据悉,苹果计划在iPhone 18 Pro和Pro Max上搭载全新一代C2芯片,彻底告别iPhone 17 Pro所使用的高通5G基带。这款由苹果自研的基带芯片将带来三项显著优势。
能效表现更出色
提升能效一直是苹果C1与C1X蜂窝基带的核心竞争力,预计C2芯片将延续这一优势。得益于iOS与苹果芯片之间的深度整合,苹果能够在蜂窝网络连接状态下提供超越高通基带的续航表现。
C2芯片究竟能带来多大的续航提升?目前尚无定论。尽管苹果将iPhone 16e、iPhone Air以及搭载M5芯片的iPad Pro的续航进步归功于C1和C1X,但公司迄今尚未披露具体的量化数据。值得关注的是,iPhone 18 Pro今年预计将配备比iPhone 17 Pro更大容量的电池,C2芯片的加入有望进一步推动续航提升。
位置隐私保护更完善
今年早些时候,iOS新增了一项专为搭载苹果自研基带设备设计的功能——"限制精确位置"。这一新设置允许用户对运营商屏蔽更精准的位置信息。
根据苹果官方文档的说明:蜂窝网络可通过设备连接的基站来判断用户位置,而"限制精确位置"功能通过降低蜂窝网络可获取的位置数据精度,从而增强用户的位置隐私保护。
开启该设置后,蜂窝网络所能获取的部分信息将受到限制,定位精度将从街道门牌级别降低至大致街区范围,且不会对信号质量或用户体验产生任何影响。
目前,该功能仅支持iPhone Air、iPhone 17e、16e以及搭载M5芯片的iPad Pro。随着iPhone 18 Pro引入苹果C2基带,该机型也将加入支持列表。
网络拥堵时响应更灵敏
苹果自研基带(包括即将推出的C2)的另一大优势,在于网络信号较差时依然能够维持良好性能。
苹果曾向路透社透露:"当iPhone遇到数据网络拥堵时,处理器可以向基带发出信号,优先传输对时延最敏感的数据流量,将其置于其他数据传输之前。"
这对用户意味着什么?即便身处网络拥堵环境,iPhone依然能够保持流畅响应,受拥堵影响的程度大幅降低。这一切都得益于苹果A系列处理器与C系列基带之间的深度协同整合。
您最期待iPhone 18 Pro在C2芯片带来的哪项优势?欢迎在评论区留言分享。
Q&A
Q1:苹果C2芯片和高通基带相比,续航提升有多明显?
A:目前苹果尚未公布C2芯片的具体续航提升数据。苹果此前表示C1和C1X基带为iPhone 16e、iPhone Air和搭载M5的iPad Pro带来了续航进步,但未给出量化数字。C2芯片凭借与iOS的深度整合,预计将进一步超越高通基带的能效表现,加上iPhone 18 Pro本身电池容量更大,整体续航有望获得较为可观的提升。
Q2:"限制精确位置"功能是什么?iPhone 18 Pro支持吗?
A:"限制精确位置"是苹果iOS新增的一项隐私保护功能,专为搭载苹果自研基带的设备设计。开启后,蜂窝网络只能获取用户的大致位置(如所在街区),而非精确地址,同时不影响信号质量和正常使用体验。目前该功能支持iPhone Air、iPhone 17e、16e及搭载M5的iPad Pro。iPhone 18 Pro搭载C2基带后,也将支持此功能。
Q3:苹果C2基带如何改善网络拥堵时的体验?
A:苹果自研的C2基带与A系列处理器深度整合,当网络出现拥堵时,处理器可以直接向基带发出调度指令,优先传输对时延最敏感的数据流量,从而让iPhone在拥堵环境下依然保持较为流畅的响应速度。这种处理器与基带之间的协同机制是高通外置基带方案难以实现的。
好文章,需要你的鼓励
美国连锁超市巨头Albertsons正在基于Databricks构建商品智能平台,整合产品、定价、促销与陈列等决策功能,目标是在2026年底前全面向门店运营商落地。该平台以Databricks Lakehouse存储零售数据,通过Unity Catalog与AI Gateway实现数据治理,并借助AI智能体Genie支持自然语言查询,帮助商家洞察销售趋势,提升决策效率。此举是Albertsons今年四项AI核心战略投资之一。
阿里Qwen团队通过引入强化学习和在线策略蒸馏,将Qwen-Image-2.0升级为Qwen-Image-2.0-RL,让图像生成模型真正学会人类审美,文生图Elo评分提升78分,图像编辑提升93分。
微软正将Windows 11打造成真正的AI操作系统。在Build大会上,微软展示了AI模型与智能代理如何深度融合进Windows 11,让用户通过自然语言完成系统操作。借助Windows ML框架,超过5亿台PC已可在本地离线运行AI任务,无需联网、无token费用、数据不离设备。Office、Photos、Teams等应用已支持本地AI能力,Adobe、WhatsApp、Canva等第三方也在积极跟进,企业级AI PC采购需求有望加速。
港科大与快手联合提出NormGuard,针对流匹配模型强化学习训练中速度范数膨胀问题,通过训练时单向惩罚约束,在保留奖励的同时改善图像真实感。