Apple Dikabarkan Berdiskusi dengan PrismML: Terobosan AI di iPhone atau Klaim yang Masih Harus Diuji?

Mengapa pembicaraan Apple dan PrismML penting?

Apple dikabarkan telah mengadakan pertemuan dengan PrismML untuk membahas kemungkinan penggunaan teknologi startup tersebut dalam menjalankan model AI yang jauh lebih besar langsung di iPhone .

Perhatian terhadap PrismML muncul setelah perusahaan itu mengklaim berhasil memampatkan Qwen 3.6—model bahasa besar sumber terbuka milik Alibaba dengan 27 miliar parameter—agar dapat berjalan sepenuhnya di iPhone 17 Pro. Jika klaim tersebut terverifikasi, pencapaian ini akan menjadi salah satu penerapan model AI terbesar di perangkat seluler .

Bagi Apple, implikasinya cukup strategis. AI yang berjalan langsung di perangkat tidak perlu terus-menerus mengirim data ke server. Pendekatan ini dapat membantu menjaga privasi, mengurangi latensi, menghilangkan kebutuhan koneksi internet untuk tugas tertentu, dan mengurangi ketergantungan pada biaya komputasi cloud. Apple sendiri mempromosikan kemampuan AI on-device melalui kerangka kerja dan model fondasinya untuk berbagai perangkat serta aplikasi .

Tantangan utamanya adalah menyeimbangkan ukuran, kemampuan, kecepatan, dan konsumsi daya model. Model AI yang lebih besar biasanya membutuhkan lebih banyak memori dan daya komputasi. Menurut laporan yang beredar, Apple kesulitan memampatkan model internalnya untuk iPhone tanpa penurunan performa yang signifikan, sehingga solusi eksternal seperti milik PrismML menjadi menarik .

Perbedaan pendekatan PrismML dengan model Apple

Konteks yang dilaporkan menyoroti perbedaan antara model Apple dan model Qwen 3.6 yang dimampatkan PrismML. Apple mengumumkan model on-device sekitar 20 miliar parameter, tetapi menggunakan arsitektur sparse: hanya sekitar 1–4 miliar parameter yang aktif dalam satu proses inferensi .

Sebaliknya, PrismML mengklaim seluruh 27 miliar parameter Qwen 3.6 dapat tetap aktif saat model berjalan di iPhone 17 Pro . Artinya, perbandingan tersebut bukan hanya soal jumlah parameter di atas kertas, melainkan juga berapa banyak parameter yang benar-benar digunakan untuk menghasilkan setiap keluaran.

Jika teknologi ini dapat mempertahankan kualitas model besar sambil memenuhi batasan memori dan daya iPhone, dampaknya dapat terasa pada Siri, alat bantu menulis, dan fitur aplikasi yang lebih cerdas. Namun, pembicaraan dengan PrismML belum berarti Apple telah mengadopsi teknologinya atau akan memasukkannya ke produk komersial.

Apa yang membuat kompresi PrismML berbeda?

1. Semua bobot jaringan menggunakan representasi ternary

Inti pendekatan PrismML adalah representasi bobot native 1-bit atau ternary. Setiap bobot dibatasi pada tiga nilai: -1, 0, dan +1. Secara informasi, metode ini setara dengan sekitar 1,58 bit per parameter .

Metode tersebut berbeda dari model umum yang memakai presisi 16-bit seperti FP16, atau kuantisasi 8-bit. Pada metode konvensional, nilai bobot masih dapat mengambil rentang nilai floating-point atau integer yang jauh lebih luas. PrismML berupaya menerapkan pembatasan ternary di seluruh jaringan, bukan hanya pada lapisan tertentu.

2. Model dilatih sejak awal dalam presisi rendah

Kompresi biasa sering dilakukan setelah model berpresisi tinggi selesai dilatih. Bobot kemudian dikuantisasi ke format yang lebih kecil, yang dapat menimbulkan penurunan akurasi atau kemampuan.

PrismML menyatakan modelnya dilatih secara native dalam presisi 1-bit sejak awal. Dengan kata lain, logika ternary dirancang sebagai bagian dari arsitektur jaringan, bukan sekadar langkah pengemasan pada tahap akhir .

3. Ukuran model jauh lebih kecil

PrismML menyebut model 1-bit Bonsai 8B mampu memuat 8,2 miliar parameter dalam sekitar 1,15 GB memori. Perusahaan tersebut juga mengklaim model ini memberikan akurasi yang kompetitif dibandingkan model berpresisi penuh pada sejumlah tolok ukur standar .

Untuk gambaran sederhana, model 8B berformat 16-bit dapat membutuhkan ruang sekitar 14 kali lebih besar dibandingkan angka yang diklaim PrismML untuk Bonsai 8B. Perusahaan itu juga menyatakan kompresi Qwen 3.6 berukuran 27 miliar parameter dapat dimuat dan dijalankan di memori iPhone 17 Pro .

4. Fokus pada efisiensi energi dan kecepatan

Menurut klaim PrismML, representasi 1-bit dapat memberikan efisiensi energi sekitar lima kali lebih baik dibandingkan model berpresisi penuh. Model 8B-nya juga disebut mampu berjalan pada kecepatan lebih dari 40 token per detik di iPhone 17 Pro—angka yang secara teori cukup untuk penggunaan interaktif secara real time .

Apa yang masih belum terbukti?

Klaim PrismML belum dapat dianggap sebagai bukti final bahwa semua model besar bisa dijalankan di ponsel tanpa kompromi. Hasil benchmark internal, kondisi pengujian, konsumsi daya, suhu perangkat, latensi, serta kualitas keluaran dalam penggunaan sehari-hari tetap perlu diperiksa oleh pihak independen.

PrismML baru keluar dari fase stealth pada 31 Maret 2026. Perusahaan tersebut didukung pendanaan 16,25 juta dolar AS dari Khosla Ventures dan Cerberus Ventures, sementara model-modelnya dirilis sebagai sumber terbuka di bawah lisensi Apache 2.0 . Ketersediaan kode dan model secara terbuka dapat membantu peneliti serta pengembang menguji klaim tersebut dari waktu ke waktu.

Jadi, arti penting pembicaraan Apple dengan PrismML saat ini adalah potensi teknologinya, bukan konfirmasi bahwa teknologi tersebut sudah menjadi bagian dari iPhone. Jika pendekatan bobot ternary ini benar-benar mampu mempertahankan kualitas model besar dalam batas memori dan daya perangkat, PrismML dapat menawarkan jalan baru bagi Apple untuk memperkuat AI on-device tanpa menjadikan cloud sebagai satu-satunya tempat pemrosesan.