移动开发

React Native ExecuTorch 框架正式宣布支持 Google Gemma 4 模型，通过在 Android 端引入 Vulkan 委托以及在 Apple Silicon 设备上利用 MLX 委托，实现了完全离线的跨平台 GPU 加速推理。 ▶ 硬件加速全覆盖：该集成打破了跨平台框架在 AI 推理上的性能瓶颈，Android 用户可通过 Vulkan 获得硬件级加速，而 iOS/macOS 用户则受益于 Apple 专门为机器学习优化的 MLX 框架。 ▶ 端侧隐私新高度：模型运行完全脱离云端，为开发者提供了在 React Native 应用中构建 100% 隐私保护、零延迟感知的生成式 AI 功能的技术路径。 八卦洞察 这次更新不仅仅是增加了一个模型支持，它标志着“端侧 AI（On-device AI）”生态的成熟。长期以来，React Native 开发者在处理高性能计算时往往受限于 JavaScript 桥接性能，而 ExecuTorch 与 MLX/Vulkan 的深度整合，实际上是绕过了传统瓶颈，直接调用底层硬件算力。特别值得关注的是 MLX 的引入，这意味着在 Apple 生态内，React Native 应用现在能以接近原生 Swift/C++ 的效率调度统一内存架构，这对于运行 Gemma 4 这种参数量级的模型至关重要。这预示着未来移动应用将从“云端 API 调用者”转变为“本地算力持有者”。 行动建议 对于开发者而言，建议立即评估现有应用中延迟敏感型功能的迁移可能性，尤其是文本摘要和实时对话。在部署时，应重点关注 4-bit 量化版本的内存占用，因为移动端 VRAM 依然是核心瓶颈。对于企业级应用，建议采用“端云协同”架构：利用本地 Gemma 4 处理基础交互以降低带宽成本，仅在复杂逻辑时请求云端大模型。

核心事件总结 苹果在 WWDC 期间低调推出了全新的端侧推理引擎 CoreAI，旨在彻底取代老旧的 CoreML 框架。作为针对 Apple Silicon 深度优化的原生方案，CoreAI 直接对标 llama.cpp、MLX 和 PyTorch，重点解决大语言模型（LLM）在 iPhone 和 iPad 上的运行效率瓶颈。开发者需通过专用 Python 脚本进行权重转换，目前支持列表已覆盖至 2025 年主流模型。 ▶ 硬件效能的极致压榨：CoreAI 不再是通用的机器学习库，而是专为 Apple Silicon 统一内存架构设计的底层推理协议，预示着端侧算力调度的范式转移。 ▶ 生态护城河的加固：通过强制性的权重转换机制，苹果正试图将开发者从碎片化的开源框架吸引回其高度集成的私有生态，确立在移动端 GenAI 的定义权。 八卦洞察 CoreAI 的出现标志着苹果对端侧 AI 战略的全面提速。此前，尽管 MLX 在研究界声名鹊起，但在 iOS 生产环境中的落地一直缺乏一个“官方且硬核”的支撑。CoreAI 填补了这一空白。它不仅仅是 CoreML 的升级版，更是苹果对 llama.cpp 等社区驱动框架的一次正面阻击。苹果的逻辑很清晰：既然硬件是我的，那么最懂硬件的编译器和推理引擎也必须由我定义。这种“软硬一体”的深度耦合，将使苹果在端侧 RAG 和复杂 Agent 应用的响应速度上，与其他移动阵营拉开代差。这不仅是技术迭代，更是苹果在 GenAI 时代夺回开发者话语权的关键一步。 行动建议 对于 AI 开发者而言，应立即启动对 CoreAI 转换工具链的评估，尤其是针对 NPU（神经网络引擎）的量化加速特性进行压力测试。企业决策者需重新审视移动端 AI 产品的路线图，优先考虑利用 CoreAI 的本地推理能力来降低云端 API 成本，并利用其低延迟特性开发更具竞争力的实时交互功能。