官宣！阿里巴巴确定与苹果合作，为中国iPhone提供AI

　　今天凌晨，路透社消息，阿里巴巴确定与苹果合作，为中国iPhone提供AI服务。

　　同时，阿里巴巴集团董事会主席蔡崇信，在迪拜举行的世界政府峰会上，也亲口确定了该消息。阿里巴巴股票大涨8%，创三年以来新高。

　　蔡崇信表示，由于监管等问题，苹果需要寻找一个中国本土的科技企业进行合作，为其手机提供服务。苹果一直非常谨慎、严格，他们与中国的多家科技公司进行了谈判，最终选择了我们。

　　此前，苹果曾找过百度以及爆火的DeepSeek，但由于技术等原因最终放弃转向阿里巴巴。

　　阿里巴巴作为国内最大互联网公司之一，在云计算、大数据、AI等领域有着深厚的积累和技术优势。其自研的Qwen系列多模态大模型，是全球下载和使用量最高的开源模型之一，在电商、翻译、智能客服、物流、语音助手、监控等场景中表现非常出色。

　　在智能语音交互方面，阿里巴巴发布的Qwen2-Audio语音模型对中文语义理解的深度优化和准确率，可以强化苹果的Siri助手，能实现更精准、更智能的语音交互。用户可以通过简单的语音指令，让Siri完成查询信息、购物下单、设备控制等复杂操作。

　　Qwen2-Audio使用了阿里自研的大模型Qwen-7B作为语言模型，能根据输入的音频和文本数据生成相应的文本输出。主要与音频模块协同工作，实现对音频信息的理解和处理。

　　当音频编码器对输入的音频信号进行特征提取后，这些特征会与之前的文本序列一起输入到大语言模型中，会对这些信息进行综合分析，理解音频中所包含的语言内容和语义信息。

　　例如，如果输入的音频是一段对话，大语言模型会尝试理解对话的主题、参与者的意图以及情感倾向等。

　　在生成文本输出时，大语言模型会根据对输入信息的理解，通过其所学到的语言知识和模式，生成准确的文本回复。

　　此外，Qwen2-Audio采用了16kHz的采样频率，并将原始波形转化为128通道的mel谱图，通过25ms窗口大小和10ms跳帧，确保了音频特征的时间分辨率与频谱信息的完整性。

　　在手机交互方面，阿里巴巴前不久发布的视觉多模态大模型Qwen2.5-VL，可以作为一个视觉 Agent来自动化操作电脑、手机。例如，根据你的行程日期，自动帮你预订飞机票。

　　此外，Qwen2.5-VL还能理解超过1小时的长视频，并且能定位特定时间点发生的事件。例如，在安防领域，能快速定位到有人闯入、火灾发生等关键事件的视频片段，可极大节省审阅视频的时间。

　　同时Qwen2.5-VL也增强了其通用图像识别能力，大幅扩大了可识别的图像类别量级。不仅包括植物、动物、著名山川的地标，还包括影视作品中的IP以及各种各样的商品。

　　精准的视觉定位，Qwen2.5-VL 采用矩形框和点的多样化方式对通用物体定位，可以实现层级化定位和规范的 JSON 格式输出。这也为复杂场景中的视觉 Agent 进行理解和推理任务提供了强大基础。

　　超长的视频理解能力，Qwen2.5-VL 升级了视频理解能力，通过动态帧率(FPS)训练和绝对时间编码技术，能理解超长视频，定位秒级事件，还能在长视频中搜索具体事件、总结不同时段要点，帮用户快速提取关键信息。