Mac mini nie był stworzony do trenowania AI. OpenAI i tak kupił dziesiątki tysięcy sztuk

Standardowy obraz infrastruktury do trenowania AI obejmuje klastry GPU, serwerownie i sprzęt Nvidii kosztujący dziesiątki tysięcy dolarów za kartę. OpenAI właśnie kupiło dziesiątki tysięcy konsumenckich Maców i zburzyło ten obraz. Firma zakupiła systemy Mac mini i Mac Studio, aby trenować konkretną klasę AI: agentów, którzy potrafią obsługiwać komputery tak jak człowiek – klikać, przewijać i nawigować po oprogramowaniu w jego imieniu.

Powód sprowadza się do pamięci. Układy z serii M firmy Apple wykorzystują ujednoliconą architekturę pamięci, która umieszcza CPU i GPU na tym samym krzemowym die, dzieląc wspólną pulę pamięci o wysokiej przepustowości. Dla uczenia przez wzmacnianie – metody trenowania, która uczy agenta poprzez przeprowadzanie go przez tysiące powtórzeń metodą prób i błędów – ta konstrukcja usuwa trwałe wąskie gardło w transferze danych. Gdy pamięć GPU i pamięć systemowa są oddzielne, jak w konwencjonalnych konfiguracjach GPU, sprzęt musi nieustannie kopiować dane pomiędzy nimi. Ujednolicona pamięć Apple eliminuje ten transfer. Układ działa chłodniej, zużywa mniej energii na jednostkę, a te liczby biją na głowę Nvidię H100 za 25 000 dolarów w tym konkretnym zadaniu.

Anthropic, najbliższy rywal OpenAI, podjął tę samą decyzję sprzętową, ale inną finansową. Anthropic wynajmuje Mac mini przez Amazon Web Services zamiast je kupować. Obciążenie jest identyczne; zobowiązanie – nie. Decyzja OpenAI o wykupieniu dziesiątek tysięcy sztuk na własność sygnalizuje, że trenowanie agentów obsługujących komputery to stała, wielkoskalowa inwestycja infrastrukturalna, a nie tymczasowy eksperyment.

Efekt podażowy pojawił się natychmiast. Apple odświeżyło Mac mini i Mac Studio pod koniec sierpnia, wprowadzając M6, swój pierwszy procesor 2-nanometrowy. Mac mini M6 zaczyna się od 899 dolarów; Mac Studio M5 Ultra – konfiguracja oferująca do 96 GB lub więcej ujednoliconej pamięci – zaczyna się od 5 499 dolarów. Najwyższe konfiguracje pamięci były już ograniczone przez globalny niedobór chipów pamięci. Masowe zakupy przez laboratoria AI spowodowały wyczerpanie zapasów modeli z najwyższej półki, a czas realizacji zamówień wydłużył się teraz do miesięcy, zanim nowe jednostki w ogóle zaczną być wysyłane.

Nic z tego nie dotyka podstawowego biznesu Nvidii. Trenowanie modeli fundamentowych – budowanie od podstaw GPT-5, Claude 5, Gemini 3 – wciąż odbywa się na klastrach tysięcy Nvidia H100 i B200. Mac mini nie jest w stanie tego powtórzyć. To, co Nvidia bacznie obserwuje, to warstwa agentów: obciążenia zbudowane na modelach fundamentowych, które wchodzą w interakcje ze światem rzeczywistym. Nvidia DGX Spark, jej stacjonarny system AI, jest bezpośrednią odpowiedzią na tę samą przestrzeń, którą Apple przypadkowo zajął. Laboratoria AI na razie nie wybierają go na masową skalę.

Cena wyjaśnia tę lukę. Mac Studio M5 Ultra z 96 GB ujednoliconej pamięci zaczyna się od 5 499 dolarów. Karta GPU Nvidia H100 kosztuje ponad 25 000 dolarów przed kosztem szafy serwerowej, której potrzebuje do działania. Dla klasy uczenia przez wzmacnianie, które uczy agenta klikać w przeglądarce, nawigować po formularzu i sporządzać raport, opłacalność i architektura pamięci Maca tworzą inne równanie – a laboratoria AI dostrzegły tę różnicę i kupiły odpowiednio.

Zdolność Apple do utrzymania tego jako relacji dostawczej zależy od skali produkcji chipów rosnącej szybciej niż popyt – warunek, który obecnie nie jest spełniony. Następne wydarzenie produktowe firmy, na początku września, skupi się na linii iPhone 18 i jej pierwszym składanym urządzeniu. Dalsze aktualizacje linii Mac są spodziewane w dalszej części roku.

Tagi: sztuczna inteligencja, OpenAI, Anthropic, nvidia, Apple, Apple Silicon, Mac mini