OpenAI 刚刚成批买下了数万台 Mac mini 和 Mac Studio

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？ 是英伟达显卡买不起了？ 还是算力世界底下，出现了一道全新的窄门？ 答案藏在模型训练的范式转移里。 过去训练底层大模型，算的是纯数学。 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。 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。 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。 教一个智能体使用电脑，不能只靠喂它读现成的文本。 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。 这台正在支配智能体军备竞赛的机器，叫环境展开吞吐墙。 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。 每一次试错，叫一次轨迹展开。 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。 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。 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？ 因为苹果用两道坚硬的锁，把虚拟化的大门彻底焊死了。 第一道锁是法律许可。 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。 第二道锁是物理与系统的硬限制。 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。 云计算用了二十年的弹性多租户池化，在这里全部失效。 云厂商无法拿一台超级服务器切出几百个虚拟桌面。 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。 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。 你必须实打实买下一万到两万台物理机器。 这台机器不仅有法律约束，还有底层的硬件巧合。 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。 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。 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。 操作系统渲染的图形，视觉模型零延迟就能直接读取。 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。 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。 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。 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。 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。 最先进的人工智能，最终撞上了物理世界最硬的边界： 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。