今天凌晨，路透社消息，阿里巴巴確定與蘋果合作，為中國iPhone提供AI服務。

　　同時，阿里巴巴集團董事會主席蔡崇信，在迪拜舉行的世界政府峰會上，也親口確定了該消息。阿里巴巴股票大漲8%，創三年以來新高。

　　蔡崇信表示，由于監管等問題，蘋果需要尋找一個中國本土的科技企業進行合作，為其手機提供服務。蘋果一直非常謹慎、嚴格，他們與中國的多家科技公司進行了談判，最終選擇了我們。

　　此前，蘋果曾找過百度以及爆火的DeepSeek，但由于技術等原因最終放棄轉向阿里巴巴。

　　阿里巴巴作為國內最大互聯網公司之一，在云計算、大數據、AI等領域有著深厚的積累和技術優勢。其自研的Qwen系列多模態大模型，是全球下載和使用量最高的開源模型之一，在電商、翻譯、智能客服、物流、語音助手、監控等場景中表現非常出色。

　　在智能語音交互方面，阿里巴巴發布的Qwen2-Audio語音模型對中文語義理解的深度優化和準確率，可以強化蘋果的Siri助手，能實現更精準、更智能的語音交互。用戶可以通過簡單的語音指令，讓Siri完成查詢信息、購物下單、設備控制等復雜操作。

　　Qwen2-Audio使用了阿里自研的大模型Qwen-7B作為語言模型，能根據輸入的音頻和文本數據生成相應的文本輸出。主要與音頻模塊協同工作，實現對音頻信息的理解和處理。

　　當音頻編碼器對輸入的音頻信號進行特征提取后，這些特征會與之前的文本序列一起輸入到大語言模型中，會對這些信息進行綜合分析，理解音頻中所包含的語言內容和語義信息。

　　例如，如果輸入的音頻是一段對話，大語言模型會嘗試理解對話的主題、參與者的意圖以及情感傾向等。

　　在生成文本輸出時，大語言模型會根據對輸入信息的理解，通過其所學到的語言知識和模式，生成準確的文本回復。

　　此外，Qwen2-Audio采用了16kHz的采樣頻率，并將原始波形轉化為128通道的mel譜圖，通過25ms窗口大小和10ms跳幀，確保了音頻特征的時間分辨率與頻譜信息的完整性。

　　在手機交互方面，阿里巴巴前不久發布的視覺多模態大模型Qwen2.5-VL，可以作為一個視覺 Agent來自動化操作電腦、手機。例如，根據你的行程日期，自動幫你預訂飛機票。

　　此外，Qwen2.5-VL還能理解超過1小時的長視頻，并且能定位特定時間點發生的事件。例如，在安防領域，能快速定位到有人闖入、火災發生等關鍵事件的視頻片段，可極大節省審閱視頻的時間。

　　同時Qwen2.5-VL也增強了其通用圖像識別能力，大幅擴大了可識別的圖像類別量級。不僅包括植物、動物、著名山川的地標，還包括影視作品中的IP以及各種各樣的商品。

　　精準的視覺定位，Qwen2.5-VL 采用矩形框和點的多樣化方式對通用物體定位，可以實現層級化定位和規范的 JSON 格式輸出。這也為復雜場景中的視覺 Agent 進行理解和推理任務提供了強大基礎。

　　超長的視頻理解能力，Qwen2.5-VL 升級了視頻理解能力，通過動態幀率(FPS)訓練和絕對時間編碼技術，能理解超長視頻，定位秒級事件，還能在長視頻中搜索具體事件、總結不同時段要點，幫用戶快速提取關鍵信息。