
大多数iPhone用户其实不清楚苹果的另一张脸。
但在这背后,苹果还有另一副面孔,那就是「广告商」——而且这部分业务的占比还在不断扩大。
最近几个月,苹果在广告业务上又有新动作:
目前尚不清楚这些广告将采用何种形式,是类似YouTube上的贴片广告,还是传统电视插播类广告。

谷歌和Facebook已经先后在这块市场上赚得盆满钵满,所以苹果想要插一脚进来也完全合乎逻辑。”
市场研究公司Insider Intelligence估计,苹果每年通过广告拿到的收入也已经有40亿美元。
苹果CEO库克之前还曾明确强调,广告驱动的商业模式在本质上属于对隐私的侵犯,这话大概率是在嘲讽谷歌和Meta。
有第三方机构估计称,苹果的ATT让Meta大约损失了130亿美元的广告收入。德国监管机构正在调查此功能是否有潜在的反竞争影响,毕竟苹果的个性化广告(仍然可以根据用户的年龄和性别进行定向投放)不受相关规则的约束。
“用户的数据属于他们自己,应该由他们自己决定是否分享数据、与谁分享。”ATT规则同样适用于包括苹果在内的所有开发者,而且该公司“从不追踪用户”。
Insider Intelligence预测主管Peter Newman指出,“广告肯定会成为苹果业务中的重要组成部分,苹果希望大幅降低对纯硬件销售的依赖。”
Newman指出,Apple Music和Apple TV+等月度订阅服务可以轻松容纳广告业务。另外,苹果公司的视频流媒体服务也值得关注,毕竟在Netflix也推出广告弹窗之后,苹果已经是目前唯一不设广告的主要视频流服务商之一。(今年4月,苹果曾签署一项协议,计划通过流媒体服务在美国职业棒球大联盟<MLB,Major League Baseball>的节目中投放广告。不过这些广告由MLB销售,苹果并未亲自参与。)
1150亿美元位列第二。
不过一直有传言称,苹果正在开发用于替代谷歌搜索的引擎产品,如果真是这样,那这个项目也许会带来利润丰厚的广告新机遇。
投资银行Evercore ISI估计,到2026年,苹果的广告业务将达到300亿美元,大致相当于2021年iPad的销售额,接近该公司服务收入的一半。
广告技术工程经理的招聘广告提到,苹果公司“具有复杂且不断增长的平台需求,努力向消费者提供高度优化的广告内容”。而根据英国《金融时报》对LinkedIn数据的分析,截至今年9月,苹果的广告平台只有约250名员工,职位列表显示,苹果计划将这个数字提升近一倍。
在今年4月发表了一项研究,结论认为,ATT并不存在打压互联网广告商、遏制竞争对手开展业务的情况。
当然,也有一部分企业跟苹果认真磋商,也因此拿到了更优惠的抽成比例。
“苹果用户向来既忠诚又宽容,但如果真的在这个底线问题上做出试探,不知道用户还能不能接受苹果的这种「冒犯」。”
[编者按] 海外来电是科技行者旗下编译团队,聚焦海外新技术、新观点、新风向。
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。