Mac Mini 怎麼就成了蘋果「伺服器業務」的新起點？

一般來說，一個典型的 AI 數據中心應該充斥著高速散熱風扇的呼嘯聲、閃爍的指示燈，以及由 Nvidia H100、H200 計算卡堆疊而成的龐大機架。 這些昂貴而笨重的龐然大物構成了生成式 AI 時代的標準基石，專為吞噬萬億級 Token 的大型語言模型預訓練而生。 但在全球部分最頂尖的 AI 實驗室的公有雲機房中，卻是另一番景象： 數以千計甚至萬計的蘋果 Mac mini 與 Mac Studio，整齊地擺放在特製的機架托盤上。它們無需外接螢幕，沒有鍵盤滑鼠，只有電源線、高速雷電線纜和萬兆乙太網口連接至機房網路。 根據國外媒體披露的資訊，OpenAI 已經採購了數萬台此類蘋果電腦；Anthropic 同樣在亞馬遜 AWS 上大舉租賃 Mac 算力實例；一批由前頂尖 AI 基礎設施工程師創立的新創平台，也開始專門圍繞蘋果晶片與 Mac 電腦，搭建雲端機房。 一台原本為家庭書桌、學生宿舍與辦公室設計的消費級個人電腦，為何進入了伺服器機架，走上 AI 技術演進的最前線？ Agent 操作演練場 Mac mini 們為何會在伺服器機房裡大受追捧？原因在於當下 AI 研究和 AI 模型進展的重心發生了重大變化。 簡單來說， 過去幾年裡 AI 競賽的主線是「底座模型的預訓練與後訓練」。這一階段的目標是讓模型學習海量的資料，理解人類語言並掌握跨領域的通用推理能力，依靠的是超大規模集群上的浮點運算。 在這類場景中，配備專用  HBM  高頻寬顯存和 Nvidia 高速互聯 NVLink 技術的商用 GPU 是絕對霸主，消費級硬體目前根本難以置喙。 但隨著底層大模型的基礎能力趨於穩定，前沿實驗室的研發重點開始全面轉向 Agent 智能體——特別是需要具備各種操作電腦能力 (computer-use)，協助用戶解決日常工作和生活任務的 Agent。 這類代理型任務的終極目標，是讓 AI 不再侷限於聊天框中輸出文字，而是能像人類員工一樣，坐在螢幕前操控人類熟悉的作業系統圖形介面：移動滑鼠、點擊按鈕、在不同軟體間複製貼上、填寫電子表單、在瀏覽器中處理複雜表單、撰寫及除錯程式碼，遇到錯誤提示時自動排解。 訓練這類操作型 Agent，核心手段是基於環境互動的強化學習。這代表實驗室不再需要模型一次吞下幾個 TB 靜態文本，也無需太大的算力、記憶體和互聯頻寬，而是需要讓成千上萬個 Agent 實例，在真實、獨立的 GUI 環境中，不斷大量嘗試錯誤。 這時候傳統數據中心的架構就顯得有些尷尬了。 數據中心裡最常見的 Linux 容器，非常適合運行無圖形介面的指令腳本和後端服務，與人類熟悉的工作流程完全不同。現實場景中，多數高價值的工作都發生在圖形界面上。Linux 也有各種發行版，可理解為一般用戶向的作業系統，但其應用生態、圖形渲染方式和系統權限等，和 macOS、Windows 差異極大。 這代表如果只在 Linux 虛擬桌面訓練，模型學到的 Agent 操作能力，還需要相當的調整才能遷移到真實的 macOS/Windows 工作環境。 過去 AI 時代未到來時，若雲伺服器需為特定用戶提供特定作業系統，通常會以虛擬機達成。 這屬於相對偶發，而非長期持續化場景。在傳統機架伺服器上虛擬化執行數萬個 macOS、Windows 虛擬機，會帶來龐大系統算力資源佔用，以及高額商業授權費用。 顯然，託管大量原生 macOS 實例，是更合理的做法。macOS 具備成熟的無障礙圖形 API、高度一致的視窗層級規範及極其豐富的桌面應用軟體生態。對於想訓練「讓模型學會使用現代桌面電腦」的研究員——所有前沿模型實驗室來說，macOS 是一個天生且標準的測試場。 但是根據蘋果最終用戶許可協議，macOS 只能合法運行於蘋果自家硬體上。所謂「黑蘋果」只是少數玩家的玩法，對企業級場景風險極高。 這也就是模型廠商為何需在機房裡部署真實的 Mac mini，它比傳統伺服器和 GPU 的單位密度更高，採購成本甚至可能更低。 Apple Silicon 派上大用場 當然，如果只是為了合規和運行 macOS，也有很多奇葩的作法，例如採購早期 x86 Mac，甚至配件市場大量供應的「無頭 MacBook」（拆了螢幕的筆電）都可行。 真正讓 Mac mini 在這一波 Agent 浪潮裡變得不可或缺的，是蘋果自研 Apple Silicon 零組件的獨特硬體特性。 首先是統一記憶體架構帶來極高的性價比：在傳統 PC 與通用伺服器架構中，CPU 記憶體和 GPU 顯存物理隔離，資料需透過 PCIe 通道在兩者間搬移。 這項設計，對傳統任務影響不大。但當本地需運行一個數億到數十、甚至數百億參數的模型時，傳統架構的傳輸延遲和頻寬瓶頸就極為致命。 這時，Apple Silicon 的統一記憶體架構 (UMA) 就發揮作用，CPU、GPU、ANE 等運算單元可以共用同一個高頻寬記憶體，意味著一台搭載數十 GB 統一記憶體的 Mac mini 可以直接將 Agent 決策模型一次載入記憶體，省下跨總線搬運延遲——大幅降低模型公司的任務耗時，提高後訓練與優化效率。 Mac mini 在採購成本上也具優勢：一台傳統 x86 伺服器配置等量大容量顯存的商用顯卡，硬體支出可能是一台 Mac mini 的幾倍甚至幾十倍（當然，記憶體漲價平等影響所有人，Mac 並不例外，也漲了一兩千元）。 對需要並發運行上萬個獨立環境訓練任務來說，單一節點成本差異將被指數放大。 此外，Apple Silicon 的優良效能，配合 Mac mini 主動散熱，讓長時間推理任務能持久維持高效率，在全機數十瓦的低功耗下長時間釋放全部性能。如此低功耗對伺服器機房的散熱和電力規劃更加友善，數據中心無需為其特別改造昂貴冷卻系統或超大功率電力線路，就可承載密集的 Mac 部署。 但蘋果為什麼不做雲服務？ 既然算力市場對 Mac 硬體需求如此強烈，蘋果又有如此多獨家技術，為何不順勢推類似 AWS、GCP 那樣的公有雲算力業務？偏偏蘋果就是不做。 目前在數據中心領域，蘋果確有相當深厚的技術投入。但根據公開資料，其戰略重心完全聚焦於自有需求，部署在「私有雲計算」(PCC) 伺服器中， 使用專屬 M 系列晶片定制集群，採極簡的驗證性安全 OS，處理蘋果智能/Siri AI 等高隱私的複雜推理運算。 PCC 本質上，是蘋果為解決端側設備算力不足而搭建的「雲端延伸隱私沙盒」。當 iPhone、iPad 或 Mac 上的蘋果智能/Siri AI 遇到端側晶片無法獨立完成的龐大模型任務時，請求會加密上傳至蘋果數據中心，由 M 晶片集群的大模型推理處理。 也正因此架構全棧專有 (proprietary)，蘋果展現了極致工程掌控力：PCC 算力節點剝除傳統 macOS 所有無關組件，包括永久儲存與管理員權限，僅保留推理所需核心。這些好處，第三方客戶無論再高價亦無緣享用。 歸根究柢，蘋果的商業邏輯始終建立於「銷售高利潤消費硬體」及「從大量消費者生態賺取服務收入」兩大基石上。 公有雲算力租賃是重資產、強維護、偏重 B 端銷售的領域。利潤率不低......但和蘋果的利潤率要求相比還是不夠看。蘋果顯然沒興趣把自己陷入和亞馬遜、微軟、Google 的正面價格戰。 蘋果曾經做過伺服器 當然，這並不妨礙科技公司們乾脆以消費者身份，大批購買 Mac 硬體自行運用——甚至年初許多個人消費者也在購買 Mac mini，部署 OpenClaw 或各種 Agent，作為自己的「個人伺服器」。 冥冥之中，蘋果並非一家伺服器公司，卻成為最受歡迎的伺服器廠商。 今日大家自發改造 Mac mini 當伺服器的現象，並非蘋果歷史上第一次，甚至帶有某種歷史輪迴的戲劇感。  二十多年前，在「雲服務」尚未爆發的時代，蘋果曾正式進軍過商用伺服器市場。 Xserve 的雄心與退場 2002 年 5 月，史蒂夫·賈伯斯推出了蘋果第一款企業級硬體——Xserve。  當時的 Xserve 採標準 1U 機架式設計，正面覆蓋標誌性一體銀色鋁合金面板及熱插拔硬碟托架。其先後搭載 PowerPC G4、G5 與後來的 Intel Xeon 處理器，配合 Xserve RAID 存儲系統與客製化 Mac OS X Server 作業系統，主打高校科研、影像剪輯與高端圖形渲染叢集。 圖源：Apple、Petoo 盡管 Xserve 在工業設計與軟硬體協同上大有特色，卻在嚴苛的企業級市場中步履維艱：  首先，Xserve 在標準化及生態面和企業熟悉的環境相隔甚遠，大多數企業級資料中心的管理工具、維運腳本與底層結構都是以 Linux 與 Windows Server 標準為主，Mac OS X Server 封閉的生態使其難以融入 B 端客戶現有 IT 管理體系中。  相比戴爾、惠普、IBM 那些用通用 x86 配件、價格實惠靈活調整的伺服器，Xserve 採購與維護成本過於昂貴。這般硬體溢價加糟糕通用性，使 Xserve 難以取悅用戶。 隨著 iPhone 問世，蘋果的重心及供應鏈資源完全傾向消費電子。Xserve 每年微不足道的出貨量，在蘋果龐大的財報裡不值一提。 於是 2010 年底，蘋果正式宣判 Xserve 停產。官方給出的替代方案是：建議企業改用搭載 Mac OS X Server 的 Mac Pro，或購買雙硬碟的「Mac mini Server」。 ——沒錯，15 年前，Mac mini 便曾被蘋果作為正式伺服器產品。 當時 Mac mini Server 使用四核 Intel Core i7，雙內建硬碟，主打中小企業和小型工作組，應用場景含集中的 Time Machine 備份、內部郵件/行事曆伺服器、管理同網路下蘋果設備。 民間用法更為多元，像是放客廳當 NAS（其實初代 Apple TV 就是蘋果用 Mac mini 魔改），甚至在 HomeKit 還未問世時，就用 Mac mini Server 配合第三方軟體做智慧家庭中樞。 尤其有趣的是，當年的官方案例甚至有這一條：Xcode 持續集成伺服器。彼時 iOS 開發正熱，團隊可買台伺服器自動檢查新代碼並集成打包——擱今天看這也很 Agent。 但當年的 Mac mini Server 仍屬於消費級產品，官方未針對公有雲規模使用做專門適配。既然蘋果不賣機架伺服器，開發者和託管服務商只好自力救濟。 以 MacStadium 為代表的第三方託管服務商，開發出專為 Mac mini 客製的機架托盤。透過精密 CNC 加工與 3D 列印配件，在標準 42U 機架塞進上百台普通 Mac mini，並安排專用散熱風道、集中電源模組與機械式開機手柄。 隨後，亞馬遜 AWS 也推出 EC2 Mac 實例——其底層做法同樣極其樸素：直接在 AWS Nitro 客製物理機架槽位安裝多台原味 Mac mini。 假如歷史再次降臨 十幾年過去，機房依舊沒等到蘋果官方機架伺服器，卻等來了最需要它們的 AI Agent。 面對當下 AI 實驗室對 Mac mini 和 Mac Studio 的巨大需求，蘋果雖無意重啟企業級雲服務部門，卻不等於會置身事外。 倘若蘋果希望順應 Agent 時代算力浪潮，在不破壞既有高利潤商業模式前提下，完全可以用更輕量與生態化方式釋放這部分價值。 例如，對機房部署的成千上萬台 Mac mini，目前的一大痛點就是運維。與企業級伺服器相比，消費級裝置在大量遠端運維方面沒這麼方便，雲服務商與企業用戶需自行作出不少適配。 如果蘋果願意，未來可針對專業級部署場景開放更底層的遠端管理協議與批量部署介面，進一步降低大規模運維成本。 此外，在蘋果官方定位上，Mac 仍是一台強調「單機」設計的消費產品，與 Nvidia DGX Spark 那類原生支援 NVLink 串接的設計不同。 但作為科技媒體，愛範兒也觀察到，過去幾年裡，蘋果其實曾與部分第三方機構嘗試過把多台 Mac 串接，驗證 Apple Silicon UMA 架構用於 AI 分散式推理的可行性。 去年，來自牛津大學的 Exo Labs 開發出一系列讓多台 Mac 並聯的基礎設施，且成功展示兩台 Mac Studio 可推理完整尺寸的 DeepSeek V3（671B 參數量）模型——僅用 400W 系統功耗、無風扇噪音，已等同 20 張 A100 顯卡、總計約 200 萬人民幣成本的群集能力。 那麼接下來，蘋果是否可能直接將這類多機串聯基礎建設，由官方進行整合？ 從 2002 年 Xserve 未竟的伺服器夢想，到 2011 年伺服器硬體線全面收縮，再到如今 Mac mini 悄然佔據 AI 實驗室機櫃，蘋果的「伺服器支線任務」完成了一次耐人尋味的輪迴。 當年因無法適應標準化 Linux 為主的資料中心規則，蘋果伺服器硬體出局。 然而二十多年後的今天，最前沿的 AI 必須學會如真人類般觀察螢幕、移動游標、操作軟體時，Mac mini 這台不起眼的小盒子，卻成為 AI 走向現實世界途中最不可或缺的隱形階梯。

作者｜杜晨

編輯｜肖欽鵬