Apple kijkt naar PrismML om krachtigere AI rechtstreeks op de iPhone te draaien

Waarom de gesprekken voor Apple belangrijk kunnen zijn

Apple zou gesprekken hebben gevoerd met PrismML over technologie waarmee veel grotere AI-modellen rechtstreeks op een iPhone kunnen draaien, zo meldt berichtgeving die onder meer door The Information wordt aangehaald . Dat is relevant omdat Apple zijn AI-strategie nadrukkelijk rond verwerking op het apparaat bouwt: gebruikersgegevens hoeven dan niet naar een server, functies werken mogelijk ook zonder internet en de reactietijd kan lager zijn .

PrismML zegt Alibaba's open-source taalmodel Qwen 3.6 te hebben teruggebracht tot een versie die volledig op een iPhone 17 Pro kan draaien. Het gaat volgens de beschikbare berichtgeving om een dicht model met 27 miljard parameters — een omvang die voor mobiele apparaten uitzonderlijk groot zou zijn . Daarbij zouden alle parameters tijdens een bewerking actief blijven.

Dat onderscheid is belangrijk. Apple gebruikt voor zijn eigen on-device modellen onder meer efficiënte en schaarse architecturen, waarbij niet alle parameters tegelijk worden geactiveerd. In de aangeleverde berichtgeving wordt een Apple-model van ongeveer 20 miljard parameters genoemd, waarvan per inferentie naar verluidt slechts 1 tot 4 miljard parameters actief zijn . PrismML probeert daarentegen een dicht model met alle 27 miljard parameters lokaal te laten werken.

Als de claims standhouden, kan dat Apple meer ruimte geven voor capabelere Siri-functies, schrijfhulp en slimme functies binnen apps — zonder dat een iPhone voortdurend een cloudservice hoeft te raadplegen. Het zou ook passen bij Apples bestaande inzet op on-device AI, waarbij privacy en offlinegebruik centraal staan . De gesprekken betekenen echter niet dat Apple de technologie al heeft overgenomen of in een product heeft aangekondigd.

Wat is er bijzonder aan PrismML's compressiemethode?

1. Ternaire gewichten voor het hele netwerk

De kern van PrismML's aanpak is een zogenoemde ternary- of 1-bit-representatie. Elk gewicht in het neurale netwerk krijgt slechts één van drie waarden: -1, 0 of +1. Daarmee wordt ongeveer 1,58 bit informatie per parameter opgeslagen .

Dat verschilt van gebruikelijke modellen in FP16 of 8-bit-precisie. Die gebruiken nog altijd een veel groter bereik aan waarden. Door het aantal mogelijke gewichten sterk te beperken, kan het model aanzienlijk minder geheugen gebruiken en zijn berekeningen efficiënter uitvoeren.

2. Niet achteraf afgerond, maar vanaf het begin zo getraind

Bij traditionele modelcompressie wordt vaak eerst een model met hoge precisie getraind. Daarna worden de gewichten verkleind of gekwantiseerd. Dat kan leiden tot verlies van nauwkeurigheid en prestaties.

PrismML zegt zijn modellen vanaf het begin in 1-bit- of ternary-precisie te trainen. De logica is volgens het bedrijf dus onderdeel van de architectuur zelf en geen laatste verpakkingsstap achteraf . Juist dat native ontwerp moet helpen om de kwaliteit beter te behouden bij een veel kleinere geheugenvoetafdruk.

3. Veel meer model in veel minder geheugen

PrismML stelt dat zijn 1-bit Bonsai 8B-model ongeveer 8,2 miljard parameters in circa 1,15 GB geheugen kan onderbrengen — naar eigen zeggen ongeveer veertien keer kleiner dan een vergelijkbaar model in 16-bit-precisie . Het bedrijf claimt daarbij concurrerende scores op standaardtests .

Voor de iPhone is dat verschil praktisch belangrijk: geheugen is op een smartphone veel beperkter dan in een datacenter. Een kleiner model maakt het bovendien eenvoudiger om ruimte over te houden voor apps, het besturingssysteem en andere processen.

4. Gericht op snelheid en energieverbruik

Volgens PrismML levert de 1-bit-representatie ongeveer vijf keer betere energie-efficiëntie dan modellen met volledige precisie. Het 8B-model zou op een iPhone 17 Pro meer dan 40 tokens per seconde halen . Zulke cijfers zijn vooral relevant voor toepassingen die direct moeten reageren, zoals een assistent of tekstbewerking.

Wat is al bevestigd — en wat blijft voorlopig een claim?

De beschikbare bronnen bevestigen dat Apple on-device AI als belangrijk onderdeel van zijn platform presenteert en dat PrismML zijn modellen als open source beschikbaar heeft gemaakt . Ook is er berichtgeving over gesprekken tussen Apple en PrismML en over een Qwen 3.6-model dat op een iPhone 17 Pro zou draaien .

De precieze benchmarkresultaten, het energieverbruik en de prestaties van het 27 miljard-parameter-model zijn echter nog niet onafhankelijk op grote schaal geverifieerd. PrismML kwam op 31 maart 2026 uit stealth met 16,25 miljoen dollar aan financiering van Khosla Ventures en Cerberus Ventures. De modellen zijn uitgebracht onder Apache 2.0, waardoor externe onderzoekers de aanpak kunnen onderzoeken en reproduceren .

De mogelijke betekenis voor Apple is daarom groot, maar vooralsnog vooral strategisch: PrismML laat een route zien naar zwaardere AI op de smartphone. Of die route betrouwbaar genoeg is voor een breed iPhone-product, moet blijken uit onafhankelijke tests en een eventuele officiële Apple-integratie.