苹果控告OpenAI，首次全面披露其商业机密清单

以保密而著称的苹果，在控告OpenAI的诉状中，首次全面披露了它的商业机密，包括设计、制造、工艺、硬件工程、零部件技术、测试和开发方法、全球供应链运营、供应商及商业关系，等等。

苹果对其两名前员工、OpenAI及其硬件公司io发起了强有力的诉讼，指控其盗窃苹果的商业机密行为，将给苹果造成重大损失，要求法院做出判决，予以制止。

苹果严词指责OpenAI的领导层“惯于行为不端” （normalized misconduct），硬件业务依赖偷窃的商业机密，“实在是烂透了”（rotten to its core）。

诉状点出了OpenAI首席执行官奥特曼（Sam Altman）的名字，称其正“面临投资者要求其证明公司财务模式可行的压力，同时还要面对日益激烈的竞争”。

OpenAI目前正在为首次公开募股做准备。苹果诉状引述报道称，OpenAI“已经从投资者处筹集了超过1800亿美元”，同时仍在“以前所未有的速度消耗现金”。

苹果一度与OpenAI合作，准备在苹果设备上合作部署AI，但很快分道扬镳，苹果转向谷歌的Gemini模型，OpenAI还曾一度威胁起诉苹果。

期间OpenAI斥资65亿美元，收购了苹果前首席设计师艾维（Jony Ive）联合创立的硬件设计公司io，准备进军AI消费硬件产品。苹果负责硬件系统设计的副总裁Tang Yew Tan加入，担任OpenAI的首席硬件产品官，之后加入OpenAI的苹果前员工多达400余人，有些出自技术、产品、制造、供应链的要害岗位，多人在面试时被要求提供苹果商业机密甚至零部件。苹果称其中有硬件工程师Chang Liu，今年初在加入OpenAI前夕还从苹果下载机密硬件文件。

（艾维与奥特曼。来源：OpenAI官网 ）

根据苹果诉状，2024年，Tan与其他几名前苹果高级管理人员共同创立了io Products，作为OpenAI专门从事硬件业务的载体。2025年5月，OpenAI宣布收购io，随后将此前已经整合在一起的io团队与OpenAI“正式合并”。与此同时，Tan先生成为OpenAI的首席硬件官，负责领导一个硬件部门；在随后的数月中，该部门招募了数十名苹果工程师。

当年OpenAI宣布与苹果的iPhone富士康建立代工合作关系，由立讯精密和歌尔股份为其供应零部件，而这两家公司均为苹果的长期供应商。2025年11月，OpenAI确认已经完成了其设备的“首批原型机”。

OpenAI的核心技术，可能绕开传统App和触控界面这两项当年乔布斯创新并主导的核心技术，所带来的AI体验，可能会对苹果带来颠覆性的效应。

苹果这些年来AI进展缓慢，消费设备上最早的AI功能Siri也是不死不活，库克也已经宣布辞去CEO职位。

面对40多页的诉状和指控，OpenAI的战略传播总监Drew Pusateri在X上代表公司仅回应了一句：“我们对其他公司的秘密毫无兴趣”。

OpenAI刚刚发布的实时对话模型GPT-Live，明显比Siri更接近人与人之间的自然交流，GPT-Live进入OpenAI硬件，肯定是苹果近年来最警惕的产品挑战。OpenAI一旦做出下一代AI设备，可能不再依赖传统App和操作系统，拥有下一代硬件平台。这是苹果最担心的，也可能是它选择此时与OpenAI对簿公堂的原因。

苹果公司认为，OpenAI面临巨大压力，需尽快推出首款商业硬件产品，但也不得不面对一个现实：从零开始建立一家成功的消费设备企业，比其原先预期的更加复杂、更加耗时，也更加困难。因此，OpenAI转而采取了违法的捷径。

苹果一直想做却迟迟没有做出来的事，它必须阻止OpenAI先做到——不能让OpenAI同时拥有模型、交互、设计、硬件团队和供应链入口。

苹果在历史上多次就芯片、材料、系统软件等商业秘密打官司，这是首次全面罗列出了花费千亿美元、十余年时间建立的商业秘密，也是它在消费设备中立于不败之地的护城河。下面的内容，编译自苹果公司的诉状：

苹果及其商业秘密

苹果通过持续投资和创新，建立了一个由专有信息构成、彼此互联的生态系统，涵盖硬件工程、制造设计、供应链、商业运营以及上述领域和其他领域中的组织性专业知识。苹果从这一生态系统中获得了巨大的利益。

这些创新是推动苹果经营业绩的关键因素。假如OpenAI可以不受限制地利用苹果经过数十年开发和优化的秘密技术、技能以及商业经营能力，那么OpenAI在消费市场上的目标将得到难以估量的推进和加速。

苹果的商业秘密包括下文所述的内容。每一类秘密都因其保密性而具有独立的经济价值，并且苹果都对其采取了广泛的保护措施。

a. 硬件工程与产品设计

苹果在硬件工程方面的商业秘密，包括以下保密的硬件工程信息：

* 电路和系统设计规格；

* 零部件架构；

* 电源管理方面的创新；

* 针对现有产品以及未来尚未发布产品的专有产品设计，这些设计通过内部项目代号和“确有知悉必要”访问控制制度受到严格保密；

* 保密的产品路线图、里程碑进度表和开发时间表；

* 为苹果硬件产品开发的人工智能和机器学习集成数据；

* 专有的共存性工程和电磁干扰工程数据，包括测试方法，以及为控制信号干扰而开发的设计解决方案。

这些技术创新体现了苹果多年的工作和投资。

b. 制造设计、工业设计与工艺工程

苹果工程师设计并验证行业领先的制造流程和技术，以满足苹果在美学和功能方面极其严格的标准。苹果独特的产品设计往往需要专门定制的机器和制造流程。因此，与那些采购标准化现成零部件的竞争对手不同，苹果经常会自行设计并定制部署于供应商工厂中的专用设备和专有机器。这样，苹果才能保护现有产品和未来产品的设计与开发，同时保护其先进的制造技术。苹果在这一领域的商业秘密包括：

* 专有制造流程；

* 定制机器；

* 设备设计，以及设备的组合与配置方式；

* 专有金属合金；

* 金属表面处理技术；

* 材料规格；

* 可制造性设计，即Design for Manufacturability，简称DFM方面的专业知识，包括对制造流程、零件公差和生产规模化能力所进行的保密优化；

* 安装于供应商设施中的专有设备，这些设备受到严格的用途限制。

c. 零部件技术

苹果在这一领域的商业秘密包括：

* 苹果为特定硬件项目与可信赖的供应商和次级供应商共同开发的专有零部件技术，其中包括电源管理集成电路、电池系统，以及显示、声学和触控子系统；

* 与苹果合作开发这些技术的专业次级供应商和厂商的身份；

* 苹果对这些零部件提出的具体技术规格、性能参数和设计要求；

* 苹果与专业第三方供应商共同开发的完整集成式、即插即用解决方案。这些方案为苹果所特有，并受到严格保密条款的保护。

这些创新体现了多年的研究、开发和投资，仅仅通过逆向工程或者独立研究无法轻易获知。

d. 专有测试、验证与开发方法

苹果在这一领域的商业秘密包括：

* 通过大量工程投入产生的保密测试数据、性能评估和趋势分析；

* 与产品从设计转入制造有关的专有制造批准流程和制造工艺；

* 产品生命周期模拟数据；

* 制造工艺开发记录；

* 记录工程问题解决过程的失效分析和技术评估；

* 标明技术难题、拟议解决方案和供应商协作策略的保密开发路线图；

* 用于评估性能、可靠性、成本和可制造性之间取舍关系的专有方法。

这些资料体现了苹果多年来积累的工程知识，其中还包括所谓的“负面技术诀窍”，即哪些方案曾经被测试过、遭到否决，或者经过进一步改进。这些知识无法通过逆向工程或独立研究复制使人全面了解苹果的硬件开发流程。

（负面技术诀窍（negative know-how）指的不只是成功方案，还包括哪些技术路线已经试过、为什么失败、哪些参数和工艺不值得继续投入。这类失败经验往往比公开可见的最终产品更难通过逆向工程获得。——编者）

e. 全球供应链运营、供应商关系及专有商业运营

苹果在这一领域的商业秘密包括：

* 与供应商签订的保密合同安排；

* 供应商资格认证和产能分配策略；

* 在全球范围内大规模协调零部件交付的物流协调流程；

* 专有供应商关系，其中包括向苹果提供关键零部件和设备的专业次级供应商及厂商的身份和职责。

苹果经过长期、细致的努力建立了其供应商网络，并且提前数年投资于零部件和生产能力，以便以极高的精确度维持其高度复杂的运营体系。苹果还掌握与项目人员配置及汇总性人员信息有关的保密资料。竞争对手一旦获得这些信息，就可以有针对性地识别和招募苹果员工，从而获取他们所掌握的组织性知识。苹果还拥有关于以下各项彼此连接、作为一个整体共同运作的专有和秘密信息：

* 全球供应链运营；

* 供应商关系；

* 制造设计和工艺工程知识；

* 可制造性设计专业知识；

* 零部件技术。

苹果在系统层面进行整合的知识，即对其由供应商、次级供应商、厂商和内部团队组成的复杂网络进行保密协调与管理的能力，本身就是一项商业秘密。

使这些相互关联的要素能够协同运作所需的技术诀窍，使苹果得以实现效率、质量控制、规模化生产和产品快速上市。假如没有苹果多年来在技术和创新方面的投入，这种能力便无法被复制。

上述每一类信息都因其保密性而具有独立的经济价值。苹果已经投入数千亿美元和数十年时间来开发这些信息，并维持其保密状态。

竞争对手一旦获得这些信息，就可以绕过多年的独立研究和开发，省去建立真正专业能力所必需的资本支出，并以更快的速度和更低的成本将产品推向市场，从而损害苹果相关投资的价值。

OpenAI没有投入合法开发所需要的资源，反而选择通过盗用商业秘密，搭苹果数十年创新成果的便车。

诉状原文：

https://daringfireball.net/misc/2026/06/Apple_Inc._v._Chang_Liu_et_al.pdf