{"source":{"id":"mb-20260831-a7f9a4","title":"OpenAI 悄悄买下了几万台苹果 Mac mini 和 Mac Studio","url":"https://mubeitech.com/p/mb-20260831-a7f9a4"},"method":"semantic-similarity","count":5,"items":[{"rank":1,"id":"raw_36fb6bc27f68c59b","account":"mubei","brand":"@mubei","title":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio。 这不是几台发给员工的办公电脑。 是数以…","summary":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio。 这不是几台发给员工的办公电脑。 是数以万计的铝合金小盒子，被整整齐齐塞进数据中心机架。 与此同时，Anthropic 也在亚马逊云上，成批包下整台的物理 Mac 专属服务器。 在所有人盯着英伟达万卡…","body":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio。\n这不是几台发给员工的办公电脑。\n是数以万计的铝合金小盒子，被整整齐齐塞进数据中心机架。\n与此同时，Anthropic 也在亚马逊云上，成批包下整台的物理 Mac 专属服务器。\n在所有人盯着英伟达万卡集群和吉瓦级电力的时候，最顶尖的 AI 实验室，为什么突然在机房里堆砌消费级苹果电脑？\n是英伟达显卡买不起了？\n还是算力世界底下，出现了一道全新的窄门？\n答案藏在模型训练的范式转移里。\n过去训练底层大模型，算的是纯数学。\n把海量文本切成向量，丢进几万张英伟达 GPU 里做高密度的矩阵乘法。\n那是纯算力密集型任务，谁的显卡集群大、通信带宽快，谁就能炼出更聪明的模型。\n但当模型走出聊天框，开始学习替人类操作电脑，游戏规则彻底变了。\n教一个智能体使用电脑，不能只靠喂它读现成的文本。\n它必须像一个刚上岗的学徒，在真实的操作系统里，靠强化学习反复试错。\n这台正在支配智能体军备竞赛的机器，叫环境展开吞吐墙。\n在强化学习的世界里，智能体要学会精准点击一个按钮、在表格里填入数据、跨五个窗口完成订票，需要成千上万次试错。\n每一次试错，叫一次轨迹展开。\n智能体看着屏幕截图，识别按钮位置，发出鼠标指令，点击，等待界面渲染，如果软件崩溃了就重启，直到拿到任务完成的奖励分。\n要在一个月内完成训练，实验室必须在后台同时并发运行数万个真实的操作系统环境。\n为什么不能在传统的数据中心里，用一台超级服务器虚拟出几百个系统？\n因为苹果用两道坚硬的锁，把虚拟化的大门彻底焊死了。\n第一道锁是法律许可。\n苹果的软件许可协议 EULA 立了死规矩：macOS 只能运行在苹果自家的硬件上，严禁装在通用的云服务器上。\n第二道锁是物理与系统的硬限制。\n哪怕在苹果自家的芯片上，单台物理设备最多也只允许运行两个虚拟 macOS 实例。\n云计算用了二十年的弹性多租户池化，在这里全部失效。\n云厂商无法拿一台超级服务器切出几百个虚拟桌面。\n亚马逊云能提供的，只有物理专属主机模式：租客必须按天整台租下一台台物理 Mac。\n这意味着，如果你需要两万个真实的 macOS 试错环境，你别无选择。\n你必须实打实买下一万到两万台物理机器。\n这台机器不仅有法律约束，还有底层的硬件巧合。\n智能体操作电脑，需要 CPU 运行操作系统和桌面应用，同时需要图形核心跑视觉模型来识别屏幕上的每一个像素。\n在传统电脑架构里，CPU 内存和显卡显存各自分立，每一次截取屏幕，海量像素数据都要在两条总线之间来回搬运，造成严重的延迟瓶颈。\n苹果芯片的统一内存架构 UMA，让中央处理器与图形处理器共享同一池超大内存。\n操作系统渲染的图形，视觉模型零延迟就能直接读取。\n一台拳头大小的桌面设备，既自带了真实的操作系统环境，又提供了不需要跨总线搬运的高带宽内存。\n从大语言模型走向电脑操作智能体，算力的定义正在发生转移。\n上一阶段的军备竞赛，比的是谁能买到更多万卡集群，把矩阵乘法算到极致。\n下一阶段的智能体竞争，卡点正从纯算力，撞上真实环境的展开吞吐量。\n当 AI 开始伸出触角接管人类的桌面，它必须在一个个真实的操作系统里跌倒、重试。\n最先进的人工智能，最终撞上了物理世界最硬的边界：\n哪怕模型再聪明，要在真实的闭源生态里学会点鼠标，也必须一台台买下那个生态里的物理铁盒。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2094378422743011779","translated_status_id":"2094378422743011779","published_at":"2026-08-31 12:49:29","created_at":"2026-08-31T12:49:29.921106","url":"https://mubeitech.com/p/raw_36fb6bc27f68c59b","markdown_url":"https://mubeitech.com/p/raw_36fb6bc27f68c59b/markdown"},{"rank":2,"id":"mb-20260831-e837f1","account":"mubei","brand":"","title":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio","summary":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio","body":"OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio。\n这不是几台发给员工的办公电脑。\n是数以万计的铝合金小盒子，被整整齐齐塞进数据中心机架。\n与此同时，Anthropic 也在亚马逊云上，成批包下整台的物理 Mac 专属服务器。\n在所有人盯着英伟达万卡集群和吉瓦级电力的时候，最顶尖的 AI 实验室，为什么突然在机房里堆砌消费级苹果电脑？\n是英伟达显卡买不起了？\n还是算力世界底下，出现了一道全新的窄门？\n答案藏在模型训练的范式转移里。\n过去训练底层大模型，算的是纯数学。\n把海量文本切成向量，丢进几万张英伟达 GPU 里做高密度的矩阵乘法。\n那是纯算力密集型任务，谁的显卡集群大、通信带宽快，谁就能炼出更聪明的模型。\n但当模型走出聊天框，开始学习替人类操作电脑，游戏规则彻底变了。\n教一个智能体使用电脑，不能只靠喂它读现成的文本。\n它必须像一个刚上岗的学徒，在真实的操作系统里，靠强化学习反复试错。\n这台正在支配智能体军备竞赛的机器，叫环境展开吞吐墙。\n在强化学习的世界里，智能体要学会精准点击一个按钮、在表格里填入数据、跨五个窗口完成订票，需要成千上万次试错。\n每一次试错，叫一次轨迹展开。\n智能体看着屏幕截图，识别按钮位置，发出鼠标指令，点击，等待界面渲染，如果软件崩溃了就重启，直到拿到任务完成的奖励分。\n要在一个月内完成训练，实验室必须在后台同时并发运行数万个真实的操作系统环境。\n为什么不能在传统的数据中心里，用一台超级服务器虚拟出几百个系统？\n因为苹果用两道坚硬的锁，把虚拟化的大门彻底焊死了。\n第一道锁是法律许可。\n苹果的软件许可协议 EULA 立了死规矩：macOS 只能运行在苹果自家的硬件上，严禁装在通用的云服务器上。\n第二道锁是物理与系统的硬限制。\n哪怕在苹果自家的芯片上，单台物理设备最多也只允许运行两个虚拟 macOS 实例。\n云计算用了二十年的弹性多租户池化，在这里全部失效。\n云厂商无法拿一台超级服务器切出几百个虚拟桌面。\n亚马逊云能提供的，只有物理专属主机模式：租客必须按天整台租下一台台物理 Mac。\n这意味着，如果你需要两万个真实的 macOS 试错环境，你别无选择。\n你必须实打实买下一万到两万台物理机器。\n这台机器不仅有法律约束，还有底层的硬件巧合。\n智能体操作电脑，需要 CPU 运行操作系统和桌面应用，同时需要图形核心跑视觉模型来识别屏幕上的每一个像素。\n在传统电脑架构里，CPU 内存和显卡显存各自分立，每一次截取屏幕，海量像素数据都要在两条总线之间来回搬运，造成严重的延迟瓶颈。\n苹果芯片的统一内存架构 UMA，让中央处理器与图形处理器共享同一池超大内存。\n操作系统渲染的图形，视觉模型零延迟就能直接读取。\n一台拳头大小的桌面设备，既自带了真实的操作系统环境，又提供了不需要跨总线搬运的高带宽内存。\n从大语言模型走向电脑操作智能体，算力的定义正在发生转移。\n上一阶段的军备竞赛，比的是谁能买到更多万卡集群，把矩阵乘法算到极致。\n下一阶段的智能体竞争，卡点正从纯算力，撞上真实环境的展开吞吐量。\n当 AI 开始伸出触角接管人类的桌面，它必须在一个个真实的操作系统里跌倒、重试。\n最先进的人工智能，最终撞上了物理世界最硬的边界：\n哪怕模型再聪明，要在真实的闭源生态里学会点鼠标，也必须一台台买下那个生态里的物理铁盒。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-31 10:58:50","created_at":"2026-08-31 10:58:50","url":"https://mubeitech.com/p/mb-20260831-e837f1","markdown_url":"https://mubeitech.com/p/mb-20260831-e837f1/markdown"},{"rank":3,"id":"raw_708f235ce731aad8","account":"mubei","brand":"@mubei","title":"OpenAI 刚发布了新模型 GPT-6 Astra。 黄仁勋发推文祝贺，顺手扔了一颗深水炸弹： AGI 已经到了。 接…","summary":"OpenAI 刚发布了新模型 GPT-6 Astra。 黄仁勋发推文祝贺，顺手扔了一颗深水炸弹： AGI 已经到了。 接着他给了一组数字： 这个模型是在 10 万多块 Grace Blackwell NVLink72 系统上训练出来的。 下一批，还有 40 万块 NVIDIA 芯…","body":"OpenAI 刚发布了新模型 GPT-6 Astra。\n黄仁勋发推文祝贺，顺手扔了一颗深水炸弹：\nAGI 已经到了。\n接着他给了一组数字：\n这个模型是在 10 万多块 Grace Blackwell NVLink72 系统上训练出来的。\n下一批，还有 40 万块 NVIDIA 芯片正在排队上线。\n评论区立刻吵成一团。\n有人在核对跑分，有人在质疑 AGI 的定义，学者们在争论这算不算营销吹牛。\n所有人都被 AGI 这三个字母吸走了注意力。\n但真正反常识的信号，藏在那两组数字里。\n等一下。\n如果 AGI 真的已经到了，终点线都已经跨过去了，为什么还要一口气追加 40 万块顶级芯片？\n如果学生已经毕业了，你为什么还要把学费翻四倍？\n这背后藏着一台运转了一百六十年的经济学机器。\n1865 年，英国经济学家威廉·斯坦利·杰文斯写了一本书，叫《煤炭问题》。\n当时很多人以为，只要瓦特改良了蒸汽机，煤炭消耗效率提上去，英国的煤就会越用越省。\n杰文斯算完账，给出了一个完全相反的结论：\n当蒸汽机的效率提高，做功的成本大幅下降，蒸汽机就会迅速铺满采矿、纺织、火车和轮船。\n煤炭没省下来，总消耗量反而暴增了几百倍。\n这个规律后来被称为杰文斯悖论。\n现在的算力市场上，正在上演一模一样的一幕。\n过去四年，芯片主要是用来训练模型的。\nOpenAI 租下 10 万块芯片，通电跑上几个月，把模型训出来，这笔钱就算花完了。\n算力在当时是一笔固定研发开支，就像买一台机床。\n新一代模型跨过的那道门槛，把这台机器彻底改写了。\nGPT-6 Astra 不再只是一个回答问题的聊天框。\n它成了一个接管屏幕、写代码、测漏洞、连续执行任务的电脑操作员。\n要让它在真实世界里替人干活，每走一步，都需要在后台进行海量推理和反复试错。\n这叫推理期算力扩展。\n当智能跨过了「真正可用」的临界点，算力就从实验室里的研发成本，变成了工业生产里的电力。\n它不再是一次性买断的机床。\n它是机床运转时，每一秒钟都要烧掉的燃料。\n模型越能干，被派给它的任务就越多，它后台烧掉的算力就越庞大。\n这就是为什么训一个模型用了 10 万块芯片，后面却需要 40 万块芯片接力进场。\n因为训大脑只需要 10 万块。\n让大脑去全天候当牛做马，需要 40 万块、甚至几百万块。\n看懂了这台机器，你就能看懂黄仁勋为什么比任何人都急着宣布 AGI 降临。\n在淘金热里，最希望大家相信山上有金矿的人，从来不是淘金客。\n是山脚下卖铁锹的人。\n淘金客可能空手而归。\n只要全世界都相信金子就在前面，下一批 40 万把铁锹的订单，就已经稳稳装进了口袋。\n真正的分水岭，从来不是 AGI 到底有没有标准答案。\n当全世界还在为概念争论不休时，卖铁锹的人，已经把算力变成了全人类必须按秒付费的新煤炭。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2096875508021547163","translated_status_id":"2096875508021547163","published_at":"2026-09-07 10:12:07","created_at":"2026-09-07T10:12:07.107035","url":"https://mubeitech.com/p/raw_708f235ce731aad8","markdown_url":"https://mubeitech.com/p/raw_708f235ce731aad8/markdown"},{"rank":4,"id":"2059986678262235405","account":"mubei","brand":"@mubei","title":"Anthropic CEO Dario Amodei 最意外的事，是公众还没意识到 AI 指数曲线快跑到最后一段了。 他…","summary":"Anthropic CEO Dario Amodei 最意外的事，是公众还没意识到 AI 指数曲线快跑到最后一段了。 他说，过去三年，底层技术大体按他的预期前进。 模型从聪明高中生，走到聪明大学生，再走到开始做 PhD 和专业工作的水平。 在代码领域，甚至已经越过这个线。 真正让…","body":"Anthropic CEO Dario Amodei 最意外的事，是公众还没意识到 AI 指数曲线快跑到最后一段了。\n\n他说，过去三年，底层技术大体按他的预期前进。\n模型从聪明高中生，走到聪明大学生，再走到开始做 PhD 和专业工作的水平。\n在代码领域，甚至已经越过这个线。\n\n真正让他惊讶的，是外面的人还在吵同一批旧政治议题。\n新剧集。\n新表情包。\n明星互撕。\n选举新闻。\n人类历史级别的生产力迁移，反而像背景噪音一样被滑过去。\n\n他的底层判断很朴素。\n早在 2017 年，GPT-1 刚出来时，他写过一个想法，叫 Big Blob of Compute Hypothesis。\n大意是，别太迷信聪明技巧。\n真正长期起作用的，是几件笨东西。\n\n原始算力有多少。\n数据量有多少。\n数据分布够不够广。\n训练时间够不够长。\n目标函数能不能一路扩展。\n数值稳定性能不能撑住那团巨大的计算流。\n\n这套逻辑，后来在预训练 scaling law 里跑通了。\n现在 Anthropic 看到，RL 也在走类似路线。\n先在数学竞赛题上训练。\n再扩到代码。\n再扩到更多任务。\n模型能力会随着训练时间呈现近似对数线性提升。\n\n有人质疑，这不像人类学习。\n人类不用看几万亿个 token，也不用烧掉几十亿美元算力，才会用 Excel、PowerPoint、浏览器。\n如果 AI 真有人的学习核心，为什么还要建这么多强化学习环境？\n\nDario 的回答有意思。\n这个谜题存在，但可能没那么致命。\n人脑出生时已经带着进化给的先验。\n语言模型从随机权重开始，像一张更空的白纸。\n\n所以预训练和 RL，更像夹在人类进化与人类学习之间的一层东西。\n模型先用天量数据长出先验。\n再靠长上下文，在具体任务里快速适应。\n当上下文长度到一百万级别时，推理成本成了主要阻碍，学习能力本身已经开始显形。\n\n这就是很多人低估 AI 的地方。\n他们以为差距在于知道哪个工具火。\n真正的差距在于，谁已经把工具嵌进工作流，谁还把它当搜索框、玩具、聊天窗口。\n\n大多数人只用了 10%。\n少数人正在把 100% 的工作方式重写一遍。\n\n下一轮阶层分化，未必先发生在公司估值表里。\n它会先发生在同一间办公室里，发生在两个看似职位相同的人之间。\n一个人在操作软件。\n另一个人在调度计算。","category":"其它","score":100,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-05-28 16:01:27","created_at":"2026-05-28T17:58:23.017496","url":"https://mubeitech.com/p/2059986678262235405","markdown_url":"https://mubeitech.com/p/2059986678262235405/markdown"},{"rank":5,"id":"raw_2c1f8fabbc51352c","account":"mubei","brand":"@mubei","title":"来看一组刚在 All-In 峰会上公开的数据。 光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 tok…","summary":"来看一组刚在 All-In 峰会上公开的数据。 光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 token。 如果按每个 token 消耗 10 焦耳能量计算，这已经算是极省电的模型了。 把这个数字乘出来，Google 光是跑 AI，就需要 12 吉瓦的持续供电…","body":"来看一组刚在 All-In 峰会上公开的数据。\n光 Google 一家公司，一个月就要处理大约 3.2 万亿亿个 token。\n如果按每个 token 消耗 10 焦耳能量计算，这已经算是极省电的模型了。\n把这个数字乘出来，Google 光是跑 AI，就需要 12 吉瓦的持续供电。\n\n12 吉瓦是什么概念？\n全美国所有数据中心的总用电容量，加起来也就 40 吉瓦出头。\n一家公司的 AI 业务，直接吞掉全美近三分之一的数据中心电力。\n现在去建数据中心，最值钱的早就不再是地皮或者机架。\n哪怕用户只是在对话框里敲下一句话，成本里整整 50% 纯粹是在交电费。\n照这个速度跑下去，业内估计最多三年，现有的电网就会被活活吸干。\n\n这时候悲观派跑出来喊了：\nAI 的扩张必然撞上物理电网的硬墙，我们很快就要无电可用了。\n\n真的吗？\n大自然可不这么认为。\n人类的大脑能写诗、能推理、能做复杂的科学研究。\n它满负荷运转需要多少功率？\n20 瓦。\n一盏普通床头灯的电量。\n\n动物就更离谱了。\n一只猴子的大脑功率大约 1 瓦，跟你兜里的智能手机差不多。\n一只松鼠在树枝之间闪转腾挪，跳一千次能准准落上一千次。\n控制这种精密身体动作的松鼠大脑，功率只有 8 毫瓦。\n把你手机里的电量分一分，足够同时驱动一百多只松鼠的大脑。\n\n一边是 20 瓦就能运转的人类智慧；\n一边是跑几个模型就恨不得吃掉几座核电站的数据中心。\n为什么差距能大到十个数量级？\n\n曾经创办过全球第一家 AI 芯片公司、后来又去读了神经科学博士的纳芬·拉奥（Naveen Rao），在峰会上把账算了一遍。\n从 1945 年第一台电子计算机 ENIAC 诞生开始，我们造计算机的方法就彻底搞错了。\n\n当年美军造 ENIAC，唯一的目的是为了快速计算火炮的弹道轨迹。\n设计者唯一关心的，就是它能不能比人工计算更快。\n至于耗多少电，当年根本没人考虑。\n于是约翰·冯·诺依曼定下了那套经典图纸：\n一边是负责计算的处理器，一边是负责存数据的内存，两边通过总线相连。\n这套存算分离的冯·诺依曼架构，统治了人类科技整整八十年。\n\n可这套架构跑别的东西还行，拿来跑现代 AI，简直就是一场灾难。\n在芯片内部，做一次微小的数学乘加，消耗的能量极其微弱。\n真正吃电的大老虎，是在处理器和内存之间来回搬运数据。\n现代 GPU 跑大模型，80% 以上的电量根本没有花在思考上。\n全是在导线上疯狂倒腾比特，白白把能量散成了废热。\n\n看一组对比就知道有多夸张：\n人类大脑皮层有 140 亿个神经元，每秒钟在神经元之间传递的信息，只有大约 160 亿个比特。\n而一块顶级的现代 GPU，每秒钟光是在芯片和内存之间搬运的数据，就高达近 30 万亿比特。\n导线里的电子在疯狂奔跑，能不把变电站给烧穿吗？\n\n那大自然的大脑又是怎么算的？\n脑子里可没有浮点数，也没有矩阵乘法。\n神经元本身既在存信息，又在做计算，完全没有内存总线这种中间商。\n大自然是用物理规律本身在做计算。\n\n拉奥的团队决定彻底掀桌子，造一台真正的物理动力学计算机。\n他们把这套逻辑做成了一个非常精巧的硅基系统。\n怎么理解这种机器？\n想象一下，把几个机械节拍器放在一块可以自由滑动的木板上。\n刚开始把它们拨动起来，每个摆锤晃动的节奏完全不一样，各摆各的。\n但因为它们都立在同一块木板上，每一次摆动都会给木板施加微弱的推力。\n不需要任何外力干涉，只要几十秒，所有节拍器就会全部步调一致，锁定在同一个相位里。\n\n这就是物理系统天然具备的耦合约振特性。\n它们不靠任何算法代码，光靠物理相互作用，自己就能找到系统的稳态。\n拉奥团队造出的芯片，就是由密集排列的硅基微型振荡器构成的网络。\n输入进去的数据不再是二进制的 0 和 1。\n数据变成了连续的波形。\n让电信号在振荡器网络里自发振荡、耦合、干涉。\n物理系统最终沉淀下来的相位状态，就是计算出来的答案。\n\n每一个振荡元件自身就是存储单元，彻底砍掉了外部内存接口。\n再加上三维晶圆堆叠技术与时间维度的连续演化，他们把这套架构称为四维计算。\n连矩阵乘法这个基础概念，在硬件底层都不存在了。\n\n听起来像科幻小说？\n今年 6 月 1 日，第一批芯片设计被送进晶圆厂。\n现在实物芯片已经回到了实验室，并且成功生成了第一批图像。\n实测功耗数据让整个行业为之一震：\n用这块芯片生成一张图片，只需要大约 500 纳焦耳的能量。\n传统顶级 GPU 跑同样的生成任务，耗能是在毫焦耳级别。\n纳焦耳是十亿分之一焦耳，毫焦耳是千分之一焦耳。\n能耗直接被砍掉了几千倍。\n\n如果算力的能耗门槛真能暴跌上千倍，未来的数据中心是不是就能少建了？\n历史给出的答案恰恰相反。\n早在 1865 年，英国经济学家杰文斯就记录过一个反直觉的现象：\n当瓦特改良了蒸汽机、让煤炭利用效率大幅飙升之后，英国的煤炭消耗量不仅没有减少，反而迎来了暴增。\n因为当核心资源的成本暴跌，全社会的需求会被指数级释放。\n这就是著名的杰文斯悖论。\n\n一旦能耗这堵高墙被物理动力学计算推倒，算力就会从昂贵的集中式变电站里解放出来。\n未来的 AI 不会把地球电网吸干。\n它们会像松鼠的大脑一样轻巧，钻进几十亿台机器人、传感器和便携设备里。\n这场看似窒息的能源危机，更像是大自然给出的一个提醒：\n八十年前那张给算盘提速的旧图纸，早就该翻篇了。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2102314307631333801","translated_status_id":"2102314307631333801","published_at":"2026-09-22 10:19:34","created_at":"2026-09-22T10:19:34.238314","url":"https://mubeitech.com/p/raw_2c1f8fabbc51352c","markdown_url":"https://mubeitech.com/p/raw_2c1f8fabbc51352c/markdown"}]}