Core AI to nowy framework Apple do uruchamiania własnych modeli AI bezpośrednio na iPhonie, iPadzie i Macu, dostępny od iOS 27. Wyjaśniamy, czym różni się od Core ML i Foundation Models, co zmienia w kosztach i ochronie danych oraz kiedy lepiej zostać przy modelu w chmurze.
CEO
11 wrz 2026
Aplikacja dla serwisantów ma nową pozycję na liście życzeń: technik robi zdjęcie tabliczki znamionowej, a telefon sam odczytuje model urządzenia, numer seryjny i podpowiada najczęstsze usterki. Pierwsza wycena zakłada wysyłanie zdjęć do modelu w chmurze i opłatę za każde zapytanie. Druga - uruchomienie modelu na samym telefonie. Na iPhonie ta druga droga długo oznaczała sporo ręcznej pracy, bo narzędzia Apple projektowano z myślą o starszej generacji uczenia maszynowego. Od premiery iOS 27 14 września 2026 r. ma ją ułatwić Core AI od Apple.
Core AI to framework, czyli gotowy zestaw bibliotek i narzędzi dla programistów, służący do uruchamiania własnych modeli AI bezpośrednio na iPhonie, iPadzie i Macu. Apple pokazało go na WWDC w czerwcu 2026 r. i przedstawia jako silnik, na którym działa Apple Intelligence. Teraz ten sam silnik dostają twórcy aplikacji, a wraz z aktualizacją systemu trafia on na telefony użytkowników.
Poniżej wyjaśniamy, czym Core AI różni się od Core ML i Foundation Models, co zmienia w kosztach i ochronie danych, a kiedy nie ma sensu. Piszemy jako software house, który tworzy aplikacje mobilne na iOS i Androida i wdraża rozwiązania oparte na AI. Dlatego mniej interesuje nas sama nowinka, a bardziej to, co oznacza dla budżetu i architektury produktu.
Core AI to framework do inferencji. Inferencja to uruchamianie gotowego, wytrenowanego modelu na nowych danych: model dostaje zdjęcie, nagranie albo tekst i zwraca wynik. Trenowania Core AI nie obsługuje. Zakłada, że model już istnieje, na przykład jako otwarty model udostępniony w internecie albo sieć przygotowana przez zespół data science. Apple miało do tego wcześniej Core ML, obecny w systemach od 2017 r. Sprawdzał się przy klasyfikacji zdjęć czy rozpoznawaniu tekstu, ale powstał, zanim duże modele językowe (LLM) i architektura transformerów zdominowały branżę. Uruchamianie takich modeli na iPhonie wymagało obejść. Według dokumentacji frameworka Core AI nowe narzędzie pozwala korzystać z najnowszych architektur modeli na wszystkich jednostkach obliczeniowych Apple silicon: procesorze (CPU), układzie graficznym (GPU) i Neural Engine, czyli części chipu wyspecjalizowanej w obliczeniach sieci neuronowych.
W marcu Mark Gurman z Bloomberga informował, że Core AI zastąpi Core ML. Ostatecznie Apple postawiło na podział ról. Core ML zostaje i nadal jest wspierany, ale wszystko, co nowe w sieciach neuronowych, trafia do Core AI.
W pakiecie jest więcej niż sama biblioteka. Apple dołączyło narzędzia w Pythonie do konwersji i optymalizacji modeli, nowy format plików .aimodel, integrację z Xcode (środowiskiem, w którym powstają aplikacje na iOS) i osobną aplikację do debugowania. Jest też repozytorium gotowych modeli Core AI Models z przepisami na eksport popularnych architektur.
Apple ma dziś cztery narzędzia związane z AI na urządzeniach i łatwo je pomylić. W uproszczeniu:
Najciekawsze jest połączenie Foundation Models z Core AI. W 2026 r. Foundation Models dostał otwarty protokół LanguageModel, czyli wspólny interfejs dla różnych modeli językowych. Własny model uruchomiony przez Core AI da się pod niego podpiąć. Ten sam kod może więc rozmawiać z modelem Apple na urządzeniu, z większym modelem Apple w chmurze Private Cloud Compute albo z modelami zewnętrznymi, takimi jak Claude od Anthropic czy Gemini. Aplikacja może zacząć od modelu w chmurze, a później przenieść część zadań na urządzenie bez przepisywania logiki.
Do tego dochodzi zmiana cenowa. Twórcy zapisani do App Store Small Business Program, których aplikacja ma mniej niż 2 mln pierwszych pobrań, mogą korzystać z modeli Apple w Private Cloud Compute bez opłat za API. Dla części projektów to wystarczający powód, żeby po Core AI w ogóle nie sięgać.
Większość modeli AI powstaje dziś w bibliotece PyTorch, używanej z poziomu Pythona. Core AI traktuje ją jako główne źródło modeli.
Model eksportuje się standardowym mechanizmem PyTorcha, a potem konwertuje pakietem coreai-torch do formatu .aimodel. Narzędzie porównuje wyniki przed konwersją i po niej, więc zespół od razu widzi, czy coś się rozjechało. Osobny pakiet, coreai-optimization, służy do odchudzania modelu, między innymi przez kwantyzację. Kwantyzacja to zapisanie parametrów modelu z mniejszą precyzją: plik jest mniejszy, a model szybszy, za cenę niewielkiej utraty jakości.
Programista aplikacji pracuje potem z kilkoma typami w Swifcie. AIModel wczytuje model, InferenceFunction go uruchamia, a NDArray przechowuje dane wejściowe i wyniki. Prosty przypadek zajmuje kilka linijek. Pełna kontrola nad pamięcią jest dostępna wtedy, gdy aplikacja jej potrzebuje.
Przy pierwszym uruchomieniu Core AI dopasowuje model do chipu i wersji systemu danego urządzenia. Apple nazywa to specjalizacją i w sesji WWDC przestrzega, że przy dużych modelach trwa ona długo, więc nie powinna się odbywać wtedy, gdy użytkownik czeka na wynik. Rozwiązaniem jest kompilacja z wyprzedzeniem narzędziem coreai-build, jeszcze na etapie budowania aplikacji, albo specjalizacja w tle zaraz po instalacji. Wynik trafia do pamięci podręcznej, którą kilka aplikacji jednego wydawcy może współdzielić.
Dla menedżera produktu to konkretna decyzja projektowa. Onboarding, pobieranie modelu i jego przygotowanie trzeba zaplanować tak, żeby pierwsze użycie funkcji AI nie kończyło się długim oczekiwaniem.
Core AI ma własny instrument w Xcode do mierzenia czasu inferencji, wskaźnik aktywności podczas działania aplikacji i osobną aplikację Core AI Debugger. Ta ostatnia pozwala prześledzić wartości wewnątrz modelu aż do linijki kodu w Pythonie, z której pochodzą. Jakość wyników mierzy się nowym frameworkiem Evaluations.
Jak to wygląda w liczbach? Zespół Ultralytics, twórca popularnych modeli YOLO do wykrywania obiektów, zmierzył czas działania swojego najmniejszego modelu na iPhonie 17 Pro z iOS 27. Wyszło od 1,28 do 3,01 ms na obraz, zależnie od wariantu.
Przy takich czasach computer vision, czyli rozpoznawanie obrazu przez AI, może działać płynnie na podglądzie z kamery. Modele językowe to oczywiście zupełnie inna skala.
Najbardziej odczuwalna zmiana dotyczy kosztów. Model w chmurze kosztuje za każde zapytanie, więc rachunek rośnie razem z liczbą aktywnych użytkowników. Model na urządzeniu liczy na sprzęcie klienta i opłat za tokeny nie generuje. Koszt przesuwa się na etap budowy: dobór i optymalizację modelu, testy na różnych telefonach, utrzymanie kolejnych wersji. Przy funkcji używanej kilka razy w miesiącu przez stu użytkowników taka zamiana rzadko się opłaca. Przy funkcji, z której codziennie korzystają dziesiątki tysięcy osób, rachunek wygląda inaczej. Gdzie ma działać model, to jedna z decyzji, które w podejściu AI-as-a-Feature trzeba podjąć przed pisaniem kodu. Druga zmiana dotyczy prywatności. Zdjęcie dokumentu, nagranie rozmowy czy notatka z wizyty nie opuszczają telefonu, bo nie muszą. Łatwiej wtedy projektować zgodnie z zasadą privacy by design, a rozmowy z działem bezpieczeństwa i inspektorem ochrony danych są krótsze. Szczególnie widać to w projektach dla branży medycznej i MedTech. Wysłanie danych pacjenta do zewnętrznego dostawcy modelu bywa tam przeszkodą, której nie da się obejść. Model na urządzeniu omija ten problem u źródła.
Trzecia sprawa to praca bez sieci. Technik w piwnicy budynku, magazynier w hali z kiepskim zasięgiem, kierowca na trasie - każdy dostaje funkcję AI, która działa tak samo z internetem i bez niego. Znika też opóźnienie wynikające z przesyłania danych na serwer i z powrotem. Czwarta jest specyficzna dla polskiego rynku. Lista języków Apple Intelligence na stronie wsparcia Apple we wrześniu 2026 r. nie obejmuje polskiego. Zanim oprzesz polskojęzyczną funkcję na modelu Apple, sprawdź, jak radzi sobie z naszym językiem. W Core AI o języku decyduje model, który sam wybierzesz. Jeśli model dobrze rozumie polszczyznę, aplikacja też będzie.
Pierwsze ograniczenie to wersja systemu. Core AI działa od iOS 27, iPadOS 27 i macOS 27. Aplikacja, która musi obsłużyć także starsze systemy, potrzebuje drugiej ścieżki. Ultralytics rozwiązał to tak, że w swoim zestawie narzędzi dla iOS zostawił Core ML jako domyślny silnik, a Core AI włącza się opcjonalnie na urządzeniach z iOS 27. Podwójna ścieżka to dwa formaty modelu do przygotowania i przetestowania.
Drugie to ekosystem. Core AI nie działa na Androidzie. Jeśli aplikacja ma wersje na oba systemy, model na Androida trzeba uruchomić innym narzędziem, na przykład korzystając z ONNX, uniwersalnego formatu modeli AI. W aplikacjach pisanych w React Native albo we Flutterze dochodzi moduł natywny w Swifcie, który połączy kod aplikacji z Core AI. Da się to zrobić, ale ktoś w zespole musi dobrze znać natywny iOS.
Trzecie to sprzęt. Apple pokazywało zastosowania od małych modeli rozpoznających mówców w nagraniu po model językowy o 70 mld parametrów. Nie znaczy to, że model tej wielkości zmieści się w telefonie. W iPhonie model konkuruje o pamięć z resztą aplikacji i systemem, a jego pliki powiększają aplikację albo trzeba je pobierać osobno po instalacji. Model, który świetnie działa na iPhonie 17 Pro, na kilkuletnim telefonie może działać wolno albo wcale.
Czwarte to dojrzałość. Framework ma kilka miesięcy. Ultralytics w swojej dokumentacji wymienia brak obsługi w symulatorze iOS, sporadyczne problemy z wczytaniem modeli o obniżonej precyzji na Neural Engine i ograniczone testy produkcyjne na różnych urządzeniach. Testy trzeba więc prowadzić na fizycznych telefonach, a w harmonogramie zostawić czas na problemy, których nikt jeszcze nie opisał.
Core AI rozwiązuje konkretne problemy. Nie jest obowiązkowym elementem każdej aplikacji z AI. Są sytuacje, w których lepiej go nie ruszać:
W pozostałych przypadkach odpowiedź brzmi „to zależy”. Zależy od liczby wywołań funkcji w miesiącu, wrażliwości danych, udziału iPhone'ów wśród użytkowników i od tego, czy aplikacja jest natywna. Przy dużej skali, danych wrażliwych i natywnej aplikacji na iOS Core AI zaczyna się bronić. Przy małej skali i aplikacji wieloplatformowej zwykle wygrywa model w chmurze.
Często najrozsądniejszy okazuje się układ mieszany: szybkie, powtarzalne zadania na urządzeniu, trudniejsze w chmurze. Pytanie o natywność i tak wraca przy wyborze między Swiftem a React Native, więc najlepiej rozstrzygać je razem.
FAQ
Blog
PyTorch to dynamiczna biblioteka do uczenia maszynowego, która zdobywa szerokie uznanie w świecie sztucznej inteligencji. Ta potężna platforma oferuje nie tylko intuicyjne API, ale także różnorodne narzędzia pozwalające na efektywną eksplorację i interpretację modeli. W tym artykule przyjrzymy się praktycznym zastosowaniom PyTorch, odkrywając jego pełen potencjał.
Computer Vision, czyli 'komputerowe widzenie', to technologia, która zrewolucjonizowała sposób, w jaki maszyny postrzegają i rozumieją nasz świat. Wykorzystując algorytmy sztucznej inteligencji, umożliwia komputerom 'widzenie' i interpretowanie obrazów i scen w sposób porównywalny z ludzkim percepcją. Powoduje to, że otwierają się przed nami nowe, niezwykłe możliwości.
Sztuczna inteligencja przestała być futurystyczną ciekawostką - dziś staje się nieodłącznym elementem każdego nowoczesnego produktu cyfrowego. Firmy na całym świecie integrują inteligentne funkcje nie po to, by imponować technologią, lecz by realnie usprawniać doświadczenia użytkowników. Koncepcja AI-as-a-Feature pokazuje, że nawet niewielkie zastosowania AI mogą znacząco podnieść wartość i konkurencyjność produktu. W efekcie wchodzimy w erę, w której inteligencja nie jest dodatkiem - staje…
Konieczność ochrony prywatności użytkowników internetu staje się coraz ważniejsza. Podjęcie tematu Privacy by Design, czyli projektowania z uwzględnieniem prywatności od samego początku, pozwala sprostać współczesnym wyzwaniom w tej dziedzinie. Oto wprowadzenie, które pomoże zrozumieć znaczenie tego podejścia w dzisiejszym szybko zmieniającym się świecie technologii.
Dla wielu firm i deweloperów wybór między Swift a React Native to trudna decyzja, gdyż każde z nich ma swoje zalety i wady. Jednak zrozumienie różnic między nimi oraz okoliczności, w jakich są najlepsze, może pomóc podjąć właściwą decyzję.
ONNX, czyli Open Neural Network Exchange, jest fascynującym językiem modeli AI, który przyspiesza i ułatwia proces tworzenia oraz wdrażania tanientowych modeli przetwarzania danych. To wszechstronne narzędzie, zrozumienie którego jest kluczowe dla przyszłości technologii. W tym artykule przyjrzymy się mechanizmom ONNX oraz jego znaczeniu dla rozwoju sztucznej inteligencji.
