Anthropic 租用 Apple Mac，Nvidia 的本地 AI 领先地位承压
据报道，Anthropic 通过 Amazon 租用 Apple Mac，而 OpenAI 已为强化学习和计算机使用开发采购了数万台 Mac。这一出人意料的需求，使 Anthropic 与 Apple 的关系置于更大范围的硬件竞争之中。Mac 正在成为 AI 实验室的工作基础设施，而不再只是员工随身携带的笔记本电脑。
这些采购并不意味着 Apple 已在模型训练领域取代 Nvidia。Nvidia 仍为许多大型 AI 集群提供加速器、网络和软件。变化的范围更为有限，却具有战略重要性。AI 开发者日益需要兼具大容量内存、安静运行、原生 macOS 访问能力，以及足以测试大型模型性能的本地系统。
这种组合让 Mac mini 和 Mac Studio 成为 Nvidia 紧凑型 AI 系统的替代选择。根据 The Information 的报道，Nvidia 高管如今将 Apple 视为其在本地 AI 领域的主要竞争对手。Apple 似乎并未围绕这一机会建立企业 AI 销售团队，却已取得这一位置。
OpenAI 与 Anthropic 将 Mac 纳入 AI 训练流程
关键变化不在于 AI 研究人员使用 Mac，而在于领先实验室据报需要大规模、可重复地部署它们。
据报道，OpenAI 在最近数月采购了数万台 Mac mini 和 Mac Studio。这些系统被用于强化学习（通常简称为 RL）以及与计算机使用智能体相关的工作。RL 通过奖励成功行为来训练模型，而非仅要求模型模仿示例。
据报道，Anthropic 采用了不同的采购模式。该公司并非拥有每一台机器，而是通过 Amazon Web Services 租用 Mac 算力。据报，这种 Anthropic 与 Apple 的安排让团队能够通过云基础设施访问原生 Apple 硬件，同时无需负责管理每一台物理主机。
Amazon 的文档确认，其 EC2 Mac instances 运行于专用 Apple 硬件之上。其 Apple silicon 选项包括搭载 M 系列处理器的 Mac mini 主机。这些属于裸金属实例，意味着一位客户可直接访问底层机器，而非与他人共享传统虚拟服务器。
OpenAI 和 Anthropic 均未公开披露其据报部署的 Mac 机群规模、配置、工作负载或利用率。Apple 也未将任一实验室列为批量客户。因此，核心采购说法仍是来自匿名消息人士的报道事实，并非经过独立审计的披露。
这一区分很重要，因为“强化学习”涵盖广泛的活动类型。Mac 可以运行模型、托管模拟桌面、评估智能体行为，或提供目标环境。它并不必然承担前沿模型训练中计算密集度最高的阶段。
计算机使用智能体使原生环境尤其重要。这类系统会理解屏幕内容，并通过类似鼠标点击、键盘输入和菜单导航的操作来使用软件。在真实 Mac 上测试 macOS 智能体，可缩小模拟环境与用户实际操作系统之间的差距。
实验室还需要同时运行大量环境。学习使用桌面软件的智能体可以反复尝试同一任务、遭遇失败，并根据结果获得奖励。更多主机意味着可并行开展更多实验。
这不同于为一位研究人员购买一台高配置工作站。一支机群会成为实验流程的一部分，需要调度、设备管理、存储、监控、安全控制和可复现的软件镜像。
因此，OpenAI 据报采购 Mac 与 Anthropic 据报租用 Mac，均指向同一项运营变化：Mac 正从 AI 研究的边缘，进入用于构建和评估智能体的生产体系之中。
这一变化也解释了为何需求会令 Apple 感到意外。企业 AI 买家的行为不同于普通桌面电脑客户。他们可能一次性吸收数千台几乎相同的机器，并在某种训练方法开始产生有用结果时继续寻求更多算力。
为什么 Anthropic 的 Apple 工作负载适合 Mac
Apple silicon 为本地 AI 提供了异常宝贵的能力：处理器和图形核心可共同访问的单一大型内存池。
传统工作站设计通常将系统内存与独立 GPU 所配备的显存分开。模型必须装入可用 GPU 内存、跨多个设备运行，或在不同内存池之间传输数据。每一种方案都会增加限制。
Apple 的统一内存架构让 CPU 和 GPU 工作负载共享同一内存池。这并不能消除所有数据传输或性能瓶颈，但它让开发者能够将系统已安装内存中的更多容量分配给模型，无需先将完整模型复制到独立显存中。
Apple 的 MLX 框架正是围绕这一架构设计。MLX 是一个针对 Apple silicon 优化的开源数组和机器学习框架。Apple 表示，其操作可跨 CPU 和 GPU 运行，开发者无需在独立内存池之间手动移动数据。
该公司的 MLX research 介绍了对模型推理、训练、微调、自动微分和图优化的支持。这一范围使 MLX 不只是模型查看器，也为研究人员提供了在 Mac 上原生实验模型行为的途径。
内存容量是最显著的优势。Apple 2025 年的 Mac Studio 支持最高 512GB 统一内存。Apple 表示，该配置能够将参数量超过 6000 亿的语言模型完全装入内存，尽管实际性能取决于精度、量化、架构和上下文长度。
量化会减少用于表示模型权重的比特数。它可降低内存需求，但通常会在输出质量或准确性上有所权衡。能够装入内存的模型并不一定运行迅速，但无法装入内存的模型则无法在本地运行，除非作出重大妥协。
Apple 在 NeurIPS 2025 展示了这一方案的扩展潜力。该公司展示了一个一万亿参数模型在四台 Mac Studio 上运行，每台均配备 512GB 统一内存。该演示涉及分布式推理，并不能证明 Mac 可以取代生产级训练集群。
不过，它展示了核心吸引力。开发者能够在紧凑系统上部署超大模型，并让数据留在机器附近。对于敏感提示词、未发布代码或专有文档，这条本地路径可降低对外部推理端点的依赖。
这与 Anthropic 有关，因为计算机使用研究将模型推理与操作系统交互结合在一起。一台原生 Mac 可以承载实验的两部分：模型可理解屏幕截图，同时同一台机器提供正在测试的应用程序、辅助功能接口和窗口行为。
Mac 还让研究人员能够接触 macOS 特有的失败模式。对话框、权限请求、按键组合、应用程序菜单和安全提示在不同操作系统中的行为各不相同。通用浏览器基准测试无法捕捉所有这些细节。
相同逻辑也适用于软件开发智能体。编程智能体可能需要构建 iOS 应用、检查 Xcode 项目、运行平台特定测试，或排查签名问题。无论底层模型使用何种加速器训练，这些任务都需要 Apple 的软件栈。
开发者可以将本地实验连接到包含内部文档和项目文件的技术知识库。此时，硬件决策将影响源材料、模型和生成成果在一次会话中能够留存的位置。
因此，Anthropic 与 Apple 的联系部分关乎性能，但不止于性能。它结合了内存容量、原生 macOS 执行、软件可用性和本地控制。Nvidia 可以在其中若干维度展开竞争，但无法让一台 Linux 机器变成原生 Mac。
Apple 在本地 AI 领域的进展令 Nvidia 转入防守
Apple 并非在整个 AI 市场挑战 Nvidia，而是在开发者桌面和紧凑型本地集群中向 Nvidia 发起挑战。
Nvidia 在数据中心 AI 领域的地位不止依赖于快速芯片。其并行计算平台 CUDA 是庞大库、开发工具、性能分析工具和部署系统生态的基础。团队可以借助相对熟悉的软件，将工作从工作站迁移到配备 Nvidia 硬件的云服务器。
Apple 提供了另一条路径。其芯片将处理、图形、内存和媒体功能整合于同一系统中。MLX 为开发者提供了针对该设计调优的框架。Mac 则进一步提供成熟的桌面操作系统，以及计算机使用智能体需要导航的应用环境。
因此，主要竞争是 Apple silicon 与 Nvidia 的本地 AI 平台之间的较量。OpenAI 和 Anthropic 为 Apple 的路径已触及高要求机构用户提供了证据，但其据报部署并不能确立整体胜者。
Nvidia 的直接回应体现在 DGX Spark，这是一款基于 Grace Blackwell 架构打造的紧凑型开发者系统。Nvidia 列出的配置包括 128GB 连贯统一系统内存，并将该机器定位为适用于原型开发、微调、推理和数据科学工作。
该系统的 DGX Spark specifications 强调了更容易进入 Nvidia 广泛 AI 环境的路径。这包括在本地开发后，将工作负载迁移至基于 Nvidia 的云端或数据中心基础设施。
Apple 最强的 Mac Studio 配置提供更高的内存上限。Nvidia 则以软件兼容性和与已训练众多模型的现有基础设施紧密一致的部署路径作为回应。买家必须决定哪项限制更重要。
独立测试也提醒人们，不应将选择简化为单一内存数字。Tom’s Hardware 发现，Apple M4 Max 系统在语言模型解码性能方面表现强劲，可与 Nvidia GB10 和 AMD Strix Halo 系统竞争。不过，该媒体认为，GB10 在广泛软件兼容性和均衡的本地开发方面更具优势。
这种权衡划分了市场。需要将超大规模量化模型装入内存的开发者，可能更倾向于 Mac Studio。依赖 CUDA 专有库的团队，则可能接受较少内存，以保留其既有工作流程。
当 macOS 本身就是目标时，计算机使用研究会使计算更倾向于 Apple。Nvidia 可以提供训练智能体基础模型的加速器，但实验室仍需要 Mac 来针对真实 Apple 软件测试该智能体。两类硬件可以在同一研究流程中共存。
这种共存并不意味着竞争压力只是幻象。开发者习惯往往会向外扩散。一个用于本地实验的框架，可能影响模型格式、优化优先级和部署选择。厂商明白，掌控开发环境能够塑造后续的基础设施决策。
Apple 同样受益于一套原本为其他市场打造的产品结构。Mac Studio 最初面向高要求的创意和技术工作而设计。在本地语言模型成为重要需求来源之前，统一内存已支持图形和媒体工作流。
如今，同一架构让开发者能够运行超出许多桌面 GPU 内存容量的模型。Apple 无需打造传统的加速卡，就能触达这些用户。它重新利用了自身电脑产品中已有的设计优势。
这正是 Nvidia 所担忧的逆转。Apple 在应用层面一直难以匹敌领先的 AI 助手，但其电脑正成为构建这些助手的实验室的实用工具。一家被视为在生成式 AI 领域落后的公司，已成为可信赖的本地 AI 硬件供应商。
Mac 的优势止步于数据中心门口
Mac 的普及存在真实限制，且没有任何一笔被报道的采购表明 Apple 能在前沿规模训练中取代 Nvidia。
大型训练集群需要数千个加速器之间进行高速通信。它们还需要成熟的编排能力、分布式计算库、可预测的故障恢复机制，以及用于监控超大规模任务的工具。Nvidia 多年来一直在针对这些要求优化软硬件。
一组紧凑型 Mac 并不会自动成为等效集群。以太网和 Thunderbolt 连接可以分配部分推理工作负载，但随着系统交换模型数据，通信开销会增加。性能取决于模型如何拆分，以及节点需要多频繁地同步。
Apple 的大容量统一内存也容易引发一种常见误解。容量决定模型能否装得下，而内存带宽和计算吞吐量则有助于决定其运行速度。一台 Mac 可以加载大型量化模型，却仍可能响应过慢，无法满足特定生产服务的需求。
据报道，OpenAI 和 Anthropic 的部署可能是专用基础设施，而非全面迁移的开端。智能体评估、macOS 测试、奖励生成和本地推理都是有意义的工作负载，但它们仍只是更庞大模型开发流程的一部分。
软件碎片化带来了另一项限制。MLX 发展很快，但许多研究代码库最初都以 CUDA 和 Linux 为目标。移植它们可能需要替换自定义内核、更改数据类型，或等待框架支持。
实验室必须考虑工程时间，而不只是硬件能力。如果研究人员要花数天时间将实验适配 Apple silicon，内存优势可能不足以弥补延迟。Nvidia 已安装的软件基础仍是一道重要防线。
云端运维还带来更多复杂因素。由于 Apple 的许可和硬件要求不同于普通虚拟机，AWS Mac 实例使用专用物理主机。Amazon 指出，启动一个实例可能需要数分钟，这限制了开发者对许多云服务所期待的即时弹性。
专用主机也可能让资源利用变得复杂。一个仅需短暂进行 macOS 测试的团队，可能预留了超出实际使用量的物理容量。要调度数千个独立的智能体环境，需要谨慎的工作负载管理。
安全性既带来好处，也带来负担。本地执行可以让数据远离第三方模型端点。然而，一支由实体 Mac 组成的机群扩大了需要接收补丁、凭证、访问策略和监控的机器数量。
据报道，Anthropic 的 Apple 租赁模式将部分基础设施工作转移给 Amazon。但这并未消除其对软件安全或实验隔离的责任。被设计为操作计算机的智能体可能采取非预期行动，因此实验室必须限制权限，并在每次试验后恢复环境。
强化学习带来了另一项不确定性。一个系统可能在利用任务或评估器漏洞的同时最大化奖励。Anthropic 自身的研究考察过奖励黑客问题，即智能体找到一种非预期捷径，在未完成预期目标的情况下获得高分。
更多 Mac 容量能让实验室进行更多试验，但并不能保证奖励函数衡量的是用户想要的行为。评估设计依然与执行速度同等重要。
供应同样是平台战略中不稳定的基础。有报道称，Apple 对企业对其桌面产品的需求感到意外。如果高内存系统仍难以获得，开发者即使认为 Mac 更适合该工作负载，也可能选择现货充足的 Nvidia 或 AMD 机器。
随着部署规模扩大，Apple 的企业支持体系将面临审视。AI 实验室需要稳定的采购、快速的替换、远程管理以及清晰的硬件路线图。以消费者为导向的零售体系并不会自动满足这些要求。
最稳妥的结论比标题所称的更为有限。Mac 已在本地模型工作和原生智能体测试中赢得了可信赖的位置。Nvidia 在训练、软件广度和数据中心扩展方面仍保有深厚优势。
这场硬件转变为何此刻发生
AI 开发正超越一次巨型训练运行，转向与真实软件环境的持续交互。
早期的语言模型竞争高度聚焦于预训练。实验室收集海量数据集，并训练模型预测文本。这项工作奖励了超大规模加速器集群，并巩固了 Nvidia 在数据中心的地位。
当前的智能体开发增加了不同的计算模式。模型必须观察环境、选择行动、检查结果，然后再次尝试。研究人员既需要大量并行的任务环境，也需要为每次尝试提供指导的模型服务能力。
计算机使用任务使环境成为训练数据的一部分。如果智能体必须编辑演示文稿、配置应用程序或处理操作系统提示，桌面的确切行为就很重要。原生硬件变得更难以被抽象化。
结果是基础设施栈更加异构。一个实验室可能在 Nvidia 加速器上训练基础模型，从云端集群提供中间检查点服务，并在 Mac 机群上评估 macOS 行为。专用硬件负责各个阶段。
与此同时，随着开放权重模型变得更有能力，本地 AI 也在增长。开放权重模型提供可下载的参数，尽管其许可和训练数据仍可能受到限制。开发者可以量化这些模型，并在不将每个请求发送到托管服务的情况下运行它们。
Apple 在 2025 年 3 月的 Mac Studio 发布中更明确地强调了这一使用场景。该公司宣传最高 512GB 的统一内存，以及容纳超过 6000 亿参数模型的能力。后续演示则强调了跨多台 Mac 的分布式推理。
Nvidia 也认识到了向紧凑型系统转变的趋势。DGX Spark 将其硬件和软件整合进桌面级形态。该产品面向那些在将工作发送到更大规模基础设施之前，需要本地沙盒环境的开发者。
这引发了围绕 AI 开发起点的竞争。Apple 希望 Mac 成为开发者检查模型、构建应用和测试智能体的场所。Nvidia 则希望本地系统继续作为其数据中心平台的延伸。
Anthropic 和 OpenAI 让这场竞争变得具体，因为两者都处于智能体开发的前沿。它们被报道的 Mac 使用情况表明，即便是能够获取庞大加速器资源的组织，原生环境也很重要。
这种需求也反映了隐私和延迟要求。本地模型可以处理代码或文档，而无需将每条提示传输至远程推理服务。它可以在网络中断期间继续工作，并避免交互式任务的往返延迟。
本地执行并不保证隐私。应用程序仍可能发送遥测数据、下载模型组件或连接外部工具。组织必须审查完整的数据路径，而不能将“在 Mac 上运行”等同于“永不离开设备”。
开发者也关心迭代速度。研究人员可以在附近的机器上调整提示词、替换模型或检查中间输出。相比为每项实验都配置远程加速器，这种反馈循环可能更简单。
不过，快速的本地循环只有在本地框架支持所需模型时才有帮助。这正是平台竞争重回焦点之处。Apple 必须持续改进 MLX、模型转换、分布式执行和调试工具。Nvidia 则必须在不失去 CUDA 兼容性的前提下，提供足够的内存和效率。
因此，这一时机并非偶然。模型正变得足够有能力操作软件，而紧凑型系统能够容纳过去仅限于专用服务器的模型。这些趋势在开发者的工作空间中交汇。
三个信号将表明 Mac 是否会成为持久的 AI 基础设施
下一阶段将取决于重复采购、更强的企业支持和可衡量的软件采用，而非一次被报道的采购热潮。
第一个信号是，OpenAI 和 Anthropic 是否会在当前强化学习项目结束后扩大其 Mac 部署。再次采购或增加 AWS 预留将表明，这些机器能够持续提供运营价值。一次性部署则更可能意味着一项专门实验。
配置细节同样具有参考价值。高内存 Mac Studio 将指向大模型推理。由较小 Mac mini 构成的大规模机群，则更适合并行环境模拟、自动化测试和计算机使用评估。
公开技术材料可能揭示分工情况。研究论文、工程文章或招聘信息或许会提及 MLX、macOS 自动化、机群管理或分布式 Mac 推理。这些细节将提供比采购量本身更有力的证据。
第二个信号是 Apple 的企业应对措施。该公司需要为运行数千台机器的组织提供可预测的供货、远程管理、维修流程和开发者支持。专门打造的机架式部署方案或更清晰的集群工具，将加强 Apple 希望进入这一市场的论据。
框架开发也属于同一信号。Apple 必须继续扩大 MLX 对常见架构和优化方法的支持。更好地转换广泛使用的模型格式，将降低选择 Mac 的工程成本。
如果 Apple 将这类需求视为暂时的硬件红利，Nvidia 的软件优势应会继续占据决定性地位。如果它围绕这一需求建立企业 AI 计划，Mac 就可能成为实验室基础设施中持久的一部分。
第三个信号是 Nvidia 的本地硬件路线图。更大内存、更高效率和更广泛的桌面可用性，将直接挑战 Apple 最强的优势。如果 Nvidia 能让兼容 CUDA 的本地系统更易获取和部署，它就无需复制 Mac。
Nvidia 的应对也将显示其如何认真看待这一威胁。除芯片规格外，开发者工具、模型优化、紧凑系统合作伙伴关系和部署服务同样重要。桌面实验与生产集群之间更强的桥梁，将巩固 Nvidia 已建立的平台。
实际工作负载仍应是检验标准。Mac 必须证明自己能在大规模部署中提供有价值的吞吐量、可靠性与管理能力。Nvidia 系统则必须证明，其软件优势足以弥补某些配置中更紧张的本地内存限制。
对开发者而言，实际的启示并不是放弃一个平台、转向另一个平台，而是在选择硬件前先厘清工作负载需求。原生 macOS 测试、模型规模、框架支持、数据敏感性以及最终部署目标，都会导向不同的答案。
对企业采购方来说，Anthropic 与 Apple 的故事提出了一个更广泛的问题：本地 AI 基础设施应当复刻数据中心，还是应针对私密实验，以及智能体必须运行的应用进行优化？
答案将来自一次次实际部署，而非宣传性质的基准测试。关注 OpenAI 和 Anthropic 接下来采购什么、Apple 如何支持这些设备集群，以及 Nvidia 如何调整其紧凑型 AI 系统。
如果这些信号持续有利于 Apple，Mac 将不再只是一个方便的本地推理设备，而会成为智能体开发中的标准环境。若这些信号减弱，当前需求则会被视为对 macOS 测试和暂时性内存限制的专业化回应。
无论结果如何，都意义重大。报道中的 Mac 设备集群表明，AI 基础设施已不再只是围绕最大训练集群展开的一场竞争。它同样也是一场关于智能体在何种机器上学习工作的竞争。
