Apple verhandelt mit PrismML über die Verkleinerung großer KI-Modelle für die iPhone-Verarbeitung auf dem Gerät

Apple befindet sich in aktiven Gesprächen mit PrismML, einem von Khosla Ventures unterstützten Caltech-Spinout, um eine Technologie zu evaluieren, die leistungsstarke KI-Modelle so weit verkleinern kann, dass sie direkt auf einem iPhone ausgeführt werden können, was möglicherweise die Art und Weise verändert, wie Apple Intelligence Anfragen auf seinen Geräten verarbeitet.

CNBC berichtete erstmals am 14. Juli 2026, dass Apple die Modellkomprimierungstechnologie von PrismML evaluiert, mit der das Startup die Größe von KI-Modellen mithilfe von Architekturen mit extrem niedriger Bit-Präzision um Größenordnungsfaktoren reduzieren kann. PrismML bestätigte die Diskussionen am selben Tag in einer Erklärung gegenüber AppleInsider.

Für die neuesten Entwicklungen in der KI-Branche und Technologieanalysen deckt AI Buzz Wire die Werkzeuge ab, die die Landschaft neu gestalten.

Der Durchbruch: Qwen 3.6 auf einem iPhone ausführen

Laut Seeking Alpha hat PrismML Alibabas Open-Source-Sprachmodell Qwen 3.6 für die Ausführung auf dem iPhone 17 Pro erfolgreich komprimiert – ein Meilenstein, der als Ausführung des größten KI-Modells aller Zeiten auf einem Consumer-Smartphone beschrieben wird. Das Startup gibt an, dass seine Technologie bis zu 15-mal weniger Speicher verbraucht als herkömmliche Modellarchitekturen.

Der Ansatz von PrismML konzentriert sich auf 1-Bit- und ternäre neuronale Netzwerkarchitekturen. In herkömmlichen KI-Modellen wird jeder Gewichtsparameter als 16-Bit- oder 32-Bit-Gleitkommazahl gespeichert. PrismML speichert Gewichte stattdessen mit extrem niedriger Bit-Präzision – als Binärwerte (+1, -1) oder Ternärwerte (+1, 0, -1) – und reduziert so den Speicherbedarf drastisch, ohne dass die Argumentation oder die generativen Fähigkeiten stark beeinträchtigt werden.

Hierbei handelt es sich nicht um einfache Quantisierung, die weit verbreitete Technik zur Reduzierung der Präzision eines bereits trainierten Modells. Die Architekturen von PrismML sind von Grund auf für den Low-Bit-Betrieb konzipiert, wodurch die Modellqualität nach Angaben des Unternehmens weitaus besser erhalten bleibt als bei Komprimierungsmethoden nach dem Training.

Warum Apple KI auf dem Gerät will

Der gemeldete Durchbruch hat Apples Aufmerksamkeit erregt, da das Unternehmen seine Apple Intelligence-Plattform erweitert. Durch die direkte Ausführung größerer KI-Modelle auf iPhones könnten mehr Funktionen auf dem Gerät ausgeführt werden, anstatt über die Private Cloud Compute-Server von Apple, die derzeit komplexe KI-Anfragen verarbeiten.

Die Vorteile sind zweifach. Erstens verbessert die Verarbeitung auf dem Gerät die Privatsphäre der Benutzer, indem die Daten auf dem Telefon bleiben, anstatt sie an Cloud-Server zu übertragen – ein wesentliches Unterscheidungsmerkmal, das Apple seit der Einführung von Apple Intelligence hervorgehoben hat. Zweitens senkt es die Betriebskosten von Apple, indem es die Abhängigkeit von teurer Cloud-Infrastruktur und der Rechenzentrumskapazität verringert, die für die Betreuung von Hunderten Millionen iPhone-Nutzern erforderlich ist.

MacRumors weist darauf hin, dass die Technologie es Apple ermöglichen könnte, ausgefeiltere KI-Funktionen anzubieten – wie erweiterte Textgenerierung, komplexe Argumentationsaufgaben und umfangreichere Siri-Interaktionen –, ohne dass eine Netzwerkverbindung erforderlich ist oder eine erhebliche Akkulaufzeit erforderlich ist.

Mögliche Auswirkungen auf den KI-Chip-Markt

Sollten die Behauptungen von PrismML in realen Tests Bestand haben, könnten die Auswirkungen weit über Apple hinausgehen. CNBC berichtet, dass die Technologie die Nachfrage nach Speicherchips und Rechenzentrumsrechnern verändern könnte, da sich mehr KI-Verarbeitung von der Cloud auf Verbrauchergeräte verlagert.

Derzeit gibt die KI-Branche Hunderte Milliarden Dollar für die Infrastruktur von Rechenzentren, Nvidia-GPUs und Speicher mit hoher Bandbreite aus, um große Sprachmodelle zu trainieren und bereitzustellen. Wenn Modelle für die Verwendung auf Geräten drastisch komprimiert werden können, könnte sich ein Teil dieser Nachfrage hin zu Edge-Computing-Chips und weg von zentralisierten Rechenzentren verlagern.

Analysten warnen jedoch davor, dass das Training von KI-Modellen immer noch enorme Rechenressourcen erfordern wird, unabhängig davon, wie effizient sie für die Inferenz komprimiert werden können. Die Komprimierungstechnologie befasst sich mit der Bereitstellung und Inferenz, nicht mit der Trainingsphase, die nach wie vor der rechenintensivste Teil der KI-Pipeline ist.

Hintergrund und Finanzierung von PrismML

PrismML ist ein KI-Startup und Forschungslabor, das aus dem California Institute of Technology hervorgegangen ist. Das Unternehmen leistete Pionierarbeit bei kommerziell nutzbaren Low-Bit-Architekturen für neuronale Netzwerke, einem Bereich, der großes akademisches Interesse erweckt hat, dessen kommerzielle Nutzung bislang jedoch begrenzt war.

Das Startup wird von Khosla Ventures unterstützt, der führenden Risikokapitalgesellschaft, die für frühe Investitionen in transformative Technologieunternehmen bekannt ist. The Information berichtete erstmals am 9. Juli über den Durchbruch von PrismML und beschrieb, dass es das bisher größte KI-Modell auf einem iPhone ausführt.

Die Caltech-Verbindung ist bedeutsam. Die akademische Forschung zu binären und ternären neuronalen Netzen ist seit Jahren aktiv, aber die Umsetzung dieser Techniken in Systeme in Produktionsqualität, die der Leistung von Standardmodellen entsprechen, hat sich als außerordentlich schwierig erwiesen. Der Anspruch von PrismML auf kommerzielle Machbarkeit – bestätigt durch die Ausführung eines Modells der Größe Qwen 3.6 auf Consumer-Hardware – stellt einen bedeutenden Fortschritt dar.

Wettbewerbslandschaft

Apple ist nicht der Einzige, der die On-Device-KI verfolgt. Qualcomm hat mithilfe seiner Snapdragon-Prozessoren die On-Device-KI-Funktionen weiterentwickelt, Google hat On-Device-Modelle in Pixel-Telefone integriert und Samsung hat sich mit Google zusammengetan, um Gemini Nano auf Galaxy-Geräte zu bringen. Allerdings sind die meisten aktuellen On-Device-Modelle relativ klein – typischerweise im Parameterbereich von 1–3 Milliarden.

Wenn sich die Technologie von PrismML im großen Maßstab bewährt, könnte sie es ermöglichen, dass viel größere Modelle – möglicherweise mit mehreren zehn Milliarden Parametern – auf Smartphones laufen, was die Wettbewerbsdynamik grundlegend verändern würde. Dies würde Apple einen erheblichen Vorteil gegenüber Konkurrenten verschaffen, die stärker auf cloudbasierte KI-Verarbeitung angewiesen sind.

TrendForce stellt fest, dass der Meilenstein von PrismML „Apples breiteren Vorstoß widerspiegelt, KI direkt auf Geräten auszuführen, anstatt sich auf die Cloud-Infrastruktur zu verlassen.“ Das Marktforschungsunternehmen geht davon aus, dass eine erfolgreiche Komprimierung auf dem Gerät den Wandel hin zu Edge-KI in der gesamten Unterhaltungselektronikbranche beschleunigen könnte.

Was als nächstes kommt

Apples Gespräche mit PrismML befinden sich Berichten zufolge in der Evaluierungsphase, was bedeutet, dass die Unternehmen beurteilen, ob die Technologie den Leistungs- und Zuverlässigkeitsstandards von Apple entspricht. Es gibt keine Garantie, dass die Partnerschaft zu einem kommerziellen Produkt führen wird, und Apple hat die Diskussionen nicht öffentlich kommentiert.

Wenn die Technologie in zukünftige Apple-Produkte integriert wird, könnte sie in iOS-Updates oder neuen Hardware-Generationen auftauchen. Das iPhone 17 Pro, das PrismML für seine Demonstration nutzte, verfügt bereits über erhebliche neuronale Verarbeitungsfunktionen durch Apples Neural Engine.

Die umfassendere Frage ist, ob Low-Bit-KI-Architekturen zum Industriestandard werden oder eine Nischenoptimierung bleiben. Die Ergebnisse von PrismML deuten vorerst darauf hin, dass der Ansatz eine kritische Schwelle überschritten hat – und Apples Interesse signalisiert, dass die Technologie auf den höchsten Ebenen der Unterhaltungselektronikbranche ernst genommen wird.

Bleiben Sie der KI immer einen Schritt voraus

Eine umfassende Berichterstattung über KI-Hardware, Modelloptimierung und Branchenentwicklungen finden Sie unter AI Buzz Wire.

Weitere KI-Neuigkeiten lesen →