Machine Learning & AI Lab：把 WWDC26 AI announcements 排成導入路線
這場 Group Lab 是 Apple 工程與設計團隊的線上問答與討論場，主軸圍繞 WWDC26 的機器學習與 AI announcements。最實用的讀法，是把它當成 Core AI、Foundation Models、MLX、Evaluations 與 App Intents 的導航入口。
如果你的 app 要做 Apple 平台 AI，先不要從「選哪個模型」開始；先決定要放在裝置端、Private Cloud Compute、第三方 provider，還是開發工具鏈，再對應到 Core AI、Foundation Models、MLX、Evaluations 與 Xcode 27。
這場 lab 對應到四種 AI app 決策
模型要跑在 Apple Silicon 上
先看 Core AI。官方把 Core AI 定位為 on-device AI model deployment 的完整技術組，從 Python / PyTorch 轉換、Swift API、AOT compilation 到 Instruments profiling。
App 內需要語言模型與工具呼叫
先看 Foundation Models framework。WWDC26 的重點包含 app 內模型能力、Private Cloud Compute、third-party provider 與 Evaluations framework。
要做數值計算、推論或訓練實驗
先看 MLX。它比較接近 Apple Silicon 上的研究與工程迭代工具，適合本地 agent、分散式推論訓練與 Swift 數值計算。
AI 要能理解並操作你的 app
先看 App Intents、semantic index、entity annotations 與 interaction donations。這會決定 Siri / Apple Intelligence 是否能用自然語言觸發你的 app 能力。
建議用這條順序補完 WWDC26 AI 內容
先看 Special Presentation 建立全圖
「Inside Apple Intelligence and Xcode」把 Xcode 27、App Intents、Foundation Models、Core AI、MLX 串成一條 keynote-level 路線，適合先抓 Apple 今年的 AI 分層。
再決定 runtime：Core AI、Foundation Models 或 MLX
Core AI 偏 app 內模型部署；Foundation Models 偏語言模型能力與 agentic app；MLX 偏本地研究、數值計算與 Apple Silicon 實驗。
用 Evaluations 把 prompt / agent 變成可量測系統
只看 demo 很容易低估 regression。WWDC26 的 Evaluations 內容應該和 Foundation Models 一起讀，讓回覆品質、工具使用與 edge cases 進入 CI 或 release gate。
最後把 app surface 暴露給系統智能
App Intents 不只是 Siri shortcut。它會決定你的 app 資料、行為與實體是否能被 Apple Intelligence 可靠理解、搜尋與執行。
為什麼 Group Lab 頁值得收進 onepage
官方頁對這場 lab 的描述是：和 Apple 工程師、設計師深入 WWDC26，針對 machine learning 與 AI announcements 提問、取得建議、跟進討論。這種頁面通常不像技術 session 有完整章節與 code path，但它很適合作為「今年該追哪些 AI 技術線」的入口。
本頁以 Apple Developer Group Lab 官方頁、YouTube metadata、WWDC26 All Videos 列表，以及 Apple 官方 Core AI / Special Presentation session 摘要整理。Group Lab 公開頁未提供穩定可抓取逐字稿，因此本頁不假裝還原 Q&A，而是整理可驗證的學習路線與導入風險。
對產品與工程決策來說，今年的關鍵不是把 AI 一律塞進 app，而是先回答資料要不要離開裝置、模型是否需要自帶、是否要接 third-party provider、是否需要可重現的 evaluation，以及系統層 Siri / Spotlight / Apple Intelligence 要不要能理解你的 app entities。
導入風險與遷移注意事項
先切資料邊界，再選模型
on-device、PCC、server provider 的差異會影響隱私敘述、latency、成本與可用性。不要只因 demo 效果選 runtime。
AI feature 需要 regression suite
Foundation Models 或 prompt workflow 只靠人工試用不夠。要把代表性 tasks、失敗案例、工具調用與安全限制放進 evaluation。
Core AI 要測 latency 與 memory
模型轉換成功只是第一步。AOT compilation、specialization、Instruments 與 device matrix 會決定使用者是否真的感覺即時。
App Intents 需要產品語意設計
Entity、action、annotation 與 donation 要反映使用者語言。只把現有 API 包成 intent，通常不會得到穩定的自然語言體驗。
來源
Apple Developer 官方頁：Machine Learning & AI Group Lab；YouTube：WWDC26: Machine Learning & AI Group Lab | Apple；延伸官方 session：Inside Apple Intelligence and Xcode、Meet Core AI。
- 01這場 lab 是 WWDC26 ML / AI announcements 的問答入口，最適合整理成學習路線與決策地圖。
- 02Core AI、Foundation Models、MLX、Evaluations、App Intents 分別對應不同層級，不應混成同一個「AI feature」。
- 03導入前先決定資料邊界、runtime、evaluation、系統入口與效能量測，否則很容易做出 demo 可看但 release 風險高的功能。