Mac Mini 怎么就成了苹果「服务器业务」的新起点？
一般来说，一个典型的 AI 数据中心应该充斥着高速散热风扇的啸叫，闪烁的指示灯，以及由英伟达 H100、H200 计算卡堆叠而成的庞大机架。
这些昂贵而笨重的庞然大物构成了生成式 AI 时代的标准底座，专为吞噬万亿级 Token 的大语言模型预训练而生。
但在全球一些最顶尖的 AI 实验室的公有云机房中，却是另一番景象：
数以千计甚至万计的苹果 Mac mini 与 Mac Studio，整齐地码放在特制的机架托盘上。它们无需外接显示器，没有键盘鼠标，只有电源线、高速雷电线缆和万兆以太网口连接着机房网络。
根据外媒披露的信息，OpenAI 已经采购了数万台此类苹果电脑；Anthropic 同样在亚马逊 AWS 上大举租赁 Mac 算力实例；一批由前顶尖 AI 基础设施工程师创立的初创平台，也开始专门围绕苹果芯片和 Mac 电脑，搭建云端机房。
一台原本为家庭书桌、学生宿舍和办公室所设计的消费级个人电脑，为什么进入了服务器机架，上了 AI 技术演进的前线？
Agent 操作演练场
Mac mini 们为何在服务器机房里受到追捧？这是因为当下 AI 研究和 AI 模型进步的重心发生了重大变化。
简单来说， 过去几年里 AI 竞赛的主线是「底座模型的预训练与后训练」。这一阶段的目标是让模型学习天量的数据，理解人类语言并掌握跨领域的通用推理能力，依靠的是超大规模集群上的浮点运算。
在这类场景中，配备专用HBM高带宽显存和英伟达高速互联 NVLink 技术的商用 GPU 是绝对的霸主，消费级硬件目前根本插足。
但随着底层大模型的基础能力趋于稳定，前沿实验室的研发重点开始向 Agent 智能体全面倾斜——尤其是需要利用各种操作电脑的能力 (computer-use)，来帮助用户解决各种日常工作和生活任务的 Agent。
这类代理式任务的终极目标，是让 AI 不再局限于聊天框中输出文字，而是能够像人类员工一样，坐在屏幕前操作人类熟悉的操作系统图形界面：移动鼠标、点击按钮、在不同软件间复制粘贴、填写电子表格、在浏览器中处理复杂表单、撰写和调试代码程序，在报错弹窗时自行解决。
训练这类操作型 Agent，核心手段是基于环境交互的强化学习。这意味着实验室不需要模型一次性吞下几个 TB 的静态文本，不需要真那么大的算力、内存容量和互联，而是需要让成千上万个 Agents 实例，在真实、独立的 GUI 环境中，进行大量的的试错循环。
此时传统数据中心的架构就略显尴尬了。
图源：Anthropic
数据中心里最普遍的 Linux 容器，非常适合运行无界面的脚本和后端服务，这与人类熟悉的工作流程完全相反。在现实场景中，大多数高价值工作发生在图形界面上。Linux 也有各种发行版，可以理解为面向普通用户的操作系统，但其应用生态、图形渲染方式、系统权限规则等，与 macOS、Windows 差异巨大。
这意味着如果在 Linux 虚拟桌面中训练，模型学习到的 Agent 操作能力，还需要更多的才能迁移到真实的 macOS/Windows 办公环境中。
在过去 AI 时代还没有来临的时候，当云服务器需要为特定用户提供特定操作系统，通常使用虚拟机的方式来实现。
这是一种相对偶发，而非长期持久化的场景。在传统机架服务器上虚拟化运行数以万计的 macOS、Windows 虚拟机，会带来巨大的系统算力资源占用，以及高昂的商业授权成本。特别是系图形虚拟化的开销，对于 AI 时代需要的快速充值、高并发交互来说，是不合理的。
显然，托管大量的原生 macOS 实例，是更合理的做法。macOS 拥有成熟的图形无障碍 API，高度一致的窗口层级规范，以及极其丰富的桌面软件生态。对于哪些想要训练模型「如何使用现代桌面电脑」的研究者——所有的前沿模型实验室而言，macOS 是一个天然且标准的测试场。
但根据苹果的最终用户许可协议，macOS 只能合法运行在苹果自家的硬件上。所谓的「黑苹果」只是少数爱好者的玩法，对于企业级场景风险极大。
这也是为什么模型厂商们需要在机房里部署真实的 Mac mini，它比传统服务器和 GPU 的单位密度更高，采购成本可能还更低。
Apple Silicon 派上大用场
当然，如果仅仅是为了合规和用上 macOS，还是有很多奇葩的实现思路的，比如采购早期的 x86 Mac，甚至配件市场大量供应的「无头 MacBook」（拆掉了屏幕的笔记本电脑）都行。
真正让 Mac mini 在这一轮 Agent 浪潮中成为利器的，是苹果自研的 Apple Silicon 的独特硬件特性。
首先是统一内存架构带来了极高的性价比：在传统 PC 和通用服务器架构中，CPU 内存和 GPU 显存之间有物理隔离，数据需要通过 PCIe 通道在两者之间拷贝。
这一设置，对于传统任务来说是无足轻重的。但是当本地需要运行一个数亿到数十甚至上百亿参数的模型时，传统架构的通信延迟和带宽瓶颈是极为致命的。
此时 Apple Silicon 的统一内存架构 (UMA) 就排上了用场，CPU、GPU、ANE 等算力器件可以共享同一块高带宽内存池，意味着一台搭载数十 GB 统一内存的 Mac mini 可以直接将 Agent 决策模型一次性载入内存，省去跨总线搬运的延迟——显著降低模型公司的任务用时，提高后训练和优化效率。
Mac mini 在采购成本上也体现出优势：一台传统 x86 服务器配置同等大容量显存的商用显卡的硬件支出，可能是一台 Mac mini 的几倍甚至几十倍（当然，内存涨价平等影响所有人，Mac 也不例外，涨价了一到两千快）。
对于需要并发运行上万个独立环境的训练任务来说，单节点成本的差异会被指数级放大。
以及，Apple Silicon 良好的性能，搭配上 Mac mini 的主动散热，也让持久化的推理任务可以长期维持高效率，在整机几十瓦的较低功耗下维持长时间的性能释放。这种低功耗对于服务器机房散热和电力配置要求是更加友好的，数据中心不需要为其专门改造昂贵的冷却系统、超大功率的供电线路，就能承载密集的 Mac 部署。
但苹果为什么不搞云服务？
既然算力市场对 Mac 硬件的需求如此旺盛，苹果有有这么多独门绝技，何不顺水推舟，建立一个类似于 AWS、GCP 那样的公有云算力业务？巧的是，苹果偏不这么干。
目前在数据中心领域，苹果确实已经积累了相当深的技术投入。但根据公开资料，其战略意图完全聚焦于解决自身需求，部署到「私有云计算」(PCC) 服务器中，
使用专属的 M 系列芯片定制集群，采用极简的验证性安全 OS，用于处理苹果智能/Siri AI 等算力复杂的隐私推理。
PCC 的本质，是苹果为解决端侧设备算力不足而搭建的「云端延伸隐私沙盒」。当 iPhone、iPad 或 Mac 上的苹果智能/Siri AI 遇到端侧芯片无法独立完成的超大模型任务时，请求会被加密传输至苹果的数据中心，由运行在 M 芯片集群上的大模型进行推理。
正是因为这套架构是全栈专有 (proprietary) 的，苹果极致的工程控制力得以展现：PCC 算力节点剥离了传统 macOS 所有的无关组件，包括持久化存储以及管理员特权，仅保留推理所需的内核。这些好处，第三方客户再想要、愿意付出再高的费用，也都是用不上的。
究其根本，苹果的商业逻辑始终建立在「销售高利润率的消费硬件」以及「从庞大的消费生态中赚取服务收入」这两点之上。
公有云算力租赁是一个重资产、强运维、重 B 端销售渠道的赛道。它的利润率不低……但跟苹果的利润率要求相比还是没什么说服力的。苹果显然没有兴趣将自身卷入与亚马逊、微软和谷歌的正面价格战中。
苹果曾经做过服务器
当然，这并不妨碍科技公司们直接以消费者的身份，把 Mac 硬件成批买走自己用——甚至年初许多个人消费者也在购买 Mac mini，部署 OpenClaw 或各种 Agent 到上面，作为自己的「个人服务器」。
冥冥之中，苹果不是一家服务器公司，却成了最受欢迎的服务器公司。
今天大家自发把 Mac mini 改造成服务器的现象，在苹果的历史长河中并非首次出现，甚至带有某种历史轮回的戏剧色彩。
二十多年前，在「云服务」还没彻底爆发的时代，苹果曾正式进军过商用服务器市场。
Xserve 的雄心与退场
2002 年 5 月，史蒂夫·乔布斯推出了苹果的第一款企业级硬件产品——Xserve。
当时的 Xserve 采用了标准的 1U 机架式机身设计，正面覆盖着极具标志性的一体化银色铝合金面板和热插拔硬盘托架。它先后搭载了 PowerPC G4、G5 以及后来的英特尔至强处理器，配合专用的 Xserve RAID 存储系统和专门定制的 Mac OS X Server 操作系统，主打高校科研、影视剪辑工作室和高端图形渲染集群。
图源：Apple、Petoo
尽管 Xserve 在工业设计和软硬件结合上极具特色，但它在严酷的企业级市场中却举步维艰：
首先，Xserve 在标准化与生态方面与企业熟悉的环境有着隔阂，绝大多数企业级数据中心的管理工具、运维脚本和底层架构都基于 Linux 与 Windows Server 标准构建，Mac OS X Server 相对封闭的生态使其很难融入 B 端客户既有的 IT 管理体系中。
相比戴尔、惠普和 IBM 那些使用通用 x86 配件、价格低廉且可灵活定制的服务器，Xserve 的采购成本与维护成本都过于高昂。这种硬件溢价配上糟糕的通用性，也让 Xserve 难以取悦用户。
随着 iPhone 的横空出世，苹果的精力和供应链资源开始全面向消费电子倾斜。Xserve 每年微不足道的出货量，在苹果庞大的财务报表中显得无足轻重。
于是在 2010 年底，苹果正式宣布了 Xserve 的死刑。在官方发布的替代指引中，苹果给出的建议方案是：推荐企业客户改用搭载 Mac OS X Server 系统的 Mac Pro，或者购买配备双硬盘的「Mac mini Server」。
——没错，15 年前，Mac mini 就曾经被苹果当做正式的服务器产品。
当时，Mac mini Server 采用四核英特尔酷睿 i7，双内置硬盘，主打面向中小企业和小型工作群组，使用场景包括集中化的 Time Machine 备份、内网邮箱/日历服务器、管理网络内的其它苹果设备。
至于民间用法，也很多种多样。比如放在客厅里当 NAS（实际上最初代的 Apple TV 就是苹果自己用 Mac mini 魔改的），甚至早在 HomeKit 还八字没一撇的时候，就在用 Mac mini Server 配合第三方软件来当智能家庭中控。
特别有意思的是，当时的官方使用场景中还包括这么一条：Xcode 持续集成服务器。因为当时 iOS 开发如火如荼，团队可以购买这么一台服务器，来自动检查新代码并集成为软件包——放在今天，这其实挺 Agent 的。
但当时的 Mac mini Server 仍然是消费级产品，官方并没有面向今天公有云级别的使用量来做特别适配。既然苹果不卖机架服务器，于是开发者和托管服务商就只能自己想办法。
以 MacStadium 为代表的第三方托管服务商，开发出了专门针对 Mac mini 的定制机架托架。通过精密的 CNC 加工与 3D 打印配件，在一个标准的 42U 机柜里塞进上百台普通的 Mac mini，并为它们配备专用的散热风道、集中供电模块和机械式开机手柄。
随后，亚马逊 AWS 也推出了
假如历史再一次敲门
十几年过去了，机房依然没有等来苹果官方的机架服务器，却等来了更需要它们的 AI Agent。
面对当下 AI 实验室对 Mac mini 和 Mac Studio 的庞大胃口，苹果虽然没有动力重建庞大的企业级云服务部门，但这也不意味着它会冷眼旁观。
假如苹果希望顺应 Agent 时代的这股计算浪潮，在不破坏自身现有高利润商业模式的前提下，它完全可以通过更加轻量化、生态化的方式来释放这部分算力价值。
比如，对于部署在机房中的成千上万台 Mac mini，目前的一个痛点是运维。相比企业级服务器，消费级设备在批量远程运维方面并没那么方便，云服务商和企业用户需要自行做一些适配工作。
如果苹果愿意，可以为专业级部署场景开放更底层的远程管理协议和批量部署接口，从而降低大规模部署的运维成本。
以及，在苹果官方层面上，Mac 仍然是一台从「单机」角度设计的电脑产品，和英伟达 DGX Spark 那种原生可通过 NVLink 串联的设计有所不同。
但是作为科技媒体，爱范儿也看到，在过去几年时间里，苹果曾经联合一些第三方机构来尝试将多台 Mac 通过高效方式进行串联，验证了 Apple Silicon 的 UMA 架构用于 AI 分布式推理的可行性。
去年，来自牛津大学的 Exo Labs 开发了一系列将多台 Mac 连接在一起的基础设施，并且成功地演示了在两台 Mac Studio 上推理完整尺寸的
那么接下来，苹果是否可以直接将这些多机串联的外部基础设施，从官方层面进行整合？
从 2002 年 Xserve 未竟的服务器梦想，到 2011 年服务器硬件线的全面收缩，再到今天 Mac mini 悄然占领 AI 实验室的机柜，苹果的「服务器支线任务」完成了一次耐人寻味的闭环。
当年，由于无法适应以标准化 Linux 为核心的数据中心法则，苹果的服务器硬件败下阵来。
但在二十多年后的今天，当最前沿的 AI 必须学会像一个真正的人类那样去观察屏幕、移动光标、操作软件时，Mac mini 这台不起眼的小盒子，却成为了 AI 走向现实世界过程中最不可或缺的隐形阶梯。
本文来自微信公众号“爱范儿”（ID：ifanr），作者：杜晨，编辑：肖钦鹏，36氪经授权发布。
