苹果收缩AI健康教练“Mulberry”，暴露出AI在高责任场景的闭环难题。对照Tesla与中国车企，AI优先更像长期资产与系统工程。
苹果收缩AI健康教练后：Tesla与中国车企为何更该押注AI优先
2026-02-06 的一条消息很耐人寻味：据报道，苹果正在收缩虚拟健康教练服务的开发，代号“Mulberry”的项目被叫停，部分功能将被拆分并逐步整合进现有健康应用中。对外看，这只是一个产品方向的调整；对产业里的人来说，它更像是一次“AI投入逻辑”的公开示范——当数据闭环不够硬、监管与责任边界不清、商业化路径不顺时，哪怕是最擅长做生态的公司，也会选择踩刹车。
我反而觉得，这条新闻对汽车行业的启发比对健康行业更直接：**AI不是“加一个功能”，而是“先选一个能长期滚雪球的数据飞轮”。**在自动驾驶、智能座舱、车云协同里，Tesla 与中国主流车企押注的正是这种飞轮；而苹果在AI健康教练上的收缩，恰好提供了一个反向对照。
本文属于「人工智能在媒体与内容产业」系列的一篇：我们不只谈模型，也谈“内容推荐、用户画像、交互体验”这些在不同终端（手机/车机/穿戴）里如何落地。看懂苹果为什么收缩，能更清晰地判断——为什么汽车厂商在 AI 战略上更难、也更值得长期投入。
苹果收缩“Mulberry”：不是AI不行，是闭环太难
结论先说：苹果收缩虚拟健康教练，并不等于否定AI，而是承认“健康教练”在数据、责任与ROI上很难形成稳定闭环。
从产品形态看，虚拟健康教练需要同时做到三件事：
- 持续可靠的数据输入：睡眠、运动、饮食、情绪、用药、体征等；其中不少数据很难被动采集，依赖用户自报，噪声巨大。
- 明确可追责的建议输出：建议一旦接近“医疗建议”，就会触碰监管边界；一旦建议导致不良后果，责任如何界定？
- 可衡量的效果与付费意愿：健康改善往往是长周期、多变量问题，效果归因难；用户是否愿意为“教练”持续付费也不确定。
这三点叠加，会让产品团队面临一个尴尬现实：你可以做出“像教练”的对话，但很难做出“真教练”的确定性结果。苹果将功能拆分并回收进健康应用，本质上是把高风险、难闭环的端到端服务，改成更稳妥的“功能增强”。
对做AI产品的人来说，这叫从“强承诺的Agent”退回到“弱承诺的Copilot”：少背锅、少越界、少讲疗效，多做提醒、总结、趋势分析。
反向对照：为什么汽车AI更像“长期资产”
结论先说：自动驾驶与智能座舱的AI投入，天然更接近工程系统，能持续沉淀数据资产与模型能力。
把“健康教练”和“整车AI”放在一起比，会发现汽车更容易形成三层闭环：
1）数据闭环：车端数据更标准化、更可规模化
汽车是强传感器平台。摄像头、毫米波雷达（部分路线）、IMU、轮速、导航、驾驶员交互、车内语音等数据，具备三个特点：
- 自动采集：不依赖用户主动填写；
- 可结构化：场景、目标、轨迹、策略都能工程化标注；
- 高频可复用：同一类路口、同一类拥堵、同一类跟车行为，会在海量车队中重复出现。
这意味着：只要车队规模增长，数据就会持续“滚雪球”，模型迭代也更接近可预期的工程节奏。
2）价值闭环：安全、体验、成本都能量化
健康改善很难对单一产品归因，但汽车AI的改善往往可以用工程指标表达：
- 接管率、碰撞风险、制动舒适性、导航成功率
- 语音识别成功率、意图理解准确率、座舱任务完成时长
- OTA后问题回归率、售后工单下降、能耗优化
这些指标一旦被量化，就能进入“产品—运营—研发”的日常仪表盘，形成稳定的决策机制。这也是为什么很多中国车企在 2025-2026 继续加码端侧AI与车云协同：它不是概念，更像持续折旧却可复利的研发资产。
3）分发闭环：车机就是“内容入口”，能做推荐与画像
作为「人工智能在媒体与内容产业」系列，我们更关心的是：车内其实是一个新的内容分发终端。
智能座舱的AI，往往从“语音助手”升级为“多模态内容管家”：导航、音乐/播客、有声书、短视频（停车场景）、新闻摘要、儿童内容、车内会议等。
这里的关键是用户画像与场景推荐：
- 通勤/长途/夜间/雨雪的内容偏好不同
- 驾驶员与乘客的内容权限不同
- 驾驶状态决定交互方式：能听就别让人看
车企一旦把“内容推荐+交互体验”做成系统能力，就有机会与服务生态绑定，而不是只卖一次车。
Tesla vs 中国车企：AI战略的“核心差异”不在模型，在组织与路径
结论先说：Tesla 更像“统一架构+端到端训练”的路线，中国车企更像“快迭代+强场景产品化”的路线；两者都比苹果健康教练更接近可闭环。
我把差异拆成三点，方便你快速对齐判断框架。
1）优先级：Tesla 把AI当主线，中国车企把AI当主战场之一
Tesla 的自动驾驶（以及机器人等方向）往往被视为公司长期估值主线之一，战略上更“单核”。好处是投入集中、架构统一；代价是短期波动会更大，外界预期也更极端。
中国车企的现实更复杂：销量、渠道、出海、补能、法规、供应链都要兼顾。但这也逼出一种能力：把AI拆成可交付的“版本目标”，比如某个城市NOA覆盖、某种泊车能力、某种座舱体验提升，然后用OTA节奏持续兑现。
与苹果在健康教练上“整包推出”的高承诺不同，车企更擅长“先把能闭环的做扎实”。
2）数据与合规：汽车更能“边界清晰地创新”
健康教练触碰的是健康与医疗的敏感边界，隐私与责任问题天然更尖锐；而汽车AI更多是在“驾驶辅助与人机交互”范围内做工程改进。
这并不意味着汽车没有合规压力（尤其是数据出境、地图合规、功能安全），而是边界相对可工程化：
- 明确功能等级与责任提示
- 通过仿真、封闭场地、道路测试验证
- 用接管、报警、降级策略管理风险
健康教练若要给出强建议，往往很难用同样方式“验收”。
3）产品形态：车内AI更像“系统工程”，不是单点App
苹果的强项是把硬件+系统+应用打通，但健康教练仍然更像一个“服务产品”。而在车里，AI天然嵌入系统工程：
- 感知、规划、控制（驾驶）
- ASR/NLU/多模态（座舱）
- 车云联动与OTA（持续迭代）
系统工程的好处是：即使某个功能没到“神级体验”，也能通过组合优化持续变好。
一句话：汽车AI允许你“用80分先上路”，健康教练很难允许你“80分先当医生”。
给内容与增长团队的启示：别迷信“全能Agent”，先做可衡量的飞轮
结论先说：无论你在做车机内容生态、媒体内容分发，还是企业级AI助手，最该抄作业的是“可衡量闭环”，不是“更像人”。
这里给一套我常用的落地清单，尤其适合做“内容推荐、用户画像、智能交互”的团队：
- 把目标从“对话体验”改成“任务完成”：例如“3步内播放通勤播客”“15秒内生成新闻摘要并可一键收藏”。
- 先做低风险高频场景：提醒、摘要、对比、趋势、归纳，比建议与诊断更容易规模化。
- 建立一张指标表（每周复盘）：
- 触发率、完成率、二次使用率
- 错误类型Top 10（识别错/理解错/执行错/内容不合规）
- 用户分层（新手/高频/沉默）与推荐策略差异
- 把数据采集“默认化”：在合规前提下，用被动采集替代用户自报；用结构化事件替代长文本反馈。
这套方法，本质上就是把AI从“表演型智能”拉回“业务型智能”。苹果对 Mulberry 的收缩，某种意义上也是这个方向：先把能稳定贡献价值的部分沉淀进主应用。
2026年的判断：AI优先不是口号，是“长期现金流的前置投入”
苹果收缩AI健康教练，提醒我们一件事：**越接近人的生活方式与健康，越需要谨慎的边界与更强的证据链。**但这并不削弱AI的价值，只是把“该在哪儿All in”的问题摆得更明白。
站在 2026-02-12 这个时间点，我更看好 Tesla 与中国车企的共同点：把AI当作整车系统能力来做，把数据当作长期资产来经营，把OTA当作持续交付的管道。对内容与媒体产业来说，车机正在变成新的“内容入口”，而推荐、画像、交互这些能力，会逐步从手机迁移到车里。
如果你正在评估自己的AI路线，不妨用一个简单问题做收尾：**你的产品，能不能在三个月内证明一次“数据—模型—体验—收入/留存”的可衡量闭环？**能做到，才值得继续加码。