
针对央视《新闻直播间》曝光“只要在苹果手机上使用软件、用户使用软件的时间地点都会被记录下来,甚至可以影响到整个国家经济形势乃至国家秘密”报道,苹果公司日前作出回应,称苹果手机的数据搜集功能所采集的数据仅存在单个设备本身,苹果公司不会攫取这些数据,而且苹果公司从未与任何政府机构在其产品上创建“后门”。
苹果针对CCTV报道作出及时回应,显然是为了安抚中国政府和中国市场用户,苹果CEO蒂姆·库克(Tim Cook)曾多次重申,中国市场是苹果公司继美国之后的第二大最重要市场。
在官方支持网站发表的一份声明中,苹果阐述了iPhone手机“常去地点”(Frequent Locations)功能的特点:“你的iPhone手机将追踪你最近经常光顾的一些地方,以及到这些地方的具体时间,目的是了解一些对你来说非常重要的位置信息。这些数据将仅仅保存在你的设备,不会未经同意发送给苹果公司。它将被用来向你提供个性化服务,比如预测交通线路。”
苹果在声明中强调,用户可以选择关闭该功能,并一再重申数据被保存在个人设备上而非苹果公司。“客户想要并期待我们的移动设备能够快速、可靠地确定当前位置,从而开展特定活动,比如购物、旅行,或者寻找最近的餐馆,或计算上班时间等等。从设备层面我们做到了这一点。苹果不追踪用户的位置——苹果从未这么做,也不打算这么做。”
苹果声明补充道,“‘常去地点’的位置数据只是存储在客户的iOS设备上,它们不会保存到iTunes或iCloud,而且这些数据是经过加密的。苹果不会获取或知晓用户的常去地点,这一功能可以通过隐私设置为‘关闭’状态。”
苹果最后在该声明中称,“苹果公司从未与任何国家的任何政府机构进行合作,试图在我们的任何产品或服务中创建‘后门’程序。我们也决不允许访问我们的服务器。并且永远也不会。对于苹果来说,这些是必需严格恪守的信条。”
苹果声明全文:
你的位置隐私
苹果非常注重致力于保护我们所有客户的隐私。从最早期的设计阶段开始,隐私保护就根植于我们的产品和服务。我们不懈努力工作,目的是为全球用户提供最安全的硬件和软件产品。不像其他许多公司那样,我们的业务并不依赖于收集我们大量客户的个人数据。我们郑重承诺,给予我们的客户清晰而透明的提示以及选择和控制信息,我们相信,苹果的产品以简洁明了的方式做到这一点。
我们非常感谢CCTV的努力,帮助我们对这一我们认为非常重要的话题向客户提供科普。我们要确保所有的中国用户能够清晰地了解:在涉及隐私和个人数据信息时,苹果做了哪些以及未作哪些。
“我们的客户想要并期待我们的移动设备能够快速、可靠地确定当前位置,从而开展特定活动,比如购物、旅行,或者寻找最近的餐馆,或计算上班时间等等。从设备层面我们做到了这一点。苹果不追踪用户的位置——苹果从未这么做,也不打算这么做。”
计算一个电话的位置,仅用GPS卫星数据的话可能需要几分钟时间,而iPhone通过预先储存的WLAN热点位置和信号发射塔位置数据,并结合当前正在接收的WLAN热点位置和信号发射塔信息,可将时间缩短至几秒钟。为实现该目标,苹果通过运行一个安全可靠的众包数据库,其中包含了通过数百万苹果设备所收集的发射塔和WLAN热点位置信息。但重点需要指出的是,在此收集过程中,苹果设备并未发送或传输与任一特定设备或定用户相关的数据。
苹果允许用户在所有苹果设备上控制定位数据的收集和使用。用户必须自主选择启用 “定位服务”,该功能不是默认设置。苹果不允许任何应用,在未预先弹出提示、并征得用户明确同意情况下,就擅自接收设备的定位信息。而且这一提示是强制性的,无法覆盖。如果用户改变主意,可通过简单切换“开启/关闭” 按钮,随时推出某一应用、服务的“定位服务”功能。当用户将某一应用或服务的定位功能切换成“关闭” 状态时,它就会停止收集数据。家长还可以使用“访问限制” 功能,以阻止孩子使用“定位服务”。
用户在使用iPhone了解交通状况时,iOS可以搜集到“常去地点”数据,并在“通知中心”的“今天”视图中显示交通信息,并在CarPlay中为你展示iOS自动规划线路。但“常去地点”信息仅存储在个人的iOS设备上,而且经过加密处理;它不会保存到iTunes或iCloud。苹果从不获取或了解某个用户的“常去地点”信息。这一功能可以通过隐私设置为‘关闭’状态。
苹果在任何时候都不会通过任一用户的iPhone手机去获取其“常去地点”或其定位服务数据缓存。我们通过用户密码对缓存进行了加密,避免了任何应用对其进行访问。为使用户获得更大透明度权益,用户成功输入个人密码后,能够看到其设备所收集的数据。一旦设备锁定、在未输入密码情况下,任何人无法查看这些信息。
正如此前我们曾经所说过的那样,苹果公司从未与任何国家的任何政府机构进行合作,试图在我们的任何产品或服务中创建‘后门’程序。我们也决不允许访问我们的服务器。并且永远也不会。对于苹果来说,这些是必需严格恪守的信条。”
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。