図を一次情報から読み解く。

ただ、今の設計図だけを見ていては見えないものがある。ここに至るまでの15年間を先に見ておく必要があって、その中には「正しかった賭け」と「外れた賭け」の両方がある。

序章：15年間の布石（2010〜2022）

Appleが機械学習を「本気の経営課題」として扱い始めた時期を、一次情報から追うと2010年に行き着く。

2010年4月、AppleはSiriを買収した。価格は約2億ドルと報じられた。Siriはもともと、DARPA（米国防高等研究計画局）が資金提供したCALO（Cognitive Assistant that Learns and Organizes）プロジェクトからSRI Internationalが切り出したスタートアップだ。軍事研究由来の認知AIを、コンシューマー製品に転用しようとした最初の大きな賭けだった。

2011年10月、iPhone 4SとともにSiriが世界に出た。世界初の主要スマートフォン搭載音声アシスタントだ。

ここで重要なのは、このSiriが「クラウド処理前提」で設計されていたことだ。問いかけをサーバーに送り、処理して返す。端末側には知性が宿っていなかった。これはAppleの後の路線とは、正反対の出発点だった。

2015〜2016年：端末上のAIを目指した連続買収

2015年から2016年にかけて、Appleは立て続けに買収を行っている。VocalIQ（英国、より自然な音声処理を開発）、Perceptio（端末上での深層学習に特化）、Emotient（表情・感情認識AI）、そして2016年にはTuri（旧GraphLab）を約2億ドルで買収した。TuriはML開発者向けのプラットフォームで、Appleはこれを開発者支援ツールの基盤として使うことになる。

この時期の買収が示すベクターは明確だ。「端末の中でAIを動かす」という方向への集中投資だった。

同じ2016年、Appleはもう一つ重要な動きをしている。iOS 10で「差分プライバシー（Differential Privacy）」を大規模導入し、論文として公開した（Learning with Privacy at Scale）。この論文は、ユーザーのデータを端末上でランダム化してから集計することで、個人を特定できない形で行動パターンを学習できることを示した。絵文字の使用傾向、QuickTypeのキーボード予測、Spotlightの検索傾向——これらを数億台のデバイスから「プライバシーを守ったまま」学習する仕組みだ。

学術界での差分プライバシーの大規模実装として話題になったこの論文は、machinelearning.apple.comが公開した最初期の論文の一つでもある。Appleが研究を公開し始めたのはこの頃からだ。

2017年：Neural EngineとCore MLという「宣言」

2017年9月、A11 Bionic（iPhone X搭載）にApple初のNeural Engineが載った。2コア、毎秒600億回の演算性能。最初の用途はFace IDとAnimojiの処理だった。

同月のWWDC 2017で、Core MLが発表された。開発者が機械学習モデルをiOS/macOSアプリに組み込むためのフレームワークだ。

この2017年の動きは、Appleの戦略宣言として読める。「機械学習の処理は端末上で、専用ハードウェアで行う。クラウドに依存しない」。ChipとFrameworkをセットで出したことで、その意思が開発者に伝わった。

Core MLの設計哲学は一貫していた。汎用的な学習ではなく、「特定のタスクに最適化されたモデルを端末で高速に実行する」ことへの特化。画像認識、テキスト分類、音声認識——それぞれの専門モデルを端末に乗せて動かす、ナロウAI（Narrow AI）の思想だ。

2018年にはCore ML 2とCreate ML（開発者が自分でモデルを訓練できるツール）、2019年にはCore ML 3（端末上でのモデル更新に対応）と、毎年アップデートを重ねた。

2018年：Giannandreaの採用

2018年4月、AppleはGoogleからJohn Giannandreaを引き抜いた。GoogleでAI・機械学習・検索チームを8年間率いてきた人物だ。Tim Cookに直接報告する16名の幹部の一人として、Appleの「機械学習とAI戦略」全体を任された。

この採用は業界を驚かせた。GoogleのAIの要を引っこ抜いたのだから。

ただ、Giannandreaが持ち込んだ方向性は、Appleがすでに進んでいた路線——端末上での推論、プライバシー優先、タスク特化——と親和性が高かった。Googleでの経験（大規模な検索AI）より、Appleの文化（製品に密着した、制御されたAI）に合わせていく形になった。

2020年には、エッジAI特化のXnor.aiを約2億ドルで買収。端末上AIへの集中は続いた。

2020年11月、Apple Siliconへの移行（M1チップ）が始まった。このチップ設計にNeural Engineが組み込まれたことで、MacのML推論性能が一気に跳ね上がった。

地殻変動：中期の見立てが外れた場所

2022年11月30日、OpenAIがChatGPTを公開した。

この瞬間を境に、「AI」という言葉の意味が変わった。それまでAIといえば「特定のタスクをこなす道具」だったのが、「何でも話せる汎用的な対話相手」へと転換した。

Appleの2017〜2022年の全投資は、前者（Narrow AI）に最適化されていた。

SiriはFace IDのために顔を認識し、写真のために被写体を分類し、テキスト入力のために次の単語を予測する——そういう「特定タスクに特化した賢さ」を積み上げてきた。それとは根本的にアーキテクチャが違うLLM（大規模言語モデル）に対応するために、Appleは既存のSiriシステムとLLMを「統合しようとした」。

これが失敗した。

MacRumorsの報道によれば、Appleは2つのシステム——既存のコマンド処理系とLLMベースの対話系——を一つに統合しようとしたが、アーキテクチャが根本的に合わず、機能しなかった。結果として、ゼロから設計し直すことになった。

2024年のWWDC、Apple Intelligenceの発表時にアップルが約束したSiriの高度化機能が相次いで遅延した背景には、この「ゼロからの再設計」がある。

2025年3月、Tim CookがGiannandreaへの信頼を失い、Siri開発の管掌をMike Rockwellに移した（Apple Vision Proの立ち上げを率いた人物）、と複数メディアが報じた。以降、Siriチームの再編はVision Pro出身者を中心に進む。SiriエンジニアたちがAIコーディングのブートキャンプに送り込まれた、という話が9to5Macに出たのは今月15日のことだ。内部の温度がうかがえる。

2025年12月、Appleは正式にGiannandreaの退任と後任人事を発表した。次期AI担当VPは、Amar Subramanya。Googleで16年を過ごしGemini開発のエンジニアリング責任者を務め、短期間Microsoftに在籍した人物だ。報告先はソフトウェア担当のCraig Federighiに変わる。つまりAI戦略の主責任者は、Tim Cook直属の一人から、Craig Federighi傘下のVPへと「格下げ」された。

そして2026年4月15日、Giannandreaの最終株式ベスティング日を迎え、Appleを正式に去った。

8年間。GoogleからAppleのAI責任者として来た人物の退場は、「Narrow AIの時代の終わり」を象徴する出来事として記憶されるかもしれない。皮肉なのは、後継のSubramanyaもまたGoogleからの招聘であり、Appleが次に頼るモデルもまたGoogle（Gemini）だということだ。「中で作る」という前提が、人事とモデルの両側から崩れている。

何が正しくて、何が外れたか

ここで少し立ち止まって整理したい。Appleの中期戦略には「正しかった賭け」と「外れた賭け」が混在していた。

正しかった賭け：ハードウェア

Neural Engineの設計は正しかった。2017年に始まったA11の2コア（600億ops/sec）は、M5（2025年）に引き継がれ、LLM推論でM4比4倍の性能を出すに至っている。チップに推論専用の演算ユニットを組み込む思想は、GenerativeAIの時代に入ってむしろ効いてきた。

ハードウェアの賭けは、想定とは違うゲームで勝った。ChatGPTが普及してローカルLLMの需要が生まれたとき、Apple Siliconのアーキテクチャはすでに「それに向いた設計」になっていた。

正しかった賭け：プライバシー哲学

2016年の差分プライバシー論文から始まった「ユーザーデータを使わない」という思想も、正しかった。Foundation Models APIが開発者に無料で開放されたとき——その「コストゼロ」が実現できたのは、プライバシー優先の設計がインフラコストを下げたからでもある。ユーザーデータを蓄積・活用しないということは、そのためのデータパイプライン、ストレージ、処理基盤を持たなくていいということでもある。

外れた賭け：「Narrow AIで十分」という中期予測

タスク特化のモデルを端末で動かすことへの集中投資は、2022年に地殻変動が起きるまでは合理的だった。でも、LLMが「何でも答える汎用的な対話相手」として普及すると、「天気を教えてくれるSiri」と「何でも話せるChatGPT」の差は埋めがたいものになった。

ユーザーが求めていたのは「タスクを確実にこなすAI」ではなく、「曖昧な問いを受け止めて、考えてくれるAI」だった。この転換を、Appleは読みきれなかった。

ただ、読み直してみると、これはAppleだけの失敗ではない。2022年以前、GoogleもMicrosoftも、Narrow AIの積み上げに力を入れていた。GPT-3が登場した2020年の時点でも、業界の主流は「LLMは大きすぎて実用的ではない」という評価だった。ChatGPTが一気に普及するまで、誰もこの転換の速度を正確には読めていなかった。

Appleが他社より遅れたのは、その遅れ方がハードウェアの強さでは補えないレイヤー（ソフトウェア・モデルのアーキテクチャ）で起きたからだ。チップは流用できても、Siriの構造は流用できなかった。

現在：ハードウェアの土台の上でモデル層を「借りる」ことにした

今Appleが進めているのは、この教訓を踏まえた再設計だ。ただし、現在の姿は元の「自前フルスタック」ではなく、少し歪な形をしている。

端末上には〜3BパラメータのApple Foundation Model（速度・プライバシー優先）。その外側にPrivate Cloud Computeのサーバーモデル。そしてさらに外側、重いクエリと「世界知識」を扱う頭脳部分には、Google Geminiの1.2兆パラメータのカスタムモデルが入る。年間約10億ドルを支払ってライセンスする、とBloombergは報じた。加えてiOS 27のSiri Extensionsで、ユーザーはClaude、Copilot、Grok、Perplexityといった他社アシスタントも明示的に呼び出せるようになる。

つまり今のアーキテクチャは四層構造だ。オンデバイスの小型モデル、PCCの中型モデル、Gemini由来の巨大モデル（ただしApple Silicon上で、PCCの中で走る）、そしてExtensions経由の外部AI。

この姿を「敗北」と呼ぶ向きがある。筋は通る。自社モデルで世界最先端を目指すことは、事実上諦めたように見える。

けれどもう一つの読み方がある。Appleはモデル層を「商品」として扱い始めたのだ、という読み方だ。

チップ、OS、ストア、プライバシーインフラ、開発者API、課金——ここは自分で作る。コモディティ化の進むモデル層は、いちばん良いものを他所から買う。どこで価値が溜まるかを見極めて、そこだけを押さえる。垂直統合の定義を「全部作る」から「全部通る道を握る」に書き換えた、とも解釈できる。

どちらの読みが正しいかは、たぶん2027年にGeminiベースのSiriがどれだけ使われるかで決まる。

いずれにせよ、この再設計の中で、Appleが「自前で作り続ける」と決めたレイヤーの設計原理は以前よりむしろ先鋭化している。以下、下から順に見ていく。

第一層：チップ——ここが全部の起点だ

Appleが2025年10月に発表したM5チップのプレスリリースには、こんな数字が書いてある。

「M4と比較して、言語モデル推論のtime-to-first-tokenが最大4倍高速」。

4倍というのは、同じAppleの前世代チップとの比較だ。あまりに平然と書かれているので読み飛ばしそうになるが、少し立ち止まってほしい。1世代の更新で、言語モデルの初期応答速度が4倍になる。これはソフトウェアの最適化ではなく、シリコンの設計変更によるものだ。

M5に搭載されているNeural Acceleratorsは、GPUコアごとに推論専用の演算ユニットを配置する新設計だ。MLXのフレームワークと組み合わせることで、この数字を出す。ハードウェアとソフトウェアが同じ会社の設計の下にあるから、最適化できる。これがUnified Memory Architecture（UMA）という設計思想の核心だ。

従来のコンピュータは、CPUとGPUがそれぞれ別々のメモリを持っていた。データをCPUからGPUに渡すとき、バスを経由してコピーが発生する。このオーバーヘッドが推論の速度のボトルネックになっていた。AppleのM-seriesはCPU、GPU、Neural Engine、メモリコントローラーが物理的に同一のメモリプールを共有する。コピーがいらない。

40Bから80Bクラスのモデルを動かすとき、ボトルネックはGPU演算の速度ではなく、メモリ帯域だ。モデルウェイトを毎トークン読み出すのに時間がかかる。Appleのアーキテクチャはここに効く。128GBのUnified Memoryを持つM5 Maxなら、42GBのモデルをVRAMの制約なく展開できる。NVIDIAのRTX 4090が持つVRAMは24GB。同じ土俵では戦っていない。

ただ、Appleがデータセンター向けのGPU市場でNVIDIAと競合しているわけではない。NVIDIAのH100/H200は大規模なモデル訓練と、エンタープライズ推論インフラの世界にある。AppleのM-seriesは、デバイス上の推論と、個人・中小規模の開発者のローカル実行に特化している。

ここで重要なのは、Appleが「別の市場を作った」ということだ。

クラウドAPIに毎月課金し続けるのではなく、自分のマシンで推論を回す選択肢。プライバシーが守られ、オフラインでも動き、試行錯誤のコストがゼロになる環境。その市場を、UMAというハードウェア設計で作り出した。

第二層：MLX——なぜオープンソースにするのか

MLXのGitHubリポジトリには、2026年4月時点で25,100以上のスターがついている。Appleがオープンソースとしてリリースしたのは2023年末だ。2年半弱でこの数字に達した。

先月30日、Ollamaが公式リリース0.19でバックエンドをMLXに切り替えた。プロンプト処理が1.6倍、応答生成が2倍。M5 MaxでAlibaba Qwen3.5の35Bモデルを回したとき、プレフィルは1,154から1,810 tok/s、デコードは58から112 tok/sになったと公式ブログにある。Ollamaは数十万のMacユーザーに使われているローカル推論ランナーだ。そのランナーが自前のバックエンドを捨ててMLXに乗り換えたというのは、エコシステムの中心が動いたことを意味する。

WWDC 2025では、MLXに関するセッションが3本組まれた。「Get started with MLX for Apple silicon」「Explore LLM on Apple silicon with MLX」、そして「Exploring LLMs with MLX and the Neural Accelerators in the M5 GPU」。これはAppleが公式にMLXをエコシステムの中心に据えたことを意味する。

なぜAppleはMLXをオープンソースにしたのか。これは少し考えると面白い問いだ。

Appleはハードウェアで収益を上げる会社だ。フレームワークを公開することで、Apple Siliconの上でAIを動かしたい開発者が増える。開発者が増えれば、MacやiPadの購入動機が強まる。MicrosoftがWindowsをPCメーカーに無料でライセンスしてPCの普及を促したのと、構造としては似ている。ただし、Appleの場合はハードウェア自体を自分で作っている。

もう一つの動機は、ソフトウェアの品質への間接的な影響だ。MLXがオープンソースで開発者に使われることで、バグ報告・パフォーマンス改善・新機能の要望が集まる。Appleのエンジニアが全部自分でやるより、コミュニティが育てる。しかもAppleにとってのコアコンピタンス（シリコン設計）は非公開のまま保てる。

コミュニティに「育ててもらう」設計だ。

実際、MLX-VLMやOnyxといった拡張は、Appleの開発者ではないコミュニティメンバーが中心になって開発されている。MLX自体はAppleのエンジニアによって保守されているが、エコシステム全体の拡張はコミュニティが担っている。

さらに2025年のWWDC時点で、MLXはApple SiliconだけでなくNVIDIA CUDAのGPUにも対応を始めている。この動きは興味深い。Appleのフレームワークでありながら、他社のハードウェアでも使えるようにする。開発者がMLXに慣れれば、推論の本番環境としてApple Siliconを選ぶ可能性が上がる。

第三層：Apple ML Research——研究者を「育てる」ということ

machinelearning.apple.comというドメインが存在する。Appleの機械学習研究の公式ページだ。

ここには論文のアーカイブと、学会参加の報告がある。ICML 2025（バンクーバー）、ICLR 2025、NeurIPS 2025、そして2026年のCHI（コンピューター・ヒューマン・インタラクションの主要学会）への参加が記録されている。いずれもAppleがインダストリースポンサーとして参加しており、自社研究者が論文を発表している。

一般的な「テック企業が学会に出る」という話ではなく、これがAppleの人材戦略と繋がっているという点を押さえておきたい。

ML分野のトップ研究者は、論文を出せる環境を求めている。GoogleもMeta AI Researchも、論文を公開することで「うちは研究者が成果を出せる場所だ」というシグナルを市場に送っている。Appleは長らくこの競争に参加していなかった。製品の秘密主義が研究の公開と相性が悪かった。

2016年ごろから少しずつ変わり始め、今は積極的に論文を公開している。Foundation Models Tech Report（2025年版）では、Apple Intelligenceを支えるモデルの構造（〜3Bパラメータのオンデバイスモデルと、PT-MoEアーキテクチャのサーバーモデル）を技術的に詳細に開示した。これは研究者コミュニティへのシグナルだ。「Appleにいても論文を出せる。技術的な挑戦がある」というメッセージ。

研究者を引き寄せる → 研究の質が上がる → モデルが良くなる → デバイスの価値が上がる。この連鎖を支える投資として、学会スポンサーシップと論文公開がある。

論文を公開することで採用競争を戦うというのは、研究者への正直な賞賛の形でもある気がする。「あなたたちの仕事を隠さない」という宣言として。

ただ、ここには一つの緊張がある。Geminiへの依存が深まる中で、社内研究者たちが「自分の仕事は何に接続されるのか」を見失うリスクだ。Subramanyaの担当範囲が「Apple Foundation Models、ML Research、AI Safety and Evaluation」に再整理されたのは、この緊張に答える人事設計とも読める。社内モデルの開発を止めたわけではなく、研究層は維持する。外部モデルへの依存は「今の」アーキテクチャの選択であり、「永続的な」アイデンティティではない、というシグナルだ。

第四層：プライバシーを武器にする——逆転の設計

Apple Intelligenceを説明するときに欠かせないのが、Private Cloud Compute（PCC）という概念だ。

Appleのセキュリティリサーチブログには、こう書いてある。「PCCのサーバーに送られたデータは、要求を処理した後に保持されない。Appleを含め、誰もアクセスできない」。

これは技術的な約束ではあるが、同時にビジネス的な約束でもある。

GoogleやOpenAIのモデルは、ユーザーの入力データを使って継続的にモデルを改善する設計が基本にある（オプトアウトの仕組みはあるが）。Appleは根本的に異なる立場を取った。「訓練データにユーザーの個人データを使わない」という約束を、製品のコアポジションにした。

これは単なるマーケティングではなく、アーキテクチャに込められている。PCCのサーバーはApple Siliconで動いており、Secure Enclaveの仕組みが組み込まれている。処理はインメモリで完結し、ストレージには残らない。エンドツーエンドの暗号化が、ユーザーのデバイスとPCCノードの間で成立している。外部のセキュリティ研究者が検証できるVirtual Research Environment（VRE）まで用意されている。

興味深いのは、Geminiをライセンス導入しても、この約束がほどけないように設計されている点だ。Appleの説明によれば、Gemini由来のカスタムモデルはApple Silicon上で、PCCのエンクレーブ内で動く。ユーザーのクエリはGoogleに渡らない。モデルは借りたが、推論環境は自前。プライバシー契約の相手はAppleのままだ——これが出せれば、ユーザーから見た「Apple Intelligence」の意味はほとんど変わらない。出せなければ、ブランドは漏れる。

この設計の面白いところは、プライバシーを守ることがAppleの「コスト削減」にもなっている点だ。

OpenAIやGoogleは、ユーザーデータを大規模に蓄積・活用することでモデルを改善し続けるサイクルを回している。そのためのインフラコストは膨大だ。Appleはそのサイクルに乗らない。代わりに、デバイス上とPCCという二層の推論環境を用意し、ユーザーデータに頼らない改善サイクル（論文、合成データ、研究開発、そしてGeminiからの更新）を選んだ。

WWDC 2025では、Foundation Models Frameworkをサードパーティ開発者に開放した。〜3Bパラメータのオンデバイスモデルを、外部のアプリから直接呼び出せる。しかもAPIコストはゼロだ。処理がデバイス上で完結するから、インフラコストが発生しない。

これは開発者にとって非常に魅力的な条件だ。OpenAIのAPIを使うなら、トークン単位で課金が発生する。Anthropicも同じ。でもAppleのFoundation Models APIなら、推論コストがかからない。デバイスを持っているユーザーが既に払っているから。

開発者を引き寄せ、プラットフォームの上でアプリを増やす。これもまた、垂直統合の一環だ。

第五層：開発者層——Xcodeと、25億の行き先

前の層で「Foundation Models APIはコストゼロ」と書いた。ここで一歩踏み込む。開発者を引き寄せるもう一つの設計を、Appleは最近になって完成させた。

WWDC 2025で、Xcode 26が発表された。開発者向けのIDE（統合開発環境）だ。目玉のひとつがIntelligence設定で、OpenAIのGPT-5に加えてAnthropicのClaude Sonnet 4がネイティブで使えるようになった。ChatGPTだけだった連携を、複数モデル対応に広げた——これが8月のBeta 7時点の姿だった。

そして2026年2月26日、Xcode 26.3がリリースされた。ここで話が変わる。

Xcode 26.3は、Anthropicの「Claude Agent SDK」と、OpenAIの「Codex」をネイティブに統合した。Claude Codeの機能——サブエージェント、バックグラウンドタスク、プラグイン——が、IDEを離れずに全部使える。さらにClaudeがXcode Previewsを「見る」ことができる。自分が書いたSwiftUIのコードが実機でどう描画されるかをキャプチャして、見た目の問題を発見して、直す。プロジェクトのファイル構造を丸ごと読んで、どこを変えるべきかを理解してから書き始める。Apple Developerのドキュメントを自分で検索する。必要なら完了まで回し切る。Apple Newsroomの発表文は、このスタイルを「agentic coding」と呼んでいる。

Xcode 26.3はその能力をModel Context Protocol（MCP）経由でも公開している。Anthropicが策定した開放的なプロトコルだ。Appleが自社のIDE機能を他社規格に合わせて出したというのは、これまでの「囲い込み」イメージからすると異例の動きで、MCPがIDE連携の事実上の標準になりつつあることをAppleも認めた、と読める。

ここで効いてくるのが、Apple Silicon上で動く開発環境が1つだということだ。

Xcodeで書いたコードは、同じビルド設定でiPhone、iPad、Apple Watch、Apple TV、Mac、そしてApple Vision Pro向けにコンパイルできる。SwiftUIで書けば、ほとんどのUIは各デバイスに自動で適応する。個人開発者が週末に作った小さなアプリが、その気になれば翌週には同じコードベースから5種類のプラットフォーム向けに出せる。私自身、Claude支援でSwiftUIを触っていて「あきれるほど簡単に動いた」という経験をしている——自分が欲しいと思った機能を、自分で追加できてしまう。この身体感覚は、M5 MaxでローカルLLMを動かしたときの驚きと、別方向からやってきた同じ質の驚きだった。

そして、作ったものの「行き先」が25億台ある。

2026年1月29日のApple第1四半期決算で、Tim Cookはアクティブデバイス数が25億台を超えたことを明らかにした。前年の23.5億から1.5億台の増加。iPhoneが圧倒的な主力で、iPad、Mac、Apple Watch、AirPods、Apple TV、そしてVision Proが続く。Servicesの売上も四半期として過去最高を更新した。この25億という数字は、世界のスマホ・タブレット・時計・パソコン・VRヘッドセットを足し合わせた中で、Appleブランドが占めるアクティブな母数だ。

開発者からすると、この25億台は「単一のSDK、単一のApp Store、単一の課金基盤」で届く。AndroidにもGoogle Playがあるが、Android生態系はサムスン・シャオミ・OPPO・Pixelに分散し、デバイスクラスも統一されていない。Appleは一社で、ハードウェア・OS・開発環境・AIコーディング支援・配布チャネル・課金インフラまで持っている。

Xcode 26.3はこの垂直統合の、最後のピースを埋めた。開発者が書く側のAI支援と、エンドユーザーに届ける側のAI機能が、同じ一枚の図の上に乗った。

第六層：iOS 27 Siri Extensions——AIの「入口」を持つ

2026年3月26日のBloombergの記事に戻ろう。

「AppleがiOS 27で、SiriをClaude、Gemini、Copilot、Grok、Perplexityを含む複数のAIアシスタントに開放する」という内容だ。iOS 18から始まったOpenAIとの独占的な連携を解除し、Extensionsというしくみで競合AIも呼べるようにする。発表の場は6月8日から始まるWWDC 2026だ。4月16日には開発者がAppleのコードから新機能（栄養ラベルのVisual Intelligence読み取り、名刺からの連絡先自動追加など）を見つけ出しており、実装は進んでいる。

同時にiOS 27には、ホーム画面に置ける専用の「Siri」アプリが加わる。過去の会話履歴を保持し、テキストと音声の両方で対話できる。App Storeには「Siri用AI Extensions」のセクションが用意され、ユーザーがどのAIアシスタントをデフォルトにするかを選ぶ仕組みになるという。

これを「Appleがアシスタント競争で敗れた」と読む向きもある。IBTimesは「Apple Admits AI Defeat」という見出しをつけた。

でも、もう少し立ち止まってほしい。

Appleがこの変更で何を失うかより、何を得るかを考える。ユーザーがSiri経由でClaudeやPerplexityを呼んだとき、それはApp Storeを通じたサブスクリプション購入として処理される。App Storeの標準的なコミッション率は30%だ。つまり、競合AIのサービスが売れるたびに、Appleが課金できる。

implicator.aiはこの動きを的確に表現している。「これはAI戦略ではなく、分配戦略だ」。

SiriをAIアシスタント間の「ルーティングレイヤー」にする。ユーザーがどのAIを選んでも、その入口をAppleが持っている。これをずるいと見るか、プラットフォームの必然と見るかは、難しい。電話の通信を通信キャリアが課金するのと同じ構造だと言えば合理的に聞こえるし、「他社の努力に乗っかる」と言えば批判もできる。たぶん両方正しい。

ともかく、設計としては一貫している。Appleはプラットフォームを提供し、その上で誰がAIの覇権を取っても、トランザクションの手数料を受け取れる。

これはAppleがAIモデルで世界一にならなくてもいいということを、設計上認めていることを意味する。そしてGeminiライセンス契約は、その認識の最終形だ——世界一のモデルを作るのではなく、世界一のモデルを借りる。

次の入口：スマートグラスという「第七層」の予告

4月12日のBloombergは、Appleが4種類のデザイン（いずれもアセテート素材の高級志向）でスマートグラスをテストしている、と報じた。年内発表、2027年春〜夏の発売を狙う。ペンダント型デバイスやカメラ内蔵AirPodsの開発も進んでおり、いずれもSiriを中心に設計されている。

このタイミングは示唆的だ。SiriがGemini由来のLLMに切り替わり、Extensionsで他社AIも呼べるようになった直後に、新しい「入口」のハードウェアを出す。iPhone以外にもう一本、AIへのアクセスチャネルを作る。

音声とビジュアルで世界に問いを投げる窓口を、Appleが持つ。そこを通る問いはApple Silicon上で処理され、Apple製のSiriアプリで捌かれ、答えはGeminiかClaudeかOpenAIか、いずれにせよAppleが用意したExtensions経由で届く。書く側の開発者はXcode 26.3上でClaudeに助けてもらいながら、そのスマートグラス向けのアプリを、iPhone/iPad/Watchと同じコードベースから派生させられる。

第七層は、まだ完成していない。でも設計図には、もう入っている。

全部持っていることの意味——設計図の全体像

ここまで読んでもらえれば、Appleの全体像が見えてくると思う。

チップ（Apple Silicon、Unified Memory Architecture）→ フレームワーク（MLX、オープンソースでコミュニティを育てる。Ollamaまでが乗り換えた）→ 研究（Apple ML Research、学会スポンサーで研究者を引き寄せる）→ モデル（オンデバイス3B + PCC上のGemini由来1.2Tカスタムモデル）→ プライバシーインフラ（Private Cloud Compute）→ 開発者（Foundation Models APIコストゼロ + Xcode 26.3でClaude AgentとCodexをネイティブ統合、MCP対応）→ 配布（25億台のアクティブデバイス × 単一のApp Store × iOS 27 Siri Extensions、コミッション30%）→ 新しい入口（スマートグラス、ペンダント、カメラ内蔵AirPods）。

モデル層だけは他社から買う。それ以外は全部自前だ。

この連鎖を全部自分で持っている会社は、他にない。

NVIDIAはチップとCUDAエコシステムを持つ。ただOSもアプリストアも持たない。Googleはもう少し多面的で、モデル（Gemini）、検索、クラウド、Android、Pixel、YouTube、Workspace、Chromeと攻めている戦線が多い。ただし各戦線で垂直統合が浅い。PixelはiPhoneに比べて市場シェアが小さく、Android生態系はサムスン・シャオミ・OPPOなど多数のメーカーに分散している。全方位に広く攻めるGoogleと、戦線を絞って一本深く掘るApple。経営スタイルの違いであって、どちらが「正しい」かは今の時点では断言できない。ただ、AIが通る道の「密度」で測るなら、Appleの一本は誰にも真似ができていない。Microsoftはクラウド（Azure）とCopilot、GitHubやVS CodeというDeveloper Toolsを持つが、シリコンは自社設計ではない。Metaは大規模なLlama研究とFacebook/Instagramという配布網を持つが、ハードウェアはQuestシリーズとRay-Ban Metaに限定される。

OpenAIはモデルで最先端を走っているが、チップもOSもアプリストアも持たない。推論コストはMicrosoftのAzureに依存している。

Appleは最先端のモデルを自社で作っていない。Foundation Modelsは〜3Bパラメータで、GPT-5やGemini 3には遠く及ばない。最前線のモデル性能は、今やGoogleから借りている。研究の出力で見れば、DeepMindやGoogle Brainには数年単位で遅れている。

でも、それが「敗北」を意味するかというと、違う気がする。

Appleが設計しているのは「最強のAI」ではなく「AIが全部通る道」だ。ユーザーがAppleデバイスを使っている限り、どのAIサービスを選んでも、Appleのシリコンの上で動き、Appleのフレームワークで処理され、App Storeを通じて課金される。その道を、チップの設計から始めて一つ一つ石を敷いてきた。

最後に——これを「AI企業」と呼ぶかどうか

2026年のAppleを「AI企業」と呼ぶのは、たぶん正確ではない。

ハードウェアの会社が、AIの波に対応してレイヤーを積み重ねた——そのほうが実態に近い。ただ、その積み重ね方が、他のどの会社よりも構造的に一貫している。

仮説をひとつ置いておきたい。Geminiライセンスは「永続的な依存」ではなく「時間を買う契約」ではないか。年10億ドルは、Subramanya体制下で社内モデルを再設計し、次のM系チップとNeural Engineに合わせて最適化するまでの猶予期間に払う保険料だ。2〜3年後、自社モデルが追いつく目処が立てば、Gemini契約の更新は細る。その時までに、分配レイヤー（Siri Extensions、App Store、スマートグラス）を盤石にしておく。

この読みが正しければ、今のAppleは「敗北して他人の頭脳を借りた」のではなく、「自分で作らなくていいと判断した間だけ借りている」だけだ。間違っていれば、Geminiへの依存は構造化し、Appleは永久にモデル層の下請けにロックされる。

どちらなのかは、おそらく2027〜2028年の決算資料と、M6世代のNeural Engineのスペック開示で判別できる。「Geminiより安く、速く、プライバシーも守れる自社モデル」を出せるかどうか。それが、この仮説の検証ポイントになる。

もうひとつ、この記事を書きながら気づいたことがある。M5 Maxで42GBモデルを動かしたときの驚きは、個人の道具としての驚きだった。それだけなら「Macが速くなった」で終わる。でも、その驚きをビジネスの設計として成立させているのは、ローカル推論が動くMacではなく、iPhoneを中心とする25億台のアクティブデバイスだ。Siri ExtensionsのApp Store 30%コミッション経済が成立するのも、Foundation Models APIをコストゼロで開発者に配れるのも、Xcode + Claudeで作ったアプリを週末で5プラットフォーム向けに出せるのも、配布層がそれだけの規模を持っているからだ。Macだけでは成立しない。iPhone（とその兄弟デバイス）があるから成立している。

M5 MaxでローカルLLMを動かして面白かったのは、推論の速さや使い勝手だけじゃなくて、その裏側にある設計の密度を感じたからだと思う。シリコン→フレームワーク→開発者→配布→課金というサイクルが、一本の連鎖として繋がっている。どこか一つが抜けたら動かない。でも全部揃っているから、強い。

iOS 27でSiriがClaudeを呼べるようになっても、Geminiで答えてくれるようになっても、その先のレイヤーはAppleが持っている。

「全部持っていること」の強さは、そこにある。

いまは、その途中だ。

参考一次情報

以下、各ソースは「タイトル — 媒体（日付）」「URL」「要点」の3行で示す。

序章（歴史的経緯）

  • Learning with Privacy at Scale — Apple Machine Learning Research（2017年12月）
    URL: https://machinelearning.apple.com/research/learning-with-privacy-at-scale
    要点: iOS 10で導入された差分プライバシー実装の大規模展開を解説した論文。絵文字頻度・QuickType・Safariなどで数億台からプライバシー保護付きで学習する仕組みをCMS/HCMS/SFPアルゴリズムで実現。

  • Differential Privacy Overview — Apple（2017）
    URL: https://www.apple.com/privacy/docs/Differential_Privacy_Overview.pdf
    要点: Appleが差分プライバシーをどう適用しているかを一般向けに説明した公式ドキュメント。ノイズ付加の数理基盤を概説。

Giannandrea退任・Siri再編・新体制

Google Gemini パートナーシップ

現在のアーキテクチャ・チップ・フレームワーク

プライバシー・PCC

  • Private Cloud Compute: A new frontier for AI privacy in the cloud — Apple Security Research
    URL: https://security.apple.com/blog/private-cloud-compute/
    要点: PCCの設計原則と「Appleを含め誰もユーザーデータにアクセスできない」という公約。Apple Silicon、Secure Enclave、end-to-end暗号化の組み合わせ。

  • Security research on Private Cloud Compute — Apple Security Research（2024年10月24日）
    URL: https://security.apple.com/blog/pcc-security-research/
    要点: 外部研究者にVRE（Virtual Research Environment）とソースコードの一部を公開。Security Bountyを拡張しPCC脆弱性に報奨を設定。

iOS 27 / Siri Extensions / スマートグラス

開発者層（Xcode + Claude）・アクティブデバイス数

いいなと思ったら応援しよう！

野崎秀吾 Tokyo WFH Radioという新しく生まれた可処分時間を使って何かに取り組むプロジェクトもやっておりますので、ご興味お持ち頂けたら是非！