正文
苹果眼中的人工智能，显然不仅仅只是一个具体化的产品形态，而是遍布各处、互通互联的一种能力，让你在不经意间，发现这个系统真的懂你。去年 iOS 10 推出时，我们就在文章中介绍了大量这样的特性。例如，iOS 10 中的地图应用，你只需要复制一个地址，打开地图应用，它就会智能地提示你是否要搜索这个地址。
在 iOS 11 中，苹果继续拓展着这个思路，一个显而易见的例子，就是在设置中，将 Siri 设置与曾经深藏在「通用 - Spotlight 搜索」的设置，合并在了一级入口「Siri & Search」，原先 Spotlight 建议中的搜索建议和查询建议，直接成为了新的 Siri 建议。
除此之外，延续着互通互联的思路，iOS 11 还新增了三个系统层面的智能联动：
-
Safari：根据你当前正在浏览的内容，Safari 会提供智能搜索建议。
同时，如果你刚刚在网页了订了飞机票，或确认了日程，也会触发智能提醒，建议你添加相关的日程；
-
QuickType：每次在输入文字的时候，iOS 11 会根据你过去一段时间内的浏览记录，找到相应的电影名称、地名等，方便你直接输入。
在 WWDC 上演示了一个场景，你刚刚正在 Apple News 中浏览完冰岛相应的旅游地点，这时候切换到 iMessage 和好友聊天时，你只需要输入「Re」，QuickType 就会智能地提供输入建议「Reykjavik（冰岛的首都）」。
-
Apple News：根据你的浏览记录，iOS 11 会学习你感兴趣的话题，并向你推荐相关的内容，不过，国内的用户依然无法使用 Apple News。
iOS 11 为开发者带来的 Core ML
在看完了面向消费者的变化，作为 WWDC，既然本身是面向开发者的，那不妨来简单了解一下，对于开发者而言，除了 SiriKit 的升级之外，苹果今年的重头戏之一，还有一个 Core ML。
让我尽可能用简单，且尽可能正确的语言来说明一下这件事情的意义。
科普：传统程序的白盒与机器学习的黑盒
在说 Core ML 之前，我们不妨来简单说一下到底什么是机器学习。
一段程序是有目标的，我们输入一个前提条件（入参），经过程序的设定（处理机），输出一个结果（出参）。然而，随着我们想解决的问题不同，不同的目标会影响程序是如何被设定的，正是在如何设定程序的这一步，将传统程序与机器学习区分开来。
例如，我们希望创建一个简单的计算正方形周长的程序，你只需要输入边长 a 这个前提条件，计算机很容易就可以输出周长是 4a。在这个处理机中，程序员清清楚楚地告诉计算机，对于任何输入的 a，你只需要把它乘上 4，就完成任务了。这时候处理机实际是一个「透明的」白盒，任何人都能轻易理解实现的细节。
传统程序的运行模式
然而，让我们换一个小目标：识别一张照片上有没有小猫。这个程序的输入非常明确，就是一张照片，同样，我们所希望输出的目标也非常明确，就是最后给出一个结果，要不是有猫，要不是没有。但是，这时候一名程序员，该如何编码程序的设定？或者说，你要写一段怎么样的程序，能让计算机明白什么是小猫？
这时候就需要机器学习发挥用途了。我们通过大量已经存在的数据，不断地标记出哪些照片上是有猫的，哪些照片是没有猫的，把这些数据大量地「喂」给计算机，通过一些算法，从中不断地提取其中的特征值，计算机最终会拟合出一个模型。这个模型，人类可能完全不明白里面的参数是如何挑选而又设定的，但这不重要，这时候的处理机，是一个黑盒，我们不关心中间发生了什么，只要我们训练出一个得当的模型，之后再让它判断未知的情况，它能够在很大概率上给出正确的结果，这个模型就成功了。
