今天有个消息在开发者圈子里传得挺快据 The Information 报道OpenAI 在过去几个月里购买了数以万计的 Mac mini 和 Mac Studio专门拿去做强化学习训练Anthropic 也跟着通过 AWS 租用 Mac mini 干类似的事。这消息不是苹果的软文——据多家媒体报道对 AI 开发者最有吸引力的高配版 Mac mini 和 Mac Studio 已经断货数月。先说清楚一个容易被标题带偏的点这不是苹果要取代英伟达而是 AI 训练基础设施开始按场景分工了。为什么偏偏是 MacAI 训练这些年基本是英伟达 GPU 的天下预训练、微调、推理都围着 CUDA 生态转。但 OpenAI 这批 Mac 不是拿来预训练的据称是用来训练计算机使用智能体computer-use agent——就是能自主操作电脑、编辑测试代码、自动整理邮箱、总结文档的多步骤 AI 系统。这类训练的特点是交互密集模型要反复操作环境、观察结果、调整策略跑大量试错rollout推理占比高而不是单次把矩阵算到天荒地老。Mac 能接住这个场景核心是统一内存unified memory。英伟达 GPU 的显存和系统内存是分开的数据在两者之间搬运会产生瓶颈苹果 M 系列芯片则是 CPU 和 GPU 共享同一块内存池模型权重、环境状态都放一块省掉了来回拷贝。另一个容易被忽略的细节是散热Mac mini 和 Mac Studio 有正经的散热设计能长时间满载运行不降频而强化学习训练一跑就是几小时甚至几天一降频前面就白跑了。变了什么没变什么变的是训练侧出现了 GPU 之外的规模化选项。据报道英伟达去年底发布了 DGX Spark 这款和 Mac mini 风格类似的桌面 AI 电脑直接来抢这块市场苹果这边把新品发布提前到了 8 月新款 Mac Studio 还专门强调多台串联组集群的能力配合 EXO Labs 这类开源项目多台 Mac 可以组成本地集群跑大模型。没变的是大规模预训练仍然离不开 GPU/TPU。Mac 接的是推理 交互比重高的环节是分工不是替代。打个不太准确的比方预训练像建厂房强化学习训练更像试生产线——厂房得用工程机械试生产线用标准工具反而灵活。对普通开发者意味着什么最实在的一点本地跑模型这件事离生产环境又近了一步。真要在 Mac 上折腾几个真实可用的切入点先确认自己的机器能不能用 GPU 加速PyTorch 的 MPS 后端在 Apple Silicon 上是现成的importtorchprint(torch.backends.mps.is_available())# True 说明可用本地推理常用 Apple 的 MLX 生态mlx-lm 是最常用的入口之一加载一个量化模型就能跑frommlx_lmimportload,generate model,tokenizerload(mlx-community/Qwen2.5-7B-Instruct-4bit)print(generate(model,tokenizer,prompt用一句话解释统一内存))买机器时别看芯片型号看内存。统一内存大小直接决定能跑多大的模型sysctl-nhw.memsize# 输出字节数除以 1024^3 就是 GB坑也得提前说统一内存是 CPU/GPU 共享的跑大模型时整机内存吃紧浏览器多开几个就卡内存带宽比 GPU 的 HBM 显存低适合推理和 Agent 训练不适合大规模预训练苹果在企业市场的支持一直偏弱——据媒体报道苹果没有专门面向企业客户的工程团队高配机型还经常没货已经有前 OpenAI 员工创业做基于苹果硬件的云计算Mount Thor据报道还在隐身模式说明这赛道有人看好但别急着冲说白了OpenAI 囤 Mac 这件事本质是AI 算力不再只有 GPU 一条路的又一个注脚。对我们打工人意味着本地跑模型、做 Agent 实验的门槛在降但也别指望一台 Mac mini 平替 A100 集群——它俩干的是不同的活。你会拿手头的 Mac 跑模型吗评论区聊聊。