作为核心产品而言，Cue提到了四个组成： 语音识别 （理解你何时与它对话）， 自然语言 理解（理解说话内容），执行（满足查询或请求）以及响应（产生回话）。“ 机器学习 对所有这些都有重要影响。”
Tom Gruber（上）与Alex Acero
Siri高级研发部主管Tom Gruber是在最初的收购后加入了 苹果 的，他表示，在 苹果 把 神经网络 用于Siri之前，其用户量已经在产生大量数据，而这对训练 神经网络 十分重要。“乔布斯说，一夜之间就会拥有数百万用户，还不用公测。突然之间就会有用户，他们会告诉你，人们如何与应用对话。这是第一次革命，那之后 神经网络 时代到来了。”
随着Siri转移到用 神经网络 处理 语音识别 而来的，还有几位AI专家，其中包括现在语音组的主管Alex Acero。Acero的 语音识别 经历始于90年代的 苹果 ，后来他在微软研究院工作了多年。“我喜欢这类工作，也发表了很多论文。当Siri出现时，我意识到这是让深度 神经网络 应用得以实现的机会，不是让几百人用，而是让数百万人用。”换句话说，他就是 苹果 想找的那类科学家优先考虑产品而非发表论文。
当Acero在三年前加入时，Siri用的语音技术仍基本来自第三方的授权，而这种情况必须改变。Federighi意识到，这是 苹果 不断在重复的一种模式。“随着一项技术对开发核心产品变得越来越重要，我们会让内部逐渐接手开发。要开发伟大的产品，我们希望内部拥有技术，并在内部创新， 语音识别 就是一个很好的例子。”
团队开始训练 神经网络 ，以替代Siri早前的技术。 苹果 的GPU集群不停运转，调用了大量数量。2014年7月的发布证明，所有努力都没有白费。
Acero表示，“当时在所有语言上，错误率降低了两倍，在很多场景下还不止如此。这都要归功于深度学习及对它的优化，不仅是 算法 方面，更是在产品开发的整个过程上。”
苹果 不是第一家在 语音识别 中使用DNN的公司，但它证明，控制整个运转系统会产生优势。Acero表示，正是因为 苹果 自己设计芯片，他能直接与编写固件的芯片设计组工程师合作，最大化提升 神经网络 的性能。Siri团队的需求甚至影响了iPhone设计的方方面面。
