מחקר של Apple מוזיל machine-unlearning ומציג את VICIS — benchmark חדש לחשיבה ויזואלית

קבוצת מחקר ה-machine-learning של Apple פרסמה השבוע שני מאמרים שמשקפים את המיקוד הייחודי שלה בפרטיות ויעילות. הראשון מאתגר הנחה נפוצה ב-machine unlearning — התהליך של הסרת ההשפעה של נתונים ספציפיים ממודל מאומן. במקום להתייחס לכל הנקודות ב'קבוצת השכחה' באופן שווה, השיטה של Apple מזהה נקודות עם השפעה זניחה על מה שהמודל למד, ומאפשרת להסירן בעלות חישובית נמוכה בהרבה. זה חשוב לציות בתחום הפרטיות, שבו משתמשים או רגולטורים עשויים לדרוש מחיקת נתונים ללא ההוצאה המונעת של אימון מחדש מלא.

המאמר השני מציג את VICIS (Visual Concept Inference from Sets), benchmark שבוחן אם מודלים של vision-language יכולים להסיק מושג משותף מקבוצת תמונות דוגמה ואז ליישם אותו על קלטים חדשים — סוג של visual in-context learning. חוקרי Apple מצאו שהמודלים הנוכחיים מתקשים להסיק מהקשר ויזואלי טהור, וחשפו פער אמיתי ב-multimodal reasoning שרוב ה-benchmarks (שנשענים על טקסט) מפספסים.

מבחינה תחרותית, זה קלאסי ל-Apple: במקום לרדוף אחר מרוץ הטריליון פרמטרים המוביל שדומיננטי בכותרות השבוע, היא מפרסמת מחקר ממוקד שמתיישר עם פרטיות על המכשיר ו-inference יעיל — אותה פילוסופיה שמאחורי Private Cloud Compute שלה וההסתמכות הסלקטיבית שלה על שותפים כמו Qwen בסין. עבודת ה-unlearning בפרט תומכת במיצוב הרגולטורי של Apple ככל שדרישות מחיקת הנתונים מתהדקות ברחבי העולם.

ההסתייגות היא שמאמרי מחקר אינם מוצרים שנשלחים, ומוניטין ה-AI היישומי של Apple עדיין מפגר באמינות Siri (אפילו עם השדרוגים של iOS 27). אך VICIS עשוי להפוך להערכה משפיעה אם הקהילה תאמץ אותו, ו-unlearning זול יותר רלוונטי ישירות ככל שחוקי הפרטיות מכריחים את כל התעשייה להפוך מודלים מאומנים לניתנים לשכחה. מה שכדאי לעקוב אחריו הוא אם הטכניקות האלה יופיעו ביכולות של Apple Intelligence.