过去几个月，OpenAI 悄然完成了一笔规模罕见的硬件采购：数万台 Mac mini 和 Mac Studio 被直接运进公司机房，成为训练 "计算机使用型智能体" 的专用机器。这批设备全部是不带显示器和键盘的裸机版本，不需要人机交互界面，只需要通电联网，就能在机房里全天候运转，为 AI 提供真实的桌面操作环境。
这笔采购之所以值得关注，不在于金额有多大，而在于它打破了一个长期以来的默认共识：AI 实验室的硬件清单上，似乎只有英伟达 GPU。现在，苹果的消费级电脑第一次以数万台的规模，进入了前沿 AI 训练的核心环节。
计算机使用型智能体：让 AI 学会像人一样操作电脑
要理解为什么 OpenAI 需要这么多 Mac，得先搞清楚它在训练什么。
计算机使用型智能体，和我们平时聊天用的大模型不是一回事。普通大模型的输出是文字，它在一个 "语言空间" 里工作；而计算机使用型智能体的输出是动作 —— 移动鼠标、点击图标、输入文字、切换窗口、打开浏览器、填写表单、编辑文档，它要在一个 "操作空间" 里完成真实任务。
举个例子，你告诉普通大模型 "帮我订一张明天去上海的机票"，它会告诉你应该打开哪个网站、怎么搜索、怎么付款。但计算机使用型智能体会真的打开浏览器、进入订票网站、输入出发地和目的地、选择航班、填写乘客信息，一路操作到支付页面。它不是在 "教你怎么做"，而是在 "替你做"。
训练这种智能体，用的是强化学习。简单说，就是把 AI 放进一个真实的操作系统环境里，给它一个任务目标，让它自己尝试各种操作组合。操作对了，给正向奖励；操作错了或者任务失败，给负向反馈。AI 在成千上万次试错中，逐渐学会哪些操作序列能高效完成任务，哪些是死胡同。
这个过程和训练大模型完全不同。大模型预训练是把海量文本喂进去，让模型预测下一个词，核心是算力密度；而强化学习训练智能体，需要大量独立的环境实例同时运行，每个实例里的 AI 都在独立试错、独立收集反馈，核心是环境的并行数量和内存容量。
为什么选中 Mac，而非传统 GPU 集群
这就引出了一个关键问题：训练超大模型靠英伟达 GPU，那训练计算机使用型智能体，为什么不继续用 GPU 集群，反而要采购数万台 Mac？
答案在于两种训练任务对硬件的需求结构完全不同。
大模型预训练的瓶颈是算力。模型参数动辄数千亿，每次前向传播和反向传播都需要巨量的矩阵运算，这正是 GPU 的强项。把成千上万张英伟达 GPU 用高速互联网络连起来，形成一个超大规模的算力集群，就能在合理时间内完成训练。这个领域，英伟达的 CUDA 生态和硬件设计依然是绝对的统治者。
但计算机使用型智能体的训练瓶颈不是算力，而是内存和环境隔离。
强化学习的训练流程大致是这样的：大量智能体实例同时在各自的桌面环境里执行任务，收集状态、动作、奖励数据；这些数据汇总后，用来更新模型参数；更新后的模型再部署回各个实例，继续下一轮试错。这个循环中，最耗时的部分往往不是模型更新，而是智能体在环境里 "跑任务"—— 因为桌面操作有固有的时间延迟，打开一个应用、加载一个网页、等待一个界面响应，都需要真实的时间。
这意味着，要提高训练效率，最直接的办法不是提高单台机器的算力，而是增加同时运行的环境实例数量。你需要的是大量独立的、各自能跑一个完整桌面环境的小型机器，而不是一台把所有算力集中在一起的超级集群。
苹果芯片的统一内存架构，恰好适合这种场景。传统的 x86 PC 里，CPU 和 GPU 有各自独立的内存，数据在两者之间传递需要拷贝，既耗时又占带宽。而苹果的 M 系列芯片把 CPU、GPU、神经网络引擎全部集成在一块芯片上，共享同一池统一内存。对于运行桌面环境加 AI 模型推理这种混合负载来说，数据不需要在不同内存之间来回搬运，延迟更低，效率更高。
更重要的是，Mac mini 和 Mac Studio 本身就是完整的电脑。一台 Mac mini 通电联网，就是一个独立的 macOS 桌面环境，可以直接运行智能体训练任务，不需要额外配置虚拟化层，也不需要解决多租户环境隔离的问题。数万台 Mac mini 塞进机房，就是数万个独立的训练环境，这种 "开箱即用" 的特性，对于需要大规模并行环境的强化学习训练来说，吸引力是实打实的。
当然，这不是说 Mac 比 GPU"更强"，而是说在计算机使用型智能体这个特定的训练场景下，Mac 的架构特性和产品形态刚好匹配了需求。这是一个 "合适的工具做合适的事" 的案例，而不是一个 "苹果打败英伟达" 的故事。
Anthropic：不走采购，选择云租赁
在硬件策略上，并非所有 AI 实验室都选择了同一条路。
Anthropic 也在使用类似的 Mac 硬件进行计算机使用型智能体的强化学习训练，但它没有批量采购设备，而是选择通过亚马逊云服务租用 Mac mini 算力。需要多少就租多少，任务结束就释放，不需要承担硬件采购、运输、部署、维护的成本和风险。
这两条路径，对应着两种完全不同的算力策略。
OpenAI 的方式是重资产自建。一次性采购数万台设备，前期投入大，资产折旧压力也大，但好处是长期使用成本更低，设备完全可控，可以根据训练需求定制机房环境和网络配置，不用担心云服务商的产能限制和价格波动。对于已经明确计算机使用型智能体是长期战略方向、训练任务会持续数年的团队来说，自建的综合成本可能更低。
Anthropic 的方式是按需租赁。前期几乎没有硬件投入，灵活性极高，训练任务多的时候多租，任务少的时候少租，资源利用率可以做到很高。缺点是长期来看，云服务的单位算力成本通常高于自建硬件，而且受限于云服务商的 Mac 实例供应规模 ——AWS 的 Mac 实例产能本身就有限，想要大规模并行训练时可能租不到足够的实例。
两种策略没有绝对的优劣，更多是基于各自的业务规模、资金状况、战略判断做出的选择。但这两条路的存在本身就说明了一件事：AI 实验室在硬件采购上正在走向分化，不再是清一色只买英伟达 GPU。不同的训练任务需要不同的硬件，不同的团队有不同的成本结构，硬件市场的多元化，可能才刚刚开始。
大批量订单搅动消费市场，新款 Mac 陷入缺货潮
这笔大规模采购的影响，很快传导到了消费市场。
8 月 25 日，苹果刚刚完成 Mac mini 和 Mac Studio 的产品线更新。新一代设备搭载了苹果首款采用 2 纳米制程的 M6 芯片，同时提供 M5 Pro、M5 Max、M5 Ultra 等多种配置选择。2 纳米工艺带来了性能和能效的双重提升，本就被市场寄予厚望，新品上市初期需求旺盛。
换代没多久，就赶上了 OpenAI 这种规模级的批量采购。数万台高端配置的 Mac 设备直接被 AI 实验室包圆，消费市场的供货自然受到挤压。普通消费者下单后，等待时间被拉长，部分高端配置甚至出现了长期缺货的状态。
库克已经公开表态，这波高端配置的缺货情况预计还要持续数月。这意味着，想要买到最新款的高配 Mac mini 或 Mac Studio，消费者可能需要等到年底甚至更久。
有意思的是，这波 AI 实验室的批量订单，也给苹果的 Mac 业务带来了意料之外的增量。最新一个季度，苹果 Mac 业务营收同比上涨了 29%，在整体消费电子市场增长乏力的大背景下，这个增速相当亮眼。AI 实验室的批量采购，成为拉动 Mac 营收增长的重要力量。
对于苹果来说，这可能是一个值得认真对待的新信号。Mac 产品线长期以来的定位是面向消费者和专业创作者的个人电脑，AI 实验室的批量采购还是头一回。如果计算机使用型智能体的训练需求持续增长，未来可能会有更多 AI 实验室加入采购 Mac 的行列，Mac 业务可能会多出一个全新的 B 端增长曲线。
对英伟达意味着什么，会被替代吗
OpenAI 大规模采购 Mac 这件事，很快被放进了 "英伟达是否还能一家独大" 这个更大的讨论框架里。
英伟达内部已经将苹果视为本地 AI 处理领域的主要竞争对手。这个判断并非空穴来风 —— 苹果 M 系列芯片的神经网络引擎性能逐年提升，统一内存架构在某些 AI 推理场景下确实有独特优势，而且苹果掌控着从芯片到操作系统的全栈优化能力。如果未来越来越多的 AI 工作负载转移到本地设备上运行，苹果确实可能分走一块蛋糕。
但需要厘清的是，这件事并不代表苹果芯片能够替代英伟达在大模型预训练上的地位。
从技术特性来看，苹果芯片更适合中等规模模型的推理和微调。在这些场景下，对单精度算力的要求没有那么极端，对内存带宽和延迟更敏感，统一内存架构的优势能够发挥出来。但训练前沿级别的超大模型，需要的是极高的半精度甚至更低精度算力密度，需要的是数千张 GPU 高速互联形成的超算集群，这依然是英伟达的核心优势区，苹果芯片短期内看不到替代的可能。
这次变化更准确的说法是：不是每一美元的 AI 算力支出都必须流向英伟达。
过去几年，AI 实验室的硬件预算几乎全部花在了英伟达 GPU 上，因为大模型预训练是唯一的核心任务，而这个任务只有英伟达能做好。但随着 AI 技术的发展，训练任务开始分化：大模型预训练依然需要 GPU 集群，但计算机使用型智能体的强化学习训练更适合 Mac，模型推理可以用专用推理芯片，边缘端 AI 可以用移动芯片。不同的任务需要不同的硬件，AI 实验室开始按照训练任务的特点，把预算分散到不同类型的硬件上。
这对英伟达来说，不是灭顶之灾，但确实是一个需要认真面对的变化。英伟达的基本盘 —— 大模型预训练 —— 依然稳固，而且随着模型规模继续增长，这个市场还在扩大。但 AI 算力市场的增量，不再百分之百属于英伟达。苹果、AMD、谷歌 TPU、各种专用 AI 芯片，都在各自适合的场景里分走一块蛋糕。
从更长的时间维度看，这可能是 AI 硬件市场从 "一家独大" 走向 "多元共存" 的起点。对于整个行业来说，多元化的硬件供应意味着更低的供应链风险、更充分的竞争、更合理的价格，最终受益的是所有 AI 开发者和用户。而对于英伟达来说，如何在保持核心优势的同时，应对来自各个方向的竞争，将是未来几年最重要的战略课题。