每当新版Siri正式上线,它将成为目前隐私保护最完善的AI聊天助手之一,而近日又有报道披露了一项新的隐私功能。
此前我们已知晓,苹果与谷歌的合作协议规定,Siri的对话数据不得用于训练Gemini模型。据彭博社最新报道,新版Siri还将提供一项可自动删除对话记录的选项。
虽然新版Siri将由谷歌的Gemini驱动,但它并不会运行在谷歌的服务器上。苹果表示,AI功能将尽可能在设备本地运行,若有需要,Gemini模型也将在苹果自有的私有云计算服务器上运行。即将卸任的CEO蒂姆·库克曾表示:"我们相信,通过这次合作,可以解锁许多全新体验并实现关键创新。我们将继续在设备端及私有云计算中运行,并在此过程中维持我们行业领先的隐私标准。"
新版Siri应用的另一项隐私亮点是对话历史自动删除功能。类似"信息"应用可将对话历史设定为30天或一年后自动删除,或选择永久保留,新版Siri应用也将提供相同选项。
这听起来不错,我也认为提供这一选项本身是件好事——但我个人不打算开启它。原因在于,AI聊天助手会从我们所有的历史对话中学习,而这些上下文在未来的交互中往往极为有用。
我目前最常用的AI工具是Claude,我通过显式指令和隐性反馈对其进行了定制训练。我给它设置了一系列常规指令,例如:回答简洁明了、尽量使用项目符号、避免华丽冗余的语言、不要一味奉承,以及引用事实信息时必须附上来源链接。此外,当它以我喜欢的方式回答问题时,我也会给予反馈,它确实从这一过程中不断学习改进。
还有一些情况下,Claude会利用它对我的了解来定制化回应。这些并非我明确告知它的信息,而是它从我之前的提问以及针对我查询所做的网络搜索中自行推断出的。Claude在这方面表现相当出色,已有多次基于此类上下文给出精准回答的例子。
基于以上原因,我不会开启Siri对话记录的自动删除功能。当然,如果你对某次会话中Siri保留了敏感信息有所顾虑,随时可以手动删除特定对话。我自己也有过这样的操作——当我帮朋友处理某些事务时,会在会话结束后手动删除,以免AI将那些上下文误归为与我个人相关的信息。
顺带一提,在使用AI聊天助手时,我很快摸索出一个经验:每个新话题都应开启一个新的对话窗口。若不这样做,每次追加内容时,AI都需要处理当前会话的全部内容,这会消耗大量Token。同时,将不同话题分别保存为独立对话,也便于日后查找和继续。Claude通常能为每个会话自动生成一个合适的名称,这一点做得相当好。
以上就是我的使用方式——你又是怎么做的?欢迎在评论区分享你的想法。
Q&A
Q1:新版Siri的对话数据会用于训练谷歌Gemini模型吗?
A:不会。苹果与谷歌的合作协议明确规定,Siri的对话数据不得用于训练Gemini模型。此外,苹果表示AI功能将尽可能在设备本地运行,必要时在苹果自有的私有云计算服务器上运行,而非谷歌的服务器,以此维护用户隐私。
Q2:新版Siri的自动删除对话功能是如何工作的?
A:新版Siri应用将提供与"信息"应用类似的自动删除选项,用户可以选择在30天后、一年后自动删除对话历史,或选择永久保留。此外,用户也可以随时手动删除特定的敏感对话内容,灵活管理自己的隐私数据。
Q3:为什么使用AI聊天助手时建议每个话题开启新对话窗口?
A:每次在同一对话中追加新内容时,AI需要处理该会话的全部历史内容,这会消耗大量Token,降低效率且可能增加成本。将不同话题分开为独立对话,不仅节省Token消耗,也便于日后按话题查找和继续之前的讨论。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。