AI训练不是只能用英伟达显卡吗，OpenAI偏要换个玩法！
OpenAI一口气买了几万台苹果Mac mini和Mac Studio，专门用来训练能自己操作电脑的AI智能体。Anthropic也没闲着，通过亚马逊云服务租了一大堆Mac算力。这波操作直接导致Mac mini和Mac Studio高端配置长期缺货。AI训练这块蛋糕，苹果就这么闯了进来。
苹果的统一内存架构把CPU、GPU和神经网络引擎的内存全打通了，数据不用再搬来搬去。最新款Mac Studio最高能配512GB统一内存，带宽达到1.2TB/s。一台机器就能装下千亿参数的大模型。多台Mac还能通过雷雳5接口连成集群，四台机器组队推理速度能飙到单机的3倍。
OpenAI买这些Mac不是为了替代英伟达的超级计算机，而是专门用来训练“计算机使用智能体”——那种能自己点按钮、敲代码、整理邮箱、总结文档的AI。训练这种AI需要在真实操作环境里反复试错，Mac就是最合适的训练场。
这事的戏剧性在于：苹果自己都没计划过这件事。Mac在企业AI市场的火爆完全是意外，苹果甚至没有专门的企业工程团队。但需求就这么来了，拦都拦不住。
英伟达独霸AI训练，苹果电脑凭啥半路杀出来
AI训练这事，过去十几年都是英伟达的地盘。从学术实验室到科技巨头，谁搞AI不得买几块英伟达显卡？H100、A100这些名字，搞AI的人耳朵都听出茧子了。
英伟达显卡的显存和系统内存是分开的。数据要在两者之间来回搬运，这就产生了瓶颈。好比厨房和餐桌离得太远，做好的菜得一趟一趟端。模型越大，搬运越频繁，效率就越低。
苹果M系列芯片走的是另一条路。统一内存架构让CPU、GPU和神经网络引擎共享同一个内存池。数据和计算都在一个地方完成，不用搬来搬去。这就把厨房搬到了餐桌旁边，随做随吃。
对AI训练来说，这个差异意味着什么？意味着能装下更大的模型。独立显卡的显存通常就几十GB，顶配也不过百GB出头。Mac Studio最高512GB的统一内存，直接把门槛拉高了好几倍。
但光有内存还不够。强化学习训练动辄持续数小时甚至数天数周。MacBook那种轻薄本撑不住。Mac mini和Mac Studio专门为长时间高负载设计，散热系统扛得住。
这就能解释为什么OpenAI买的是Mac mini和Mac Studio，而不是MacBook。没屏幕、没键盘不要紧，能24小时不宕机地跑训练才重要。
数万台 Mac 的秘密：OpenAI 为何放弃 GPU 改囤苹果电脑？
震惊！AI 训练不再只认 NVIDIA 显卡！
据 The Information 独家报道，OpenAI 正在秘密采购数万台 Mac mini 和 Mac Studio，用于强化学习并训练能自主操作电脑的"计算机使用智能体"。这不仅是硬件采购策略的转向，更是对 AI 发展路径的一次重大赌注。
事情要从 AI 智能体的本质说起。传统 AI 模型擅长回答问题、生成文本，但面对真实世界中的电脑操作却显得笨拙。想象一下，你让一个 AI 助手打开某个软件、点击特定按钮、填写表单——这些看似简单的动作，对现在的 AI 来说都是巨大挑战。OpenAI 看准了这个痛点，决定用特殊架构的电脑来训练这类智能体。
为什么是 Mac？答案藏在苹果独特的统一内存架构里。这种设计让 CPU 和 GPU 共享同一块内存池，数据不需要在两个存储区域之间来回搬运。对于需要频繁切换上下文、处理大量中间数据的智能体任务来说，这种架构减少了瓶颈，提升了效率。高端配置长期缺货的背后，是无数科技公司都在抢着买。
与此同时，竞争对手 Anthropic 选择了另一条路。他们通过 AWS 租用同类设备，采用云租赁模式而非大规模采购。两种策略背后，是对未来需求的不同判断。OpenAI 选择囤货，说明他们预期这类任务会成为长期刚需；Anthropic 选择租赁，则保留了灵活性。
这就怪了。大家都以为 AI 训练必须靠堆砌 GPU，结果 OpenAI 反其道而行。
难道我们一直误解了 AI 发展的方向？
计算机使用智能体，说白了就是一个能自己操作电脑的AI。它会移动鼠标、点击按钮、输入文字、打开关闭应用程序、在不同软件之间切换工作。
OpenAI之前就发布过这类智能体的原型。它通过强化学习来学习如何操作图形界面。训练过程是这样的：智能体在一个真实的操作系统环境里执行任务，系统记录它的每一步操作，判断结果对不对，然后把反馈喂给模型继续练。
这个训练逻辑决定了它必须跑在真实系统上。用虚拟机模拟macOS环境不是不行，但界面渲染、权限控制、应用兼容性这些细节，模拟和真实总有偏差。智能体在模拟环境里练得再好，一上真机就露馅。这就跟模拟器上练开车和真上路是两码事。
Mac在这里的角色就清晰了。它不是用来做模型主训练的超级计算机，而是智能体的训练场和执行节点。数万台Mac并行运行，每台都在反复执行任务、采集轨迹、验证结果。
模型参数的集中更新仍然由英伟达的GPU集群完成。Mac负责的是那些需要真实操作系统环境的脏活累活。这个分工很清晰：GPU算核心参数，Mac跑交互训练。
这就解释了一个关键问题：OpenAI买Mac不是要取代英伟达，而是在英伟达干不了的活上补位。
统一内存架构如何改写 AI 训练规则
传统电脑设计中，CPU 负责逻辑运算，GPU 负责图形和处理并行计算。两者各自拥有独立内存，数据要在它们之间传输时，必须经过 PCIe 总线等通道。这个过程就像两个人隔着房间传话，必须先走到门口，把消息交给走廊里的传递员，再传到对方手里。每次传递都有延迟，大量数据反复搬运时，延迟会累积成巨大的性能损耗。
苹果从 M 系列芯片开始推行统一内存架构（Unified Memory Architecture）。在这种设计下，CPU、GPU 和其他处理器核心共享同一块物理内存。数据不需要复制多份，也不需要跨总线传输，所有组件直接从同一个内存池读取或写入所需信息。这就好比所有人都围坐在同一张桌子旁，文件就放在桌面中央，谁需要随时拿取，不用专门派人去另一个房间取文件。
对于 AI 训练来说，这意味着什么？传统 GPU 集群在处理大模型时，显存容量往往成为瓶颈。当模型参数超过单卡显存限制，就需要在多卡之间分割数据，通信开销剧增。而 Mac 的高配版本提供高达 128GB 甚至更高的统一内存，所有计算单元都能访问完整数据集。这对某些类型的训练任务特别有利。
强化学习是其中典型场景。智能体在与环境交互过程中，需要记住大量状态信息、动作历史、奖励反馈。这些数据需要在不同计算模块间频繁交换。统一内存架构让记忆库保持完整，减少数据切分和重组的时间成本。更重要的是，某些算法需要对整个状态空间进行全局搜索或评估，统一内存避免了因内存不足导致的近似计算误差。
但这里有个问题。统一内存虽然容量大，带宽却不如专用高带宽内存（HBM）。NVIDIA 的 H100 等旗舰 GPU 配备的 HBM3 带宽可达每秒 3.4TB，而 Mac Studio 的 M2 Ultra 统一内存带宽约为 800GB/s。理论上，纯数值计算速度应该落后很多。可现实情况并非如此简单。
关键在于任务类型。AI 训练不是单一的计算密集型任务，而是由多种操作组成的复杂流程。有些阶段确实需要大量矩阵乘法，适合 GPU 加速；但另一些阶段涉及条件判断、内存寻址、动态调度，这些操作对延迟敏感，对峰值带宽要求不高。统一内存架构在降低延迟方面表现突出，恰好满足这类需求。
这就引出一个反常识的判断：AI 训练的效率不只取决于算力峰值，更取决于整体系统的数据流动效率。如果数据搬运耗时占整个训练周期的比例很高，那么优化内存架构带来的收益可能超过单纯提升计算速度。
OpenAI 选择 Mac，很可能就是看中了这一点。他们训练的计算机使用智能体，需要在模拟环境中执行一系列离散操作：打开应用、点击界面元素、输入文本、等待响应。这些操作产生的中间数据量不大，但对实时性要求极高。统一内存架构让智能体能快速读取当前屏幕状态、历史记录、目标指令，迅速做出决策并执行。
有人会说，那为什么不直接用高性能 PC？问题在于生态一致性。Mac 系统提供了稳定的 API 接口和统一的开发环境，这对于训练需要与操作系统深度交互的智能体至关重要。Windows 和 Linux 虽然灵活，但不同配置的硬件组合太多，测试覆盖成本高。Apple 的封闭生态反而成了优势。
这就带来一个新的思考方向。过去十年，AI 行业一直在追逐更快的 GPU、更大的集群规模。OpenAI 这次的选择，是否意味着行业重心将从"算力竞赛"转向"架构创新"？如果是这样，那些依赖传统 GPU 路线的公司会不会被甩在后面？
事情没那么简单。统一内存架构并非万能药，它适合特定类型的任务，但不一定适用于所有 AI 训练场景。大语言模型的预训练阶段仍然需要海量矩阵运算，这方面 GPU 集群的优势难以替代。Mac 的角色更像是补充，而非取代。
那么，OpenAI 到底要把这些 Mac 用在什么地方？数万台设备的规模暗示这不是小打小闹的试验项目。
数万台设备背后的战略意图揭秘
数万台 Mac 是什么概念？假设每台 Mac mini 售价 599 美元，Mac Studio 售价更高，这笔采购金额至少达到数亿美元。OpenAI 愿意投入这么多资金购买特定硬件，说明他们对这项技术的前景有强烈信心。但这种信心从何而来？
要理解这个问题，需要先搞清楚"计算机使用智能体"到底是什么。传统的 AI 助手，比如聊天机器人，只能在你给它的问题范围内作答。用户问"怎么重置密码"，它会给出文字步骤；用户问"帮我发邮件"，它无法真正打开邮件客户端完成操作。这类智能体被困在文本世界里，无法触达真实数字环境。
计算机使用智能体则要突破这个限制。它们的目标是像人类一样操作电脑：识别屏幕内容、理解界面元素、执行鼠标键盘操作、处理弹窗提示、应对异常情况。这听起来简单，实际难度极高。一个现代操作系统包含成千上万个应用程序，每个应用又有无数种使用方式。智能体需要学会通用化的操作逻辑，而不是死记硬背某个软件的固定流程。
训练这类智能体需要什么？首先是大量交互数据。智能体必须在各种应用场景中试错，积累成功经验，避免重复错误。其次是仿真环境。让智能体在真实电脑上练习既不现实也不安全，需要构建虚拟桌面环境，模拟各种软件界面和操作反馈。最后是持续学习能力。智能体遇到新情况时，不能每次都重新训练，而要能在已有知识基础上快速适应。
这三点都指向一个结论：训练过程需要频繁的状态切换和大量中间数据存储。智能体每执行一步操作，都要记录当前屏幕截图、界面结构、操作历史、预期目标。这些数据量不算特别大，但种类繁杂、更新频繁。统一内存架构正好胜任这种工作负载。
但问题来了。如果只是做实验性质的训练，为什么需要数万台设备？一台高性能工作站足以支撑研发团队的日常开发，云端资源也可以按需调用。大规模采购意味着 OpenAI 计划建立某种持续性、生产级的基础设施。
可能的解释之一是，他们打算构建全球最大的计算机使用智能体训练农场。想象这样一个场景：数万台 Mac 同时运行不同的训练任务，每台设备负责一个或多个智能体实例，7×24 小时不间断地进行强化学习。智能体在虚拟环境中尝试完成任务，失败就调整策略，成功就巩固经验。这种规模的并行训练，能在短时间内积累海量数据，加速智能体能力进化。
另一种可能是，OpenAI 准备推出面向开发者的智能体平台。类似现在的 API 服务，第三方开发者可以调用这些智能体来完成自动化任务：批量处理文件、监控网站变化、自动填报表单、管理社交媒体账号。数万台设备提供足够的并发处理能力，确保服务质量稳定。
还有一种更激进的设想。OpenAI 可能在为"通用人工智能"铺路。计算机操作能力是人类智能的核心组成部分，从记事本到浏览器，从代码编辑器到设计工具，人类每天通过这些界面与世界互动。如果一个 AI 系统能够像人一样熟练使用各类软件，它就迈出了通向通用智能的关键一步。
无论哪种情况，OpenAI 的战略意图都很明确：抢占计算机操作领域的 AI 制高点。一旦他们的智能体在实用性、可靠性、泛化能力上领先同行，就能形成强大的竞争壁垒。其他公司如果想跟进，不仅要追赶算法水平，还要重建整套基础设施。
这就解释了为什么 Anthropic 选择不同策略。他们通过 AWS 租用 Mac 实例，既能获得相同硬件能力，又避免了巨额前期投入。这种轻资产模式更适合初创公司或谨慎派企业。但如果 OpenAI 的策略最终被证明是正确的，Anthropic 可能会面临被动局面：要么支付更高的云租金，要么被迫跟进自建数据中心。
更深层的问题是，这种硬件军备竞赛会如何影响整个行业格局？当少数巨头掌握数万台专用训练设备时，中小公司还有没有机会参与竞争？AI 技术的发展是否会进一步向头部集中？
答案可能比想象中复杂。一方面，规模化效应确实会让大公司占据优势；另一方面，开源社区和云服务提供商也在努力降低门槛。更重要的是，真正的竞争力最终取决于算法创新和数据质量，而不仅仅是硬件数量。
不过，有一点可以确定。OpenAI 这次的大手笔采购，已经改变了 AI 行业的游戏规则。过去大家关注的是"谁的 GPU 更多"，现在要考虑的是"谁的架构更优"。这种转变会带来哪些连锁反应？
下一个值得关注的现象是供应链反应。苹果高端配置长期缺货，说明需求远超预期。这不仅影响 AI 公司，也会波及普通消费者和专业创作者。苹果会不会为此调整产能分配？或者推出专为 AI 训练定制的产品线？
这些都是悬而未决的问题。但至少现在我们可以确认一件事：AI 训练赛道的竞争维度正在发生深刻变化。
苹果被自己打了个措手不及，Mac在企业AI市场纯属意外
苹果上一次卖服务器还是2011年停产的Xserve。基于Mac的服务器操作系统也在2022年停掉了开发。这家公司从来就没把自己定位成企业IT设备供应商。
Mac mini过去在苹果美国Mac销量里只占大约3%。它是最便宜的Mac，体积小、功耗低，普通消费者买来当入门机或者客厅电脑。谁会想到这东西被AI实验室成堆往机房里搬？
苹果前AI产品企业营销经理Todd Dailey透露，Mac在企业AI市场的火爆完全是个意外。苹果没有专门面向企业客户的工程团队，也没有专注于开发者关系的员工。换句话说，苹果压根没打算做这笔生意，生意自己找上门了。
但苹果反应也不算慢。今年6月，苹果在总部Apple Park办了一场叫“Business at the Park”的企业活动。这在苹果历史上极其罕见——这家公司向来只关注消费市场，极少专门为企业客户办活动。迪士尼和福特的高管去了，Anthropic联合创始人Jared Kaplan也去了。即将卸任的Tim Cook和即将接任的John Ternus都在场。据参会者透露，Mac mini是整场活动的绝对焦点。
到了8月25日，苹果发布了新款Mac mini和Mac Studio，宣传重点已经明确转向设备端AI、大模型推理和多机集群。苹果还明确提出开发者可以在Mac上本地运行和微调大模型。发布时间也从传统的10月或11月提前到了8月。
但供应跟不上。AI数据中心对内存芯片的巨大需求导致了全行业短缺，苹果也逃不掉。高配版Mac mini和Mac Studio已经断货好几个月。苹果CEO Tim Cook承认，供应紧张可能还会持续数月。
英伟达坐不住了，苹果和英伟达的AI桌面电脑正面刚
Mac在本地AI领域的崛起已经引起了英伟达的注意。据一位跟英伟达高管讨论过竞争形势的知情人士透露，英伟达把苹果视为本地AI领域最大的竞争对手。
去年底，英伟达发布了DGX Spark。这是一款和Mac mini设计风格很像的AI桌面电脑，直接瞄准了同一个市场。DGX Spark现在有现货，而Mac的高配版已经断货好几个月。
这场竞争有意思的地方在于：苹果是被动卷入的，英伟达是主动出击的。苹果从来没规划过企业AI硬件这条产品线，英伟达却专门为这个市场设计了一款产品。一个没想卖，一个专门造，结果在同一个擂台碰上了。
但苹果有一个英伟达没有的筹码：macOS。计算机使用智能体需要在真实操作系统环境里训练，macOS是苹果自家的系统。英伟达的DGX Spark跑的是Linux，没法提供原生macOS环境。想训练能操作Mac的智能体，就得用真Mac。
前OpenAI计算基础设施员工Peter Voell已经嗅到了机会。他创办了Mount Thor，一家基于苹果硬件的云计算公司。这家公司目前还在隐身模式，官网把产品描述为“基于苹果硬件的AI执行环境”。一些初创公司甚至开始构建仅限Mac的云服务。
Mac正在从一个个人电脑品牌，变成AI基础设施的一部分。这事十年前没人能想到，五年前也没人能想到。但需求就这么来了。
有意思的是，苹果上一次卖服务器是2011年停产的Xserve。十五年后，苹果的电脑以另一种方式回到了机房里。只不过这次不是苹果主动卖服务器，是AI实验室自己把Mac搬进了数据中心。