AnthropicとOpenAIのMac争奪戦が浮き彫りにする、AIハードウェアをめぐる意外な競争
OpenAIは数万台のMacを購入し、AnthropicはAWS経由でMac miniの容量を借りたと報じられている。一般的なデスクトップPCが、争奪対象のAIインフラへと変わりつつある。
このAnthropicとOpenAIの調達をめぐる話は最初にThe Informationが報じ、2026年8月31日に再掲載された。報道によれば、OpenAIは強化学習とコンピューター操作エージェントの開発のため、より多くのMac miniおよびMac Studioシステムを必要としているという。両社とも、報じられた発注台数を公に確認していない。
この逆転は印象的だ。Nvidiaのアクセラレータは依然として大規模モデルの訓練を支配している一方、Appleのデスクトップは別の役割を担いつつある。実際のmacOS環境、ユニファイドメモリ、持続的な冷却性能、そして数千件に及ぶエージェント操作をローカルで制御する手段を提供できるからだ。
これは、AppleシリコンがデータセンターでNvidiaを置き換えたことを示す証拠ではない。AIエージェントが、第二のハードウェア競争を生み出していることを示している。勝者は、エージェントが操作を期待されるコンピューター、インターフェース、オペレーティングシステムを再現しなければならない。
OpenAIとAnthropicが報じられた形で変えたこと
重要なのは、AI研究所がMacを発見したことではない。報じられるところでは、Macを大規模な訓練インフラとして扱い始めたことだ。
元の報道によれば、OpenAIは数か月にわたり数万台のMac miniとMac Studioを取得した。活動に詳しい関係者は、これらの購入は強化学習とコンピューター操作エージェントの訓練に起因するとしている。
強化学習は、有用な行動に報酬を与え、失敗した行動にペナルティを課す訓練手法だ。コンピューター操作エージェントの場合、その行動には画面を読む、操作対象を選ぶ、テキストを入力する、インターフェースの変更後に復旧するといったものが含まれる。
OpenAIは以前から、Computer-Using Agentが視覚的な認識と推論を強化学習と組み合わせるものだと説明している。公開されているcomputer agent overviewでは、仮想マウスとキーボードを通じてグラフィカルインターフェースを操作するよう訓練されたシステムが説明されている。
この手法には、単なるスクリーンショットの集まり以上のものが必要だ。開発者には、エージェントがタスクを試み、誤りを起こし、アプリケーションの状態に遭遇し、測定可能な結果を受け取れる環境が必要となる。物理的なMacフリートは、こうした操作において本物のmacOSの挙動を提供する。
報じられたAnthropicの取り決めは、異なる調達経路をたどる。同じ報道によれば、Anthropicはすべてのマシンを直接保有するのではなく、Amazon Web Servicesを通じてMac miniの容量を借りている。
AWSは、そのMac instancesが物理的なAppleハードウェアを利用すると確認している。利用可能な構成には、複数世代のAppleシリコンを搭載したMac miniおよびMac Studioホストが含まれる。
この違いは重要だ。macOSは、汎用的なクラウドサーバーに配置できる単なる別のオペレーティングシステムイメージではない。AWSは顧客に物理Macホストを専有させ、ネイティブのApple環境へのリモートアクセスを提供する。
Anthropicには、こうした環境を必要とする明確な理由がある。同社は2024年10月、Claude computer useをパブリックベータとして導入した。このシステムはディスプレイを観察し、カーソルを動かし、テキストを入力し、可視のインターフェースを通じてソフトウェアと対話する。
同社のcomputer use releaseでは、この機能を実験的なものとして位置付けている。Anthropicはまた、レイテンシー、信頼性、モデルにソフトウェア操作を許可するリスクについて開発者に警告している。
したがって、報じられた購入は両研究所で既知の製品方針に合致する。OpenAIとAnthropicはいずれも、コンピューターを操作するエージェントを公に開発しており、AWSは物理Macをクラウドインフラとして提供している。
未確認のままなのは、匿名の情報源が示した規模と緊急性だ。OpenAIは、数万台という数字を裏付ける調達記録を公表していない。AnthropicとAWSも、AnthropicがどれほどのMac容量を借りているかを明らかにしていない。
したがって、8月31日の報道は、信頼性はあるものの独立した検証はされていない調達報道として読むべきだ。その仕組みには技術的な合理性があるが、報じられた台数は依然として匿名情報源の主張にとどまる。
この留保が、より広いシグナルを消すわけではない。Appleは、調達報道がより広い注目を集める前に、最新のMac miniを常時稼働するエージェントワークロード向けとして直接訴求し始めていた。
8月25日、AppleはM6およびM5 Proチップを搭載した新しいMac miniモデルを発表した。対象市場では9月22日から販売開始が予定されていた。
AppleのMac mini announcementは、エージェント型コンピューティング、ローカルモデル、より高いメモリ帯域幅、持続的なデスクトップ運用を繰り返し強調している。この表現は、従来はコンパクトなパーソナルコンピューターとして提示されてきたデバイスとしては異例に直接的だ。
このタイミングは、AppleがOpenAIやAnthropic向けにこの刷新を設計したことを証明するものではない。ただし、Appleが最小のデスクトップをめぐって発展しつつあるエンタープライズワークロードを認識していることは示している。
Mac miniがコンピューター操作の訓練に適する理由
ここでMacに価値があるのは、エージェントがコンピューター環境を必要とするからであり、AppleがあらゆるNvidiaアクセラレータを上回る高速な代替品を作ったからではない。
大規模AIモデルは通常、専用GPUを含むクラスターで訓練される。これらのプロセッサは、ニューラルネットワークを巨大な規模で訓練・提供するために必要な高密度の数値演算に優れている。
コンピューター操作の開発には、もう一つの要件が加わる。モデルは基盤訓練の後、オペレーティングシステムとそのアプリケーションに対話しなければならない。ウィンドウの開き方、メニューの移動、権限要求の表示、ワークフローを中断する障害を観察する必要がある。
Mac miniは、こうした演習のための再現可能なmacOSエンドポイントとして機能できる。設置面積が小さく、内蔵ディスプレイなしで動作し、長時間アクティブな状態を維持できる。研究所は多くのユニットを中央集約型のオーケストレーションおよび評価システムに接続できる。
デスクトップ設計は、薄型ノートPCよりも優れた持続的冷却性能も提供する。熱によってプロセッサが長時間のワークロード中に速度を落とすことがあり、この挙動はサーマルスロットリングとして知られている。より大きな筐体とアクティブ冷却は、この制約を軽減する。
Appleのユニファイドメモリアーキテクチャは、もう一つの利点を提供する。CPU、GPU、ニューラル処理コンポーネントは、完全に別々のコピーを保持する代わりに、共有メモリプールへアクセスできる。
この設計によってAppleチップが自動的にNvidia GPUより高速になるわけではない。しかし、メモリ負荷の高いローカル推論を簡素化し、一部のコンシューマー向けグラフィックスカードで利用できる専用メモリを超えるモデルに対応できる可能性がある。
Appleによれば、新しいM5 Pro Mac miniは最大64GBのユニファイドメモリをサポートする。Appleはまた、Thunderbolt接続により複数システムを連携させ、より大規模なローカルモデル実験を行えるとしている。
こうした仕様は、より大容量のメモリ構成に需要がある理由を説明する。エージェントホストは、モデル以上のものを実行しなければならない場合が多い。macOS、ブラウザ、対象アプリケーション、監視ソフトウェア、各タスク後にリセットされるサンドボックスも動作させる可能性がある。
ローカルホストは、より大きなモデルをAPI経由で呼び出しながら、軽量モデルを実行できる。また、リモートで提供される最先端モデルが制御する環境として機能することもできる。
この違いは、AnthropicとOpenAIのMacをめぐる話についてよくある誤解を正す。Macは必ずしもモデル訓練のすべての段階を実行するわけではない。インタラクション軌跡の生成、評価タスクのホスト、別の場所で実行されるモデルが選択したアクションの実行を担うことができる。
軌跡とは、エージェントタスクにおける観察、判断、アクション、結果の記録された連続のことだ。チームは成功と失敗の軌跡を調べ、採点し、その結果を後続の訓練に利用できる。
たとえば、プレゼンテーションの作成を学ぶエージェントを考えてみよう。ソース資料を開き、関連するテキストを見つけ、スライドを作成し、ファイルを管理し、完成した文書が要求を満たしているか認識しなければならない。
標準的なベンチマークは、このプロセスの一部を模倣できる。実機のMacフリートは、タスクを困難にするオペレーティングシステム、アプリケーション、権限、予期しない状態を提供する。
同じ論理は、ブラウザでの調査、コーディング、カスタマーサポート業務、メディア編集、エンタープライズワークフローにも当てはまる。各タスクには、モデルとは独立して変化し得るインターフェースが関わる。
これらの演習を大規模に実行することは要求が厳しい。単一のタスクでも、ダイアログがボタンを覆った、アプリケーションがアクセス許可を求めた、ウィンドウが別の位置で開いた、といった理由で失敗する可能性がある。
開発者は、エージェントがこうした変更から回復できるかを特定するために、多数の試行を必要とする。数千台のホストがあれば、小規模なテストフリートでは遅々として進まない並列実験、評価、データ収集を支えられる。
物理アクセスは、研究所に実験条件に対するより大きな制御ももたらす。チームはオペレーティングシステムのバージョン、アプリケーションビルド、ネットワークポリシー、リセット手順、ロギングツールを選択できる。
クラウド上のMacは異なるバランスを提供する。物理マシンの設置、ネットワーク接続、交換に伴う作業の多くを不要にする。モデル推論やデータ処理に使う他のクラウドサービスの近くで、容量をプロビジョニングできる。
AWSによれば、EC2 Mac instancesはSSHまたはApple Remote Desktopを介したリモートアクセスをサポートする。掲載されているAppleシリコンホストには、M1、M2、M4、Pro、Max、Ultra構成が含まれる。
このカタログは、Anthropicが購入ではなくレンタルを選ぶ可能性を説明する。企業は社内Macデータセンターを構築せずともネイティブのmacOS環境を利用できる。ただし、専有ホストのルールにより、通常の仮想マシンとは異なる。
所有かレンタルかの選択は、より大きな開発パターンに比べれば二次的な問題だ。いずれの経路も、エージェントが顧客がすでに使っているソフトウェアの操作を練習できるネイティブなエンドポイントを提供する。
AnthropicとOpenAIのハードウェア競争はMac対Nvidiaではない
主要な競争は、特化型AIコンピューティングと本物のユーザー環境の間にあり、コンピューター操作エージェントにはその両方が必要だ。
Nvidiaは、最先端モデルの訓練と展開において依然として中心的な存在だ。同社のアクセラレータ、ネットワーク製品、ソフトウェアスタックは、データセンタークラスター全体での大規模並列ワークロード向けに設計されている。
Mac miniフリートが解決するのは、より限定的な問題だ。エージェントが認識し制御しなければならない環境のコピーを多数提供する。これらのマシンをデータセンターGPUの直接的な代替品として扱うと、その実際の価値を見誤る。
この関係はロボティクスプログラムに似ている。企業は大規模なコンピューティングクラスター上で認識・計画モデルを訓練できるが、それでも対象環境でアクションを検証するには物理ロボットや現実的なシミュレーターが必要となる。
デスクトップエージェントにとって、macOSはその対象環境の一部だ。アプリケーション、アクセシビリティインターフェース、セキュリティプロンプト、ファイルの慣例、ウィンドウの挙動はすべて、自動化タスクが成功するかどうかに影響する。
これはAIハードウェアスタックに新たな層を生み出す。
基盤には、モデルの訓練に使われる大規模クラスターがある。その上には、応答とアクションを生成する推論システムが位置する。エンドポイント層には、それらのアクションが実行・評価されるデバイスとオペレーティングシステムが含まれる。
Appleはこのエンドポイント層で独特の位置にある。プロセッサ、オペレーティングシステム、ハードウェア設計、多くのシステムフレームワークを管理している。この統合により、Mac環境は自動化に十分な一貫性を保ちながら、実際の顧客マシンを代表するものになり得る。
しかし、Appleは最先端の主要モデルを支配しているわけではない。知能の多くはOpenAIとAnthropicが提供し、大規模な計算能力の多くはNvidiaとクラウドプロバイダーが担っている。
その結果、生まれているのは明確な競争上の勝利ではなく、相互依存だ。AI企業がMacのエンドポイントを必要とする際、Appleは恩恵を受ける。Appleが利用しやすく管理可能で、システムの挙動が予測できるハードウェアを提供すれば、AIラボも利益を得る。
AWSは両者の利害の間に位置する。物理的なMac miniやMac Studioを、ストレージ、ネットワーク、監視、モデル提供リソースに接続された、リモートでプロビジョニング可能なインフラへと変換できる。
この多層的な市場は、複数のグループに圧力をかける。
Appleは、Macを1台ずつ販売する製品として維持するのか、企業のエージェント群のための管理プラットフォームへ変えるのかを決めなければならない。法人顧客は、導入ツール、安定供給、リモート管理、サービス保証を期待するだろう。
クラウドプロバイダーは、ネイティブMac容量をどの程度の速さで拡大するかを決める必要がある。コンピューター利用の評価が増加すれば、アプリケーションのビルドを主眼に置いた旧来の構成では、十分なメモリや性能を提供できない可能性がある。
AIラボは、実際にどれほどのエンドポイントインフラを必要とするのかを見極めなければならない。数万台のマシンを所有すれば企業は制御力を得られるが、保守、ネットワーク、セキュリティ、稼働率の問題も生じる。
Nvidiaが受ける直接的な圧力は、見出しが示唆するほど大きくはない。Apple siliconは、このワークロードを獲得するためにNvidiaの最速アクセラレーターを上回る必要はない。すべての操作にGPUサーバーを使う必要がなくなるほど、エンドポイントでの実行を効率よく処理できればよい。
ソフトウェア面にも機会がある。オーケストレーションシステムは、タスクを個々のMacに割り当て、クリーンな状態を復元し、軌跡を記録し、信頼できないエージェントの操作を隔離しなければならない。
これらのシステムは、すでにモバイルアプリケーションのテストに使われているデバイスファームに似ている。違いは、自律エージェントの挙動が従来のスクリプト化されたテストより予測しにくい点にある。
テストスクリプトは、あらかじめ定められた手順に従う。エージェントは目標を解釈し、操作を選択し、開発者が想定していなかった状態へ進む可能性がある。そのためインフラは、評価者からミスを隠すことなく、それを封じ込めなければならない。
この点で、可観測性は特に重要になる。チームには、モデルが何を見たのか、なぜその操作を選んだのか、どのアプリケーションが変更されたのか、機密情報が露出したかどうかの記録が必要だ。
社内でエージェントを検討する組織は、ハードウェアの話題を購入判断の近道にすべきではない。Mac miniだけで信頼できるエージェントが生まれるわけではない。
より難しい作業には、評価設計、アクセス制御、データガバナンス、復旧手順が含まれる。検索可能なAIナレッジベースは根拠に基づくワークフローを支援できるが、エージェントが変更できる範囲を制限する必要性をなくすものではない。
AnthropicとOpenAIの調達報告が重要なのは、主要な2つのラボがエンドポイントの問題に投資しているように見えるためだ。報じられた行動は、インターフェースの信頼性を確保するには、ハードウェア需要に影響を及ぼすほどのインフラが必要になっていることを示唆する。
これはデモ動画より強いシグナルだ。コンピューター利用が、フリート、スケジューラー、テスト環境、障害分析を伴う運用上の専門分野になりつつあることを意味する。
この報告が証明していないこと
報じられた需要はもっともらしい傾向を示すが、Macがあらゆるエージェントワークロードに対して十分に効率的で、利用可能で、信頼できることを証明するものではない。
最大の不確実性は調達規模だ。数万台という主張は、OpenAIの活動に詳しいとされる人物から出たものだ。発注書、導入台数、稼働率のデータは公表されていない。
2つ目の不確実性はワークロードの割り当てに関するものだ。報告はこれらのマシンを強化学習やコンピューター利用エージェントと結び付けているが、どの段階がローカルで実行されるのかは明示していない。
Macはユーザー環境をホストし、リモートGPUがモデルを提供するかもしれない。ローカル推論、軌跡の収集、評価の実行を担うことも、それらの機能を組み合わせることもあり得る。
設計ごとに、メモリ、ネットワーク、ストレージ、フリート規模に対する要件は異なる。この詳細がなければ、観察者はマシンが実際にどれだけのAI作業を行っているのかを計算できない。
3つ目の不確実性は稼働率だ。大規模なフリートは実験のピーク時には効率的に見えても、トレーニング実行の合間には遊休状態になる可能性がある。クラウドのレンタルは所有負担を軽減できる一方、専用の物理ホストは柔軟性を制限することもある。
供給も別の問題だ。報じられた急増は、より大容量のメモリを備えた構成に大きく焦点を当てている。こうしたマシンは、パーソナルコンピューター、サーバー、AIアクセラレーター全体ですでに必要とされる部品を巡って競合する。
供給不足は、例外的な需要という印象を増幅し得る。限られた供給は注文増加と生産制約の双方を反映する可能性があり、希少性だけではAIラボが何台を消費したかを示せない。
Appleの性能主張も慎重に解釈する必要がある。同社は最新チップにおけるローカルモデル処理の大幅な向上を報告しているが、その結果は選定されたアプリケーション、モデル、構成、ベースラインを用いている。
これらは、Mac miniが最先端モデルのトレーニング全般でデータセンターハードウェアを上回ることを示すものではない。Appleが想定するローカルワークフロー内での改善を示している。
信頼性はさらに深い課題をもたらす。コンピューター利用エージェントはインターフェースを読み違え、破壊的な操作を選択し、私的情報を露出させたり、前提が無効になった後も動作を続けたりする可能性がある。
Anthropicの最近のシステムカード研究では、モデルが最初に許可を求めずに危険な操作を取った事例が説明されている。こうした知見はコンピューター利用を不可能にするものではないが、人間による承認と制限された環境の必要性を改めて示している。
OpenAIもエージェントの安全性について同様の注意を促している。同社のOperator関連資料は、Webページや文書内の悪意あるコンテンツがテキストを通じてエージェントを操作しようとするプロンプトインジェクションへの防御を説明している。
フリートは実験の数を増やすだけで、各実験の安全性を高めるわけではない。信頼性の低い挙動を拡大すれば、より多くの失敗データを得られる可能性がある一方、隔離制御が失敗した場合には露出も増える。
本物に近い環境は、さらなる緊張を生む。開発者は、無菌的なベンチマークでは重要な複雑さが省かれるため、現実的なアプリケーション、アカウント、文書、Webサイトを求める。
しかし現実的な環境には機密情報が含まれ得る。チームは、合成データ、隔離されたテストアカウント、厳格な制御を備えた本番システムのどれを使うか決めなければならない。
環境が人工的になるほど、日常業務を正確に表現できなくなる。現実的になるほど、プライバシーとセキュリティのリスクは高まる。
AIラボにはプラットフォーム上のリスクもある。macOSへの深い依存により、そのトレーニングプロセスはAppleのオペレーティングシステムの変更、ハードウェア供給、ライセンス規則、管理インターフェースの影響を受けやすくなる。
アップデートによって、操作項目の位置が変わり、権限確認の表示が変更され、アクセシビリティの挙動が変化することがある。こうした変更は有用な評価テストになるが、大規模な自動化パイプラインを一夜で破壊する可能性もある。
開発者はmacOS、Windows、Linux、ブラウザーのみの環境をサポートする抽象化を構築することで対応するかもしれない。多様なフリートは、企業が使用するコンピューターの幅をより適切に反映するだろう。
この拡大は、Mac miniが万能なエージェントマシンになったという結論を弱める。むしろ、より広範なエンドポイントラボの重要な一員になるかもしれない。
現時点の報告には、オペレーティングシステム間の比較可能な失敗率は示されていない。また、Macで訓練されたエージェントがWindowsやWebアプリケーションへより効果的に転移するという証拠もない。
これらの欠けた測定値は、台数より重要だ。ハードウェア需要は企業がどこで実験しているかを示す一方、ベンチマークと導入の結果は実験が機能しているかを示す。
読者は、OpenAIとAnthropicが同じ決定を下したと考えることも避けるべきだ。報じられたマシンの購入と、報じられた容量のレンタルは、異なる運用上のコミットメントを意味する。
正確に記述されているなら、OpenAIのアプローチは制御と継続的な所有を重視する。AnthropicによるAWS利用は、マネージドインフラと主要クラウドパートナーとのより緊密な統合を重視する。
この分野では一つのアーキテクチャにまだ収束していないため、これらの戦略は共存できる。選択は、実験量、セキュリティ要件、既存のクラウド関係、特定のハードウェア世代に対する必要性に左右される。
Macへの急行を検証する3つのシグナル
次に必要な証拠は、ハードウェア熱のさらなる波ではなく、供給、クラウド容量、エージェント性能から得られなければならない。
1つ目のシグナルは、Appleが9月22日に発売した後の納品と供給状況だ。新しいMac miniラインは常時稼働のエージェント型コンピューティング向けとして明確に販売されており、大容量メモリ構成が最も明確な需要テストとなる。
納期の長期化は、法人およびAIワークロードが供給を吸収しているという見方を強めるだろう。安定した供給は、Appleが需要を予測していたか、報じられたラボの購入が見出しが示唆するほど混乱を招かなかったことを示すだろう。
納期だけでは不完全な指標であり続ける。部品不足、地域ごとの割り当て、発売時の需要はいずれも、どの顧客がマシンを購入したかを明らかにせずに供給状況へ影響し得る。
2つ目のシグナルは、クラウドMacインフラの拡張だ。AWSは現在、M4およびM4 Proモデルを含む複数世代の物理Macホストを文書化している。
より新しい構成、より多くのリージョン、あるいはエージェント評価への明示的な対応は、顧客需要がアプリケーション開発を超えて広がっていることを示すだろう。また、Anthropicが報じられたレンタル戦略を他社が模倣しやすくなる。
急速な拡張が見られなければ、クラウドMacが主要なAIカテゴリーになりつつあるという考えは弱まる。それは、需要が専門的なニーズを持つ少数の大規模ラボに集中していることを意味する可能性がある。
他のクラウドプロバイダーやMacに特化したホスティング企業にも注目すべきだ。より広範な市場はAWSへの依存を減らし、購入者が直接所有よりクラウド管理を重視しているかどうかを明らかにする。
3つ目のシグナルは、コンピューター利用エージェントにおける測定可能な改善だ。OpenAI、Anthropic、独立系研究者は、タスク完了、復旧挙動、安全性、オペレーティングシステム間の性能を対象とした評価を公表する必要がある。
より大きなハードウェアフリートは、未知のインターフェースでより高い頻度で成功するエージェントを生み出す場合に正当化される。長く複雑なタスクでの信頼性が横ばいのままデモだけが改善しても、説得力は低い。
企業は自社システムに有利なタスクを選択する可能性があるため、独立したベンチマークは特に価値が高い。再現可能な評価は、改善がアプリケーションやハードウェアをまたいで転移するかを示せる。
最近公開されたMacAgentBenchの研究は、実際のmacOS自動化への関心が高まっていることを反映している。この種のベンチマークは、制御されたデモと実務上のデスクトップ作業の隔たりを明らかにできる。
企業は、ベンチマークスコアと並行して導入の証拠を注視すべきだ。モデルがテストを完了できても、多くの監督を必要とするなら時間をほとんど節約できない可能性がある。
有用なシグナルには、人間の介入頻度、破壊的なエラーの数、インターフェース変更後の復旧、複数アプリケーションにまたがるタスクの完了率が含まれる。
プライバシー制御も測定する必要がある。無関係な文書を露出させながらワークフローを完了するエージェントは、企業環境では成功とは言えない。
開発者にとっての教訓は、モデル、エンドポイント、ナレッジの各レイヤーを分けることだ。能力の高いモデルが操作を選択し、制御されたエンドポイントがそれを実行し、統制された情報源が関連するコンテキストを提供する。
チームは、制限されたテスト環境と限定的なワークフローから始められる。権限を拡大したり、エージェントの無監督運用を許可したりする前に、失敗を記録すべきだ。
ナレッジワーカーにとっては、より差し迫った問いがある。常時稼働するエージェントは、専用コンピューターを用意する価値があるほど有用なのか。それとも、既存のソフトウェアやクラウドサービスで同じタスクを安全に実行できるのか。
答えは、ワークロードの機密性と頻度に左右される。ローカル実行は制御性と継続性を提供する一方、クラウド実行は拡張と保守を容易にする。
エージェントがMac専用ソフトウェア、ローカルファイル、あるいはシステム自動化と連携しなければならない場合、専用Macの魅力は高まる。作業がすべてブラウザAPIを介して行われる場合、その必要性は低くなる。
したがって、AnthropicとOpenAIによるMac争奪は、単純なローカルコンピューティングの勝利ではなく、ハイブリッドな未来を示している。最先端モデルはデータセンターに置かれたまま、物理的なエンドポイントがその行動を実行・評価することができる。
Appleは、主導的なモデルを保有していなくても、その構図から恩恵を得る。Nvidiaは大規模コンピューティングにおける中心的な役割を維持する。AWSには、もう一つの専門的なインフラカテゴリーが加わる。
それでも、最も困難な重荷を負うのはOpenAIとAnthropicだ。数千台のコンピューターへのアクセスを、1台のコンピューター上で信頼性高く振る舞うエージェントへと変えなければならない。
この結果は、報じられた購入によってまだ証明されたわけではない。エージェントが変化するインターフェースに対応し、私的情報を保護し、誤りから復旧し、必要な監督を減らせるようになったときに、初めて証明される。
Mac miniをめぐる話が重要なのは、ハードウェア調達が、業界が次のボトルネックをどこに見ているかを示すからだ。そのボトルネックは、もはやモデル内部の知能だけではない。
何をすべきかを決めることと、現実のマシン上でそれを安全に実行することの間にある、困難な最後の一歩なのだ。
