编者按：
智能手机统治了过去十几年的数字生态，它是注意力的黑洞，是我们最私密的随身之物。但手机从设计之初就是为「人盯着它」而生的——它的全部逻辑，都止于屏幕。
AI 的需求却恰恰相反：它需要持续感知物理世界——见你所见，听你所闻，随时在场，而非等你解锁屏幕才醒来。
当 AI 真正成为一种基础能力，它迟早要从屏幕里破壳而出，寻找属于它自己的形状。这将是一个漫长的探索和演化过程。
「AI 器物志」栏目由此而来，爱范儿想和你一起持续观察：AI 如何改变硬件设计，如何重塑人机交互，以及更重要的——AI 将以怎样的形态进入我们的日常生活？
这是「AI 器物志」的第 6 篇文章。
年初，Mac Mini 一度缺货，等待时间甚至长达一个半月。
Mac mini 是个好产品，这件事大家一直很清楚。国内渠道价格诚意高，M 芯片性能又好，入门配置不到三千人民币就可拿下，很适合作为创作新手的主力机。
然而最近这次 Mac mini 爆红，跟创作或日常使用没什么关系。
关注科技新闻的朋友们应该知道怎么回事：OpenClaw（前身叫 Clawdbot）突然火了。
OpenClaw 有多种部署方式：你可以装到自己的电脑上，也可以单给它配一台电脑；把它部署在云端的虚拟机/沙箱环境里也没问题；后来，一些主流 AI 服务也推出了云端一键部署的替代方案，显著降低小白玩家的门槛。
但在刚开始的那段时间，最主流的部署方案就是单买一台 Mac mini。
理由肯定不是因为它便宜，更主要在于：要让 OpenClaw 有意义，需要给它一个「肉身」，让它访问文件、操作软件。
云服务器能运行 OpenClaw，但那仍然不是你的电脑，没有你的文件、软件、浏览器上登录的各种账号，没有所谓的「上下文」。Mac mini 放在桌上，7 × 24 小时不用关机，甚至通过聊天机器人远程操控的话都不用单配一台显示器。
给 OpenClaw 一台自己的电脑工作，唯一可观成本是后端接入的大模型 API 的 token 费用，很多早期玩家都在这上面吃过亏。但如果你买一台配置够高的 Mac mini，下载一个尺寸足够大的模型到本地来运行，可以说除了电费和网费之外，简直就像获得了一个免费的劳动力……
MacBook 也行，但是……
据 Tom’s Hardware 和 TechRadar 等媒体报道，OpenClaw 走红后，Mac mini 24GB 和 32GB 配置的等待期延至 6 天到 6 周不等；更强大的 Mac Studio，交货时间也从两周涨到了近两个月。
这些等待时间，是 OpenClaw 的早期玩家们，用真实购买投出来的票。
（注：部分机型的缺货也和苹果近期推出新款 Mac 台式机电脑有关系，以往每次推出临近新机发布时，老机型都会进入售罄状态。OpenClaw 的爆红并非唯一原因。）
冥冥之中，Mac 成为了 2026 年首选的「AI PC」；反倒是鼓吹了「AI PC」好几年的 Windows PC 行业，一点热乎的都没吃上。
英特尔、AMD、高通等芯片商，以及主流 PC 品牌们，从 2023 年就开始贩卖「AI PC」的概念了。这些最新的 Windows 电脑当中，认证过 Copilot+ PC 的比比皆是，GPU、NPU 性能并不差，有的整机价格比 Mac 对等产品要便宜的多。
但问题是，为什么大家还是一窝蜂地冲向 Mac？
为什么是 Mac？
Windows PC 和 Mac 谁更好的争论，永远没有绝对答案。但如果限定在 AI 开发上，Mac 成为了心照不宣的选择。
虽然大模型的「大脑」都在云端服务器，开发者的手却都在 Mac 上。这跟 Mac 电脑的外形和操作体验关系不大：macOS 流着 UNIX 的血液，才是关键。
AI Agent 的核心工作是操作文件、调用命令行工具、调度 API 甚至控制图形界面等。说的更直白一点，Agent 就是一个智能且自动化的「脚本工程师」，只是脚本由大语言模型实时生成。而 macOS 属于类 UNIX 系统，bash、zsh 命令原生支持优秀。
这解决了 AI 开发中最基础的环境搭建。在 Windows 上，你可能得先安装 WSL2 虚拟机。但在 Mac 上，从 Python 环境到复杂的 C++ 编译工具链，基本都是开箱即用。Homebrew 等包管理器，让安装各种工具和依赖通过一行命令就能搞定。
另外，macOS 符合 POSIX 标准，处理文件路径、多线程任务和网络协议时可靠性稍高。Agent 往往需要频繁读写数据、调用 API，系统级的高效调度让 agent 在 Mac 上的节奏更快。
这种原生感和稳定性，让开发者、尝鲜用户可以更快完成入门，把更多时间花在真正的 agent 编排工作上。
Windows 有 WSL、PowerShell，功能上大部分也都能覆盖。但 WSL 是叠加在 Windows 上的兼容层，存在路径约定、注册表机制、权限模型等历史遗留问题。AI 模型和 agent 项目在 Windows 上运行的摩擦，确实会更多一些。
以 Ollama 和 LM Studio 为例，这两个工具让端侧推理大模型变得像「下载、安装、运行」一样简单。Ollama 的 Windows 版比 macOS 晚了半年；LM Studio 虽然从一开始就支持两个平台，但在社区里 Mac 的体验口碑始终更好；OpenClaw 也是如此。
往硬件层面继续深入，内存是大语言模型推理运行的命脉。
还是以 OpenClaw 举例，用户可以通过 token 付费的方式来接入云端模型，但它更擅长的能力是在端侧模型推理驱动。经过普遍调研，想要让 OpenClaw 像个智商合格的人一样工作，后端的模型参数量的底线在 70 亿左右，往往要上到至少 320 亿参数量才能比较稳定地工作。
这么大的模型即便在 4-bit 量化之后，仍然需要大约 20GB 内存（还要留一些给上下文窗口）。
此时，Windows PC 的架构会显得捉襟见肘。CPU 内存和显存之间存在物理隔离，数据经由 PCIe 总线传输，受到带宽瓶颈的影响。频繁的数据搬运，会对推理过程带来速率的影响。
更别提，大模型普遍依赖 GPU 加速推理，显存得足够装得下模型。在英伟达消费级显卡线中，只有 90 后缀的 24GB 显存达到了配置要求，但配出整机（只考虑新机）的话合计成本至少在万元人民币以上，用新卡的话会飙到 4、5 万不等。
而苹果的统一内存架构 (Unified Memory Architecture) ，让 M 系芯片的 Mac 在端侧推理更大规模的模型时游刃有余。
简单来说，统一内存架构的效果，是 CPU、GPU、神经计算引擎能够共享同一个内存池，不再有物理总线搬运的损耗，让 Mac 可以获得极高的内存带宽，并且对于多机串联的扩展性能更好。
以 Mac mini 为例，选择性能更高的 M4 Pro 处理器，搭配 48GB 内存，其它选基础配置，整机价格在 1.3 万元上下，即可达到 OpenClaw 社区普遍推荐的 320 亿参数量模型的配置水平。
当然这还只是对 token 吞吐速度有要求的专业配置。如果你属于爱好者、尝鲜玩一下 OpenClaw，配置下降到常规 M4 芯片和 32GB 内存也是能跑起来的。
当然，这个成本对比还是有前提：专用于端侧推理/跑 OpenClaw，而不是当做主力机。同等价位的 Windows PC 还能打游戏、剪视频，通用性更强。
另外，Mac 的统一内存和 PC 平台独显的显存也不是一回事。统一内存由系统和模型共享，一台 32GB 内存的 Mac mini，macOS 系统和其他软件仍需占据几个 GB。而 RTX 3090 的显存独立，模型可以全部占用，甚至配合 CPU 内存跑更大的量化模型。
如果你只用云端 API 做 OpenClaw 的大脑，不考虑端侧部署，那 Mac 的易用性优势依然在。
另外，CUDA 虽然提供了统一内存编程接口，但物理上 CPU 内存和 GPU 显存依然分离，数据搬运和带宽瓶颈并未消除。
再来看功耗。
Agent 的工作方式是持续循环的：任务触发、思考推理、执行、等待、再触发。前述配置的 Windows PC 会跑到 300-400W 左右（本地部署），散热噪音和电费都不是小数目。
Mac mini 通常稳定功耗在 10-40W 左右，峰值功率 65W（M4）或 155W（M4 Pro），散热可控，几乎没有风扇噪音，运行更安静。这种低延迟、低功耗的持续工作方式，会产生潜移默化的体验差异。
网友 3D 打印的套件「Clawy MacOpenClawface」
当然我们更多还是围绕 OpenClaw 这个以推理为主的场景进行讨论。如果工作涉及本地微调，并且对于效率有追求的话，那么在 macOS 平台要往往要到 Mac Studio，或至少顶配的 MacBook Pro，才能算摸到门槛。
与此同时，Mac 不支持 CUDA 也是个可能永远都无法改变的事实。不过，CUDA 的真正战场是模型训练，推理场景对它的依赖小得多，毕竟苹果在推理上有 MLX 这张王牌（后面会详述）。
再回到 OpenClaw：它的创造者 Peter Steinberger 曾经公开表示，自己很喜欢 Windows，觉得它的功能更强。他在 Lex Fridman 播客中说，Mac mini 不是唯一的「肉身」选择，通过 WSL2 方式运行 OpenClaw 已经非常成熟了；他甚至公开吐槽苹果在 AI 领域「搞砸了」，并且对苹果生态的封闭性感到不满。
但客观来讲，对于技术小白型用户的部署门槛，Mac mini 确实是最省心、最容易上手的方案。主要原因就是它的功耗、静音、尺寸足够小，像是一个可以插在墙角、24 小时待机且不需要维护的「服务器节点」。
还有一个和功耗有关的例证：前几天有一位工程师 Manjeet Singh 成功实现了对 M4 处理器上「神经引擎」(Neural Engine，简称 ANE）的逆向工程，发现 ANE 的功耗效率极高：算力跑满时的效率高达 6.6 TOPS/W。
对比苹果的 M4 GPU，约合 1TOPS/W；英伟达 H100 大约 0.13，A100 是 0.08 TOPS/W。
折算一下，A100 单卡的吞吐性能是 M4 ANE 的 50 倍，但 M4 ANE 的功耗性能却是 A100 的 80 倍。原作者在文章里写道：对于端侧推理，ANE 的性能是非常出色的。
由神经引擎说开
2011 年，苹果在 A5 处理器的图像处理单元 (ISP) 中首次通过硬写入的方式，实现了人脸实时检测等后来被视为 AI 任务的功能。
2014 年，苹果收购了 PrimeSense 公司，并开始研发一种全新的、专门用于神经网络计算的协处理器。这方面的工作在三年后的 iPhone X 上问世：A11 Bionic 处理器当中加入了前面提到的神经引擎 ANE，算力只有区区 0.6 TOPS，用来驱动 Face ID 和拍照人像模式。
那时 AI 还没到大模型时代，跑的主要是各种机器学习算法。市场对苹果这块协处理器的推出并没什么特别的反应。但苹果从未放弃过，持续加码。
三年后，M1 发布，统一内存架构同时到位， ANE 也进驻了 Mac。桌面平台的功率预算更充足，也让 ANE 的算力跳到 11 TOPS。此后每代更新：M2 是 15.8 TOPS，M3 是 18 TOPS，M4 是 38 TOPS，到了 2025年底的 M5 ，达到了 57 TOPS。从 M1 到 M5，苹果的 ANE 算力涨了超过 5 倍。
这个增长背后的逻辑，其它 PC 厂商不能说不羡慕。苹果为 Mac 加入 AI 加速硬件之前，已经有数千万甚至上亿台 iPhone 在跑同一套 ANE 架构了。功耗表现、稳定性、极端情况下的边缘案例，在市售机型上已经得到验证，再搬到 Mac 上来。
英特尔和 AMD 在移动端几乎没有消费级规模；高通虽然同样把 Snapdragon 芯片放进了数亿台 Android 手机，但它只是芯片供应商。Android 上的 AI 是谷歌 (Gemini) 以及各大手机厂商联合第三方 AI 实验室做的；Windows 的 AI (Copilot) 是微软做的。
苹果的不同在于，它实现了垂直整合，同时掌控硬件和软件。其他芯片厂商没有这种统一控制权。
当然，在 Mac 上推理大语言模型，其实跟 ANE 没什么关系，它更擅长处理 Face ID、人像识别这类固定模式的 AI 任务。真正承担主要计算量的是 GPU。
（注：最近情况发生了细微的变化。首先，M 系列芯片上的 ANE 已经承担提示词注入 prefill 阶段的工作了；以及刚才提过的 M4 ANE 逆向工程：该工程师还实现了跳过 CoreML 直接调用 ANE，吞吐量显著提升。通过这种思路，或许可以找到直接利用 ANE，来加速推理甚至训练的通用方法。）
2023 年底，苹果开源了 MLX，把专门针对 M 系列芯片优化的模型推理框架直接给了开发者。去年，基础模型框架随 Apple 智能发布，App 开发者可以在 iPhone 和 Mac 上调用系统内置的基础模型，无需联网，数据不离开设备。
Apple 智能一再跳票，这件事确实没什么好辩护的。不过，苹果远在 10 年前就开始试水，在多年以前就为桌面级 AI 开发打下了基础，是不争的事实。
而在 Windows 那边，「AI PC」这个词开始出现在英特尔、AMD 和 PC 厂商的新闻稿和 ppt 里，要到 2023 年底了。
2024 年 5 月，微软发布 Copilot+ PC 认证体系，旗舰功能名叫「Recall」，大概的逻辑是系统持续对屏幕内容截图，然后 Windows 的系统级 AI 能够帮你回忆过去看到过的东西。
先不说这个功能在发布当时的实际意义是什么，它的安全性首先被发现有严重问题：仅在发布一个月后，研究人员就发现 Recall 功能会把所有截图存在一个未加密的本地明文数据库里。
微软紧急撤下了 Recall 功能。过了半年微软再次推出测试版，结果再次因为新的安全问题而延迟。直到 2025 年 4 月，Recall 才正式上线，但改成了默认关闭，启动后数据改为加密存储。
从发布会宣传到真正能用，将近一年，可以说整个 Windows 生态 AI PC 的旗舰功能，经历了一整次从头重新设计，尴尬程度其实不亚于 Apple 智能/新版 Siri 的一跳再跳，但可能因为 Windows 生态的声量实在太低，AI PC 没多少人关注，很多人都没听说过这回事。
在 Copilot+ PC 这个体系的认证标准方面，微软主要针对的是神经处理引擎 NPU，要求是 40TOPS。不过，这个算力的用途是实时字幕、背景虚化、照片增强，诸如此类的消费端窄任务，大语言模型推理从来不在它的射程里（和苹果 ANE 同理）。
当开发者尝试去做端侧大语言模型推理时，会发现虽然这些电脑名为 AI PC，但并没针对 AI 推理用途做什么优化。微软 Copilot 本身的核心算力来自 Azure 云端，和端侧自身的算力几乎无关。买了一台 Windows AI PC 的用户，最能感知到的 AI 提升，大概是实时字幕和照片自动分类。
说到端侧推理，还有一个关键因素：Windows AI 生态的优化路径是分散的。
NVIDIA GPU 用 CUDA 和 TensorRT，Intel NPU 用 OpenVINO，高通 NPU 用 QNN SDK，AMD NPU 用自家驱动栈。模型存储格式也较为碎片化，有 CPU+GPU 推理的通用格式（GGUF，准确来说是 CPU 推理 + GPU 分层卸载），也有 GPU-only 的格式（EXL2）。
这意味着想让模型以及模型驱动的功能运行在 Windows AI PC 上，在推理后端方面的工作会更加复杂。微软有 ONNX Runtime 和 DirectML（已进入续命状态）作为统一抽象层，但统一的代价是牺牲各厂商的峰值性能。苹果是目前唯一一家为自家 PC 硬件专门开发并持续维护 LLM 推理框架的 PC 厂商，这个框架就是 MLX。
在 Hugging Face 等开源模型平台上，你会很容易找到大量采用 MLX 框架的模型，只要带有 MLX 后缀，并且内存/处理器允许，可以直接「开箱即用」。
不过，这几天 MLX 的主要贡献者之一 Awni Hannun 刚从苹果离职，为该项目的后续发展增添了些许变数。Hannun 也表示 MLX 团队仍有许多优秀员工，可以放心。
我们自己的体验
过去一年，爱范儿自己做了不少端侧部署 AI 模型的测试，也采访过一些相关的外部开发者。有两次值得一提。
去年春节，DeepSeek 横空出世，新款 Mac Studio 也在节后不久面市。 我们用一台售价快到 10 万元人民币的 M3 Ultra Mac Studio（512GB + 16TB）跑了 DeepSeek R1 671B 模型（注：实际上只需要内存，硬盘不用那么大，1TB SSD 售价七万多的型号就够了），以及蒸馏过的 70B 版本。
我们当时得出结论：对于端侧部署对话，日常用 70B 足矣，花大几万买台机器只为了跟 AI 聊天，实在是有钱烧的慌。当时的模型能力确实也就不太行，后来才有新的多模态模型和 agent 能力出来。
但 671B 模型的天量参数模型能够在一台桌面机上端侧推理，仍然是一种奇观。512GB 的统一内存上，671B 模型占用了 400GB，加上上下文、macOS 系统本身以及其他任务占用，基本接近满载，但机器全程运行安静，噪音在正常范围，也没有过热。
这个参数规模，在传统 AI 基础设施逻辑里，属于数据中心级别，消费级硬件理论上不该出现在这个场景里。但那台 M3 Ultra Mac Studio，真就硬生生也静悄悄地出现了。
后来，我们采访过一个英国牛津大学的创业团队 Exo Labs。他们用 4 台 512GB 统一内存的 Mac Studio，通过串联的方式组成了一个 128 核 CPU、320 核 GPU、2TB 统一内存、总内存带宽超过 3TB/s 的算力集群。
团队为这个 Mac 集群开发了调度平台 Exo V2，可以同时加载 2 个 DeepSeek 模型（V3+R1，8-bit 量化）。不但两个模型并行推理，研究人员甚至可以通过 QLoRA 技术来做一些本地微调工作，显著缩短了训练任务的用时。整套系统功耗控制在 400W 以内，运行时同样几乎没有风扇噪音。
同等算力的传统方案，需要大约 20 张 NVIDIA A100，当时的成本超过 200 万人民币；相比之下，Exo Labs 这套方案的总成本才不过 40 万人民币（同理 SSD 严重溢出，其实可以 30 万内就够）。
Exo Labs 创始人当时告诉我们，牛津有自己的 GPU 集群，但申请需要提前几个月排队，而且一次只能申请一张卡。这些桎梏，逼迫他们创新，而他们又正好遇到了趁手的工具：统一内存架构、MLX，以及 Mac 电脑。
我们在当时的文章里写道：「如果说英伟达的 H 系显卡是 AI 开发的金字塔尖，那么 Mac Studio 正在成为中小团队手中的瑞士军刀。」
这件事，苹果其实早就知道。
真正的 AI PC 是什么？
去年苹果发布的基础模型框架，让 iOS 和 macOS 开发者可以调用系统内置的基础模型，零网络延迟，零 API 费用，数据不离开设备。
尽管后来苹果基模团队几近分崩离析，但在迭代方面苹果没有停在原地。它其实一直知道开发者在哪里、想要什么。它的回应，就是将大模型驱动的 AI 能力变成操作系统的基础设施，让开发者更方便调用。
上周，苹果开源了 python-apple-fm-sdk。以往苹果基模的完整测试和调优，需要 Swift 环境完成；现在这套 SDK 让路变宽了，习惯 Python 工作流的开发者也能参与进来。
苹果的隐私设计哲学贯穿始终：python-apple-fm-sdk 调用的基础模型完全在本地运行，数据不离开设备。苹果整套 AI 体系在必须上云的场景里，走的是 Private Cloud Compute，数据处理完即删除，苹果无法访问。
反过来看 Recall，同样是让 AI 访问用户的私人数据，第一版存的是未加密的明文数据库。一个在架构上阻断泄密，一个是出事了再打补丁。
但话说回来，Mac 作为 AI 开发和部署工具的优势，严格来讲更像是一种「适配度优势」，也可以说是后天意外获得的。
意思是：苹果做神经引擎，最初是为了服务 Face ID 和人像模式；做统一内存架构，是摆脱对 Intel 长久依赖的一部分必要工作；开源 MLX，是响应开发者对高效推理工具的需求——AI Agent 场景爆发，Mac 正好赶上，是上述这些以及更多没提到的工程决策的意外收益。
Mac 一开始并没有为 AI 而设计，它始终的产品定位都更接近「创作者工具」。苹果长久以来的目标用户，是视频剪辑师、艺术家、软件工程师。他们需要的是低噪声、持续性能、高内存容量、可以全天候运行的机器。
AI 模型推理，以及时下最火的 Agent 部署，只是恰好需要一模一样的东西。
回头看，十多年前苹果在机器学习上加大投入时，大概率是不会预见到 2025 年 OpenClaw 的爆红的。甚至你可以说，如果放在十年前，苹果大概率是不会喜欢 OpenClaw 这样一个「回报高风向更高」，一旦出现幻觉就把用户隐私、数据安全抛在脑后，无视各种软件工程方面的规章制度的东西的……
但怎么说呢，如今就算苹果不喜欢它，也由不得了。就像墨菲定律那样，或许冥冥之中有些东西早已注定。多年以来苹果打下的每一张牌，无论有意为之还是出于意外，这些牌在今年这个 Agent 元年（希望这次是真的），成了一套很难不赢的牌组。
2023 年开始力推 AI PC 的 Windows 阵营，其实一直在追赶苹果在 2020 年 M1 推出时就已经定下来的架构优势。当然，25 年苹果在 AI 方面坏消息不断，这个差距是有追上的可能的。但苹果不会停下来等。
就在本周，苹果推出了 M5 Pro 和 M5 Max，芯片采用双芯融合架构 (Fusion Architecture)，还在新闻稿中上点名 LM Studio 作为 LLM 性能基准。
苹果过去的硬件新品发布里，不怎么说「大语言模型」，特别是在端侧推理的语境下——现在不一样了。
说在最后
吹了苹果一整篇文章了，我们冷静一下，反问一下文章的标题：今天的 Mac，就是真正的 AI PC 吗？
爱范儿倒觉得，苹果做的还不够。在今天，我们还没有看到一款个人计算产品，可以称之为 AI PC，抑或真正「原生的 AI 硬件」。
还是回到 OpenClaw，从今天的端侧部署 agent 身上，真正的 AI PC 应该长什么样子，其实已经隐约可见。
梗图，AI 生成
在应用层面，面向人类的「应用」概念，可能会部分退化回并无图形界面的状态。毕竟人才需要图形界面，agent 不需要。而且你会发现，最近越来越多人开始习惯基于对话和命令行的互动方式了。
今天 agent 的尝鲜者们，去找工具和技能塞给 agent；未来，agent 会自己去公开代码库拉取新工具和插件来补强自己。
在系统层面，权限体系将为 agent 的工作原理重构，agent 能直接操控各种接口。在底层，会有一套模型的编排调度机制，根据任务随时切换。
本地推理和隐私云端推理也会形成完整、安全、隐私的闭环。数据无论传到哪里，都经过向量化、加密存储，即用即焚……
换句话说，真正意义上的 AI PC，应该是从底层开始，从设计之初，就把 AI 当作「一等公民」的系统。
梗图，AI 生成
按照这样的衡量标准，Mac 和 Windows 目前都处于过渡阶段。Mac 更接近，因为 Unix 环境、硬件统一、生态成熟，这些条件在 AI agent 的时代到来之前已经达成了。Windows 的历史包袱更重，改起来更难，还在补课。
但我们绕了一大圈，其实还没问到最本质的问题：真正的 AI PC，真的需要是一台「PC」吗？
如果换个思路，所有的 agent 部署和运行全都在云上；与用户有关的数据，也即「上下文」也在云端安全和隐私存储；人类只需要一个终端的设备作为「对话器」(communicator) ，以及传感器 (sensor)，拍照和录音来上传所需要的数据给 agent，这台设备甚至不需要太多端侧算力。
Mac 是今天最好的 AI PC，但未来的「AI PC」，却可能更像……iPhone？
文｜杜晨
