Посмотрев на все эти “ПК с искусственным интеллектом”, оказывается, что Mac всегда был с нами Гаджеты с искусственным интеллектом

В начале года Mac Mini отсутствовал на складе, а время ожидания достигало полутора месяцев.

Mac mini — отличный продукт, это всем известно. Благодаря конкурентоспособной цене на внутреннем рынке и превосходной производительности процессора M, базовую конфигурацию можно приобрести менее чем за 3000 юаней, что делает его идеальным основным компьютером для начинающих творческих людей.

Однако недавний всплеск популярности Mac mini мало связан с творческой работой или повседневным использованием.

Тем, кто следит за новостями в сфере технологий, следует знать, что происходит: OpenClaw (ранее известный как Clawdbot) внезапно стал популярным.

OpenClaw предлагает несколько вариантов развертывания: вы можете установить его на свой компьютер или выделить для этого отдельный компьютер; развертывание в облачной виртуальной машине/песочнице также вполне допустимо; позже некоторые популярные сервисы искусственного интеллекта также запустили облачные альтернативы с развертыванием в один клик, что значительно снизило порог вхождения для начинающих пользователей.

Однако на начальном этапе наиболее распространенным вариантом развертывания была покупка одного компьютера Mac mini.

Причина, безусловно, не в дешевизне, а, что более важно, в том, что для того, чтобы OpenClaw имел смысл, ему необходимо «физическое воплощение», чтобы он мог получать доступ к файлам и запускать программное обеспечение.

Облачный сервер может запускать OpenClaw, но это всё равно не ваш компьютер. На нём нет ваших файлов, программного обеспечения или различных учётных записей, подключенных к вашему браузеру, и нет так называемого «контекста». Mac mini может стоять на вашем столе круглосуточно, не требуя выключения, и вам даже не понадобится отдельный монитор, если вы можете удалённо управлять им через чат-бота.

Единственная существенная плата за использование OpenClaw на собственном компьютере — это комиссия за доступ к API для больших моделей на бэкэнде; многие первые пользователи понесли из-за этого убытки. Однако, если вы купите мощный Mac mini и загрузите достаточно большую модель для локального запуска, это практически равносильно бесплатной работе, за исключением расходов на электроэнергию и интернет…

MacBook тоже подойдёт, но…

Согласно сообщениям Tom's Hardware и TechRadar, после того, как OpenClaw приобрел популярность, время ожидания для конфигураций Mac mini с 24 ГБ и 32 ГБ памяти увеличилось до 6 дней — 6 недель; время доставки более мощного Mac Studio также увеличилось с двух недель до почти двух месяцев.

Указанное время ожидания — это результаты голосования первых игроков OpenClaw, совершивших реальные покупки.

(Примечание: Дефицит некоторых моделей также связан с недавним выпуском компанией Apple новых настольных компьютеров Mac. В прошлом старые модели раскупались сразу после выхода новой модели. Популярность OpenClaw — не единственная причина.)

Как по какой-то странной иронии судьбы, Mac стал предпочтительным « ПК с искусственным интеллектом » в 2026 году; напротив, индустрия ПК на базе Windows, которая уже несколько лет рекламирует «ПК с искусственным интеллектом», от этого нисколько не выиграла.

Производители чипов, такие как Intel, AMD и Qualcomm, наряду с основными брендами ПК, продвигают концепцию «ПК с искусственным интеллектом» с 2023 года. Многие из этих новейших компьютеров под управлением Windows сертифицированы как Copilot+, обладая впечатляющей производительностью графического и нейронного процессоров, а некоторые даже значительно дешевле, чем аналогичные компьютеры Mac.

Но вопрос в том, почему люди по-прежнему массово переходят на компьютеры Mac?

Почему именно Mac?

Дискуссия о том, какие компьютеры лучше — Windows или Mac — никогда не получит однозначного ответа. Однако, когда дело доходит до разработки ИИ, Mac стали негласным выбором.

В то время как «мозг» крупной модели находится на облачных серверах, разработчики работают с компьютерами Mac. Это мало связано с форм-фактором Mac или пользовательским интерфейсом: главное, что macOS имеет корни в UNIX.

Основные функции ИИ-агента включают в себя манипулирование файлами, вызов инструментов командной строки, планирование API и даже управление графическими интерфейсами. Проще говоря, агент — это интеллектуальный и автоматизированный «инженер скриптов», за исключением того, что скрипты генерируются в реальном времени с помощью большой языковой модели. macOS, будучи UNIX-подобной системой, обладает отличной встроенной поддержкой команд bash и zsh.

Это решает самую основную проблему настройки среды в разработке ИИ. В Windows вам, возможно, сначала потребуется установить виртуальную машину WSL2. Но на Mac все, от среды Python до сложного инструментария компиляции C++, практически готово к использованию сразу после установки. Менеджеры пакетов, такие как Homebrew, позволяют устанавливать различные инструменты и зависимости простым способом — одной командой.

Кроме того, macOS соответствует стандарту POSIX, обеспечивая несколько более высокую надежность при обработке путей к файлам, многопоточных задач и сетевых протоколов. Агентам часто приходится читать и записывать данные, а также вызывать API; эффективное планирование на системном уровне позволяет агентам работать быстрее на Mac.

Благодаря интуитивно понятному интерфейсу и стабильности разработчики и первые пользователи могут быстрее приступить к работе и уделять больше времени непосредственно оркестрации агентов.

В Windows есть WSL и PowerShell, которые охватывают большую часть функциональности. Однако WSL — это слой совместимости, построенный поверх Windows, и он страдает от устаревших проблем, таких как соглашения о путях, механизмы реестра и модели разрешений. Поэтому, безусловно, возникнет больше проблем во взаимодействии между моделями ИИ и агентскими проектами, работающими в Windows.

Взяв в качестве примеров Ollam и LM Studio, можно сказать, что эти два инструмента упрощают процесс вывода границ больших моделей до уровня «скачать, установить и запустить». Версия Ollam для Windows была выпущена на шесть месяцев позже, чем версия для macOS; хотя LM Studio с самого начала поддерживала обе платформы, версия для Mac всегда пользовалась лучшей репутацией в сообществе; то же самое относится и к OpenClaw.

Если углубиться в аппаратный уровень, то память является жизненно важным элементом для рассуждений и выполнения операций в больших языковых моделях.

В качестве примера снова возьмем OpenClaw. Пользователи могут получить доступ к облачным моделям, оплачивая их токенами, но его сильная сторона заключается в управлении выводом модели на стороне клиента. Согласно общим исследованиям, для того чтобы OpenClaw работал как человек с нормальным IQ, минимальное количество параметров бэкэнд-модели составляет около 7 миллиардов, а для относительно стабильной работы часто требуется достичь как минимум 32 миллиардов параметров.

Даже после 4-битного квантования такая большая модель всё ещё требует приблизительно 20 ГБ памяти (часть которой должна быть зарезервирована для контекстного окна).

На этом этапе архитектура ПК под управлением Windows становится неадекватной. Существует физическая изоляция между памятью ЦП и видеопамятью, а передача данных осуществляется по шине PCIe, что делает её уязвимой для проблем с пропускной способностью. Частые передачи данных могут повлиять на скорость процесса вывода.

Не говоря уже о том, что большие модели, как правило, используют графические процессоры для ускорения обработки данных, что требует достаточного объема видеопамяти. Среди потребительских видеокарт NVIDIA только модели с 24 ГБ видеопамяти (серия 90) соответствуют требованиям к конфигурации, но общая стоимость сборки полной системы (с учетом только новых машин) составит как минимум 10 000 юаней, а с новой видеокартой она взлетит до 40 000–50 000 юаней.

Единая архитектура памяти Apple позволяет компьютерам Mac с процессорами серии M с легкостью обрабатывать модели больших масштабов при выполнении вычислений на устройстве.

Проще говоря, эффект от унифицированной архитектуры памяти заключается в том, что центральный процессор, графический процессор и нейронный вычислительный движок могут совместно использовать один и тот же пул памяти, устраняя накладные расходы на физическую передачу данных по шине. Это позволяет компьютерам Mac достигать чрезвычайно высокой пропускной способности памяти и обеспечивает лучшую производительность при межмашинном взаимодействии.

Взяв в качестве примера Mac mini, выберем высокопроизводительный процессор M4 Pro в паре с 48 ГБ оперативной памяти и базовую конфигурацию для всего остального, и общая стоимость машины составит около 13 000 юаней, что соответствует уровню конфигурации модели с 32 миллиардами параметров, которую обычно рекомендует сообщество OpenClaw.

Конечно, это всего лишь профессиональная конфигурация, требующая высокой пропускной способности токенов. Если вы энтузиаст и просто хотите попробовать OpenClaw, вы можете запустить его на стандартном процессоре M4 и 32 ГБ оперативной памяти.

Разумеется, это сравнение цен основано на предположении, что компьютер предназначен для обработки данных на периферии сети/работы с OpenClaw, а не используется в качестве основного компьютера. ПК с Windows аналогичной ценовой категории также может использоваться для игр и видеомонтажа, предлагая большую универсальность.

Кроме того, унифицированная память Mac и выделенная видеопамять видеокарты ПК — это не одно и то же. Унифицированная память используется как системой, так и видеокартой; даже на Mac mini с 32 ГБ оперативной памяти система macOS и другое программное обеспечение всё равно требуют несколько гигабайт памяти. С другой стороны, выделенная видеопамять RTX 3090 позволяет видеокарте использовать её всю, и она даже может запускать более сложные модели квантования совместно с процессором и памятью.

Если вы используете только облачный API в качестве основы OpenClaw и не рассматриваете развертывание на периферии сети, то простота использования Mac по-прежнему является преимуществом.

Кроме того, несмотря на то, что CUDA предоставляет унифицированный интерфейс программирования памяти, память ЦП и память ГП по-прежнему физически разделены, и проблемы, связанные с передачей данных и пропускной способностью, не были устранены.

Далее рассмотрим энергопотребление.

Агент работает в непрерывном цикле: запуск задачи, рассуждение, выполнение, ожидание, а затем повторный запуск. ПК под управлением Windows с указанной конфигурацией будет потреблять около 300-400 Вт (при локальном развертывании), а тепловыделение, шум и затраты на электроэнергию не являются незначительными.

Mac mini обычно имеет стабильное энергопотребление в диапазоне 10-40 Вт, с пиковой мощностью 65 Вт (M4) или 155 Вт (M4 Pro). Его теплоотвод контролируется, а шум вентилятора практически отсутствует, что обеспечивает более тихую работу. Низкая задержка и низкое энергопотребление в непрерывном режиме работы создают незначительные различия в пользовательском опыте.

Набор для сборки корпуса Mac mini, напечатанный на 3D-принтере пользователем сети под ником "Clawy MacOpenClawface".

Конечно, наше обсуждение будет больше сосредоточено на OpenClaw, сценарии, в первую очередь, продиктованном логическими соображениями. Если работа включает в себя локальную тонкую настройку, а эффективность является приоритетом, то на платформе macOS вам часто понадобится Mac Studio или, по крайней мере, топовый MacBook Pro, чтобы хотя бы начать осваивать основы.

В то же время, тот факт, что компьютеры Mac не поддерживают CUDA, возможно, никогда не изменится. Однако настоящая «битва» CUDA — это обучение моделей; сценарии вывода результатов зависят от неё гораздо меньше, поскольку у Apple есть MLX в качестве козыря для вывода (который будет подробно рассмотрен позже).

Возвращаясь к OpenClaw: его создатель, Питер Штайнбергер, публично заявил, что предпочитает Windows и считает её более мощной. В подкасте Лекса Фридмана он сказал, что Mac mini — не единственный «физический» вариант, и что запуск OpenClaw через WSL2 уже достаточно зрелый процесс; он даже публично раскритиковал Apple за «промахи» в области ИИ и выразил недовольство закрытым характером экосистемы Apple.

Объективно говоря, для пользователей с ограниченными техническими навыками Mac mini действительно является наиболее простым и удобным решением для развертывания. Главная причина — его энергопотребление, тихая работа и небольшие размеры, что делает его похожим на «серверный узел», который можно разместить в углу, он находится в режиме ожидания 24 часа в сутки и не требует обслуживания.

Еще один пример, связанный с энергопотреблением: несколько дней назад инженер по имени Манджит Сингх успешно провел обратное проектирование нейронного процессора (ANE) на процессоре M4 и обнаружил, что ANE обладает чрезвычайно высокой энергоэффективностью: его КПД достигает 6,6 TOPS/Вт при полной загрузке вычислительной мощности.

По сравнению с графическим процессором Apple M4, производительность которого составляет приблизительно 1 TOPS/Вт, у Nvidia H100 этот показатель равен примерно 0,13, а у A100 — 0,08 TOPS/Вт.

Для сравнения, пропускная способность одной карты A100 в 50 раз выше, чем у M4 ANE, но энергопотребление M4 ANE в 80 раз выше, чем у A100. Автор оригинальной статьи написал: «Для обработки данных на периферии сети производительность ANE является выдающейся».

Начнём с нейронного движка.

В 2011 году Apple впервые реализовала распознавание лиц в реальном времени и другие функции, которые впоследствии стали рассматриваться как задачи искусственного интеллекта, путем аппаратной записи в блок обработки изображений (ISP) процессора A5.

В 2014 году Apple приобрела компанию PrimeSense и начала разработку нового сопроцессора, специально предназначенного для вычислений с использованием нейронных сетей. Эта работа была реализована три года спустя в iPhone X: процессор A11 Bionic включал в себя упомянутый выше нейронный процессор (ANE) с вычислительной мощностью всего 0,6 TOPS, который обеспечивал работу Face ID и портретного режима.

В то время искусственный интеллект ещё не достиг эры крупномасштабных моделей; он в основном опирался на различные алгоритмы машинного обучения. Рынок не слишком отреагировал на запуск Apple этого сопроцессора. Но Apple не сдалась и продолжила активно инвестировать.

Три года спустя был выпущен процессор M1, а вместе с ним и унифицированная архитектура памяти, и ANE также был представлен для Mac. Более широкий энергетический бюджет для настольных платформ позволил вычислительной мощности ANE подскочить до 11 TOPS. В последующих поколениях наблюдались дальнейшие улучшения: M2 — 15,8 TOPS, M3 — 18 TOPS, M4 — 38 TOPS, а к концу 2025 года M5 достиг 57 TOPS. От M1 до M5 вычислительная мощность ANE от Apple увеличилась более чем в пять раз.

Другие производители ПК не могут не завидовать логике, лежащей в основе этого роста. До того, как Apple добавила аппаратное ускорение ИИ в компьютеры Mac, десятки миллионов, даже сотни миллионов iPhone уже работали на той же архитектуре ANE. Энергопотребление, стабильность и работа в экстремальных условиях уже были проверены на коммерчески доступных моделях, а затем перенесены на компьютеры Mac.

Intel и AMD практически не представлены на рынке мобильных устройств потребительского класса; хотя Qualcomm также установила чипы Snapdragon в сотни миллионов телефонов Android, она является лишь поставщиком чипов. Искусственный интеллект для Android разрабатывается Google (Gemini) и крупными производителями телефонов в сотрудничестве со сторонними лабораториями ИИ; ИИ для Windows (Copilot) разрабатывается Microsoft.

Отличие Apple заключается в вертикальной интеграции, позволяющей контролировать как аппаратное, так и программное обеспечение. Другие производители микросхем не обладают таким единым контролем.

Конечно, вывод больших языковых моделей на Mac мало связан с ANE; он лучше подходит для решения задач искусственного интеллекта с фиксированными шаблонами, таких как Face ID и распознавание лиц. Большая часть вычислений выполняется графическим процессором.

(Примечание: В последнее время ситуация немного изменилась. Во-первых, ANE на чипах серии M теперь обрабатывает этап предварительного заполнения при мгновенной инъекции; а что касается упомянутого ранее обратного проектирования ANE для M4 , инженер также реализовал метод, позволяющий пропускать CoreML и напрямую вызывать ANE, что значительно повышает пропускную способность . Следуя этой логике, возможно, удастся найти общий метод для прямого использования ANE для ускорения вывода и даже обучения.)

В конце 2023 года Apple открыла исходный код MLX, предоставив разработчикам фреймворк для вывода моделей, специально оптимизированный для чипов серии M. В прошлом году базовый фреймворк моделей был выпущен вместе с Apple Smart, что позволило разработчикам приложений получать доступ к встроенным базовым моделям системы на iPhone и Mac без необходимости подключения к интернету и без передачи данных с устройства.

Неоспоримы неоднократные задержки Apple в разработке ИИ. Однако неоспорим и тот факт, что Apple начала экспериментировать с ИИ еще 10 лет назад, заложив основу для разработки ИИ для настольных компьютеров много лет назад.

Что касается Windows, то термин " AI PC" начнет появляться в пресс-релизах и презентациях от Intel, AMD и производителей ПК не раньше конца 2023 года.

Скриншот с официального сайта AMD, 2023 год.

В мае 2024 года Microsoft выпустила систему сертификации Copilot+ для ПК, флагманской функцией которой является функция «Recall». Основная идея заключается в том, что система постоянно делает снимки экрана, а затем системный искусственный интеллект Windows помогает вспомнить, что вы видели раньше.

Независимо от реальной значимости этой функции на момент её выпуска, серьёзные проблемы с её безопасностью были обнаружены уже через месяц после её запуска: всего через месяц после её появления исследователи обнаружили, что функция «Восстановление» хранит все скриншоты в незашифрованной локальной базе данных в открытом текстовом виде.

Microsoft внезапно удалила функцию «Отзыв данных». Шесть месяцев спустя Microsoft снова выпустила бета-версию, но её выпуск снова был отложен из-за новых проблем с безопасностью. Функция «Отзыв данных» была официально запущена в апреле 2025 года, но по умолчанию она была отключена, а при включении данные хранились в зашифрованном виде.

От первоначального анонса до фактического использования прошло почти год. Можно с уверенностью сказать, что флагманская функция всей экосистемы Windows — ПК с искусственным интеллектом — претерпела полную переработку, процесс, не менее неуклюжий, чем неоднократные скачки в развитии ИИ/новой Siri от Apple. Однако, возможно, из-за низкой популярности экосистемы Windows, мало кто обращал внимание на ПК с искусственным интеллектом, и многие даже никогда о них не слышали.

Что касается стандартов сертификации для системы Copilot+ PC, Microsoft в первую очередь ориентируется на нейронный процессор (NPU), требующий 40 TOPS. Однако эта вычислительная мощность используется для узкоспециализированных задач, ориентированных на потребителя, таких как создание субтитров в реальном времени, размытие фона и улучшение фотографий; крупномасштабный вывод языковых моделей никогда не входит в её компетенцию (аналогично ANE от Apple).

Когда разработчики пытаются выполнить крупномасштабный вывод языковых моделей на этом устройстве, они обнаруживают, что, хотя эти компьютеры называются ПК для ИИ, они не оптимизированы для целей вывода ИИ. Основная вычислительная мощность Microsoft Copilot обеспечивается облаком Azure и практически не связана с вычислительной мощностью самого устройства. Для пользователей, купивших ПК с Windows для ИИ, наиболее заметным улучшением в области ИИ, вероятно, является создание подписей в реальном времени и автоматическая классификация фотографий.

Что касается обработки данных на периферии сети, здесь есть еще один ключевой фактор: пути оптимизации в экосистеме Windows AI фрагментированы.

Графические процессоры NVIDIA используют CUDA и TensorRT, нейронные процессоры Intel — OpenVINO, нейронные процессоры Qualcomm — SDK QNN, а нейронные процессоры AMD — собственный стек драйверов. Форматы хранения моделей также довольно фрагментированы: существует общий формат для вывода данных на ЦП и ГП (GGUF, точнее, вывод данных на ЦП + иерархическая разгрузка на ГП) и формат только для ГП (EXL2).

Это означает, что запуск моделей и функций, управляемых моделями, на ПК с Windows AI будет более сложным с точки зрения бэкэнда вывода. У Microsoft есть ONNX Runtime и DirectML (который в настоящее время находится в стадии обновления) в качестве единого уровня абстракции, но цена унификации — это снижение максимальной производительности каждого поставщика. В настоящее время Apple — единственный производитель ПК, который разработал и постоянно поддерживает фреймворк для вывода LLM специально для своего собственного оборудования; этот фреймворк называется MLX.

На платформах для создания моделей с открытым исходным кодом, таких как Hugging Face, вы легко найдете большое количество моделей, использующих фреймворк MLX. Если у них есть суффикс MLX и позволяет объем памяти/процессор, их можно использовать "из коробки".

Однако недавний уход Авни Ханнуна, одного из ключевых участников проекта MLX, из Apple внес некоторую неопределенность в будущее развитие проекта. Ханнун также заявил, что в команде MLX по-прежнему много отличных сотрудников, поэтому беспокоиться не о чем.

Наш собственный опыт

За последний год компания iFanr провела множество тестов по развертыванию моделей ИИ на периферийных устройствах, а также опросила ряд соответствующих сторонних разработчиков. Два примера заслуживают упоминания.

В прошлый китайский Новый год компания DeepSeek ворвалась на рынок, и вскоре после этого вышла новая версия Mac Studio. Мы протестировали модель DeepSeek R1 671B (примечание: на самом деле требуется только оперативная память, жесткий диск не обязательно должен быть таким большим; достаточно будет SSD-накопителя объемом 1 ТБ стоимостью более 70 000 юаней) и упрощенную версию 70B на Mac Studio M3 Ultra (512 ГБ + 16 ТБ) стоимостью почти 100 000 юаней.

В то время мы пришли к выводу, что 70-битного процессора достаточно для повседневного диалога на периферии сети, и тратить десятки тысяч долларов на машину только для общения с ИИ было просто пустой тратой денег. Возможности моделей на тот момент действительно были не очень хорошими; лишь позже появились новые мультимодальные модели и возможности агентов.

Однако тот факт, что огромное количество параметров в модели 671B можно использовать для определения границ на настольном компьютере, по-прежнему является замечательным достижением. На 512 ГБ унифицированной памяти модель 671B занимала 400 ГБ. С учетом контекста, самой системы macOS и других задач она работала почти на полную мощность, но машина работала тихо, уровень шума был в пределах нормы, и перегрева не наблюдалось.

В традиционной логике инфраструктуры ИИ такой масштаб параметров относится к уровню центров обработки данных, и теоретически потребительское оборудование в этом сценарии не должно появляться. Но, тем не менее, Mac Studio M3 Ultra появился довольно незаметно.

Позже мы взяли интервью у Exo Labs, команды стартапа из Оксфордского университета в Великобритании. Они использовали четыре компьютера Mac Studio с 512 ГБ оперативной памяти для создания вычислительного кластера со 128 ядрами ЦП, 320 ядрами ГП, 2 ТБ оперативной памяти и общей пропускной способностью памяти более 3 ТБ/с.

Команда разработала платформу планирования Exo V2 для этого кластера Mac, которая может одновременно загружать две модели DeepSeek (V3+R1, 8-битное квантование). Это позволяет не только параллельно выполнять вывод двух моделей, но и использовать технологию QLoRA для локальной тонкой настройки, что значительно сокращает время обучения. Энергопотребление всей системы не превышает 400 Вт, а шум вентиляторов практически отсутствует во время работы.

Традиционное решение с эквивалентной вычислительной мощностью потребовало бы около 20 видеокарт NVIDIA A100, стоимость которых на тот момент превышала 2 миллиона юаней; в отличие от этого, общая стоимость решения Exo Labs составила всего 400 000 юаней (аналогично, SSD-накопитель был значительно избыточным, поэтому его стоимость могла быть даже ниже 300 000 юаней).

Основатель Exo Labs рассказал нам тогда, что у Оксфорда был собственный кластер графических процессоров, но заявки на них приходилось подавать в очередь на несколько месяцев, и за один раз можно было подать заявку только на одну карту. Эти ограничения вынудили их к инновациям, и им посчастливилось найти подходящие инструменты: унифицированную архитектуру памяти, MLX и компьютеры Mac.

В нашей статье того времени мы писали: «Если видеокарты Nvidia серии H — это вершина разработки в области искусственного интеллекта, то Mac Studio становится универсальным инструментом для небольших и средних команд».

Компания Apple знала об этом уже очень давно.

Что такое настоящий ПК с искусственным интеллектом?

В прошлом году Apple выпустила Basic Model Framework, которая позволяет разработчикам iOS и macOS вызывать встроенные в систему базовые модели без задержек в сети, без комиссий за использование API и без передачи данных, не покидая устройство.

Хотя команда разработчиков Apple чуть не распалась позже , компания не остановилась в своих разработках. Она всегда знала, где находятся разработчики и чего они хотят. В ответ на это она интегрировала возможности искусственного интеллекта, основанные на больших моделях, в инфраструктуру операционной системы, упростив их использование разработчиками.

На прошлой неделе Apple открыла исходный код python-apple-fm-sdk. Ранее для полного тестирования и оптимизации базовых модулей Apple требовалась среда Swift; теперь этот SDK расширяет возможности, позволяя участвовать и разработчикам, привыкшим к рабочим процессам на Python.

Философия Apple в отношении конфиденциальности последовательно применяется во всех аспектах: базовые модели, вызываемые python-apple-fm-sdk, работают полностью локально, и данные никогда не покидают устройство. В сценариях, когда вся система искусственного интеллекта Apple должна быть развернута в облаке, используется частное облачное вычисление (Private Cloud Compute), где данные обрабатываются, а затем удаляются, и Apple не имеет к ним доступа.

Напротив, Recall также позволяет ИИ получать доступ к личным данным пользователей, но первая версия хранила их в незашифрованной базе данных в открытом текстовом виде. Один подход предотвращает утечки благодаря своей архитектуре, в то время как другой исправляет данные только после возникновения инцидента.

Однако преимущество Mac как инструмента разработки и развертывания ИИ скорее заключается в «преимуществе адаптивности», или в чем-то, что было приобретено неожиданно.

Это означает, что Apple изначально разработала Neural Engine для Face ID и портретного режима; унифицированная архитектура памяти была необходимым шагом для освобождения от давней зависимости от Intel; а открытый исходный код MLX стал ответом на спрос разработчиков на эффективные инструменты для вывода информации. Взрывной рост числа сценариев использования ИИ-агентов, которые Mac смог успешно реализовать, стал неожиданным преимуществом этих и многих других не упомянутых инженерных решений.

Изначально Mac не разрабатывался для искусственного интеллекта; его позиционирование всегда было ближе к позиционированию «инструмента для творчества». Долгосрочными целевыми пользователями Apple были видеоредакторы, художники и разработчики программного обеспечения. Им нужны машины с низким уровнем шума, стабильной производительностью, большим объемом памяти и возможностью круглосуточной работы.

Для вывода результатов моделирования с помощью ИИ и для популярного в настоящее время развертывания агентов требуется одно и то же.

Оглядываясь назад, можно сказать, что когда Apple более десяти лет назад вкладывала значительные средства в машинное обучение, она, скорее всего, не могла предвидеть взрывную популярность OpenClaw в 2025 году. Можно даже утверждать, что десять лет назад Apple, вероятно, не понравилась бы OpenClaw — платформа, которая, казалось, предлагала «высокую отдачу и еще большие возможности», где игнорировались конфиденциальность пользователей и безопасность данных, а различные правила разработки программного обеспечения игнорировались, как только эта иллюзия укоренялась…

Но как бы это сказать? Даже если Apple сейчас это не нравится, у неё нет выбора. Как и в случае с законом Мерфи, возможно, некоторые вещи были предопределены с самого начала. Каждая карта, которую Apple разыгрывала на протяжении многих лет, будь то намеренно или случайно, в этом году, в «Год агента», стала выигрышной (надеемся, на этот раз это действительно так).

Компания Windows, начавшая продвижение ПК с искусственным интеллектом в 2023 году, фактически пытается догнать архитектурное преимущество, которое Apple получила после выпуска процессора M1 в 2020 году. Конечно, учитывая постоянные негативные новости, с которыми Apple сталкивается в отношении ИИ в 2025 году, сократить этот разрыв возможно. Но Apple не собирается останавливаться и ждать.

На этой неделе Apple представила смартфоны M5 Pro и M5 Max, оснащенные чипами с архитектурой dual-chip fusion, и в своем пресс-релизе специально упомянула LM Studio как тест производительности LLM.

Раньше Apple нечасто говорила о «больших языковых моделях» при презентации своих аппаратных продуктов, особенно в контексте обработки данных непосредственно на устройстве, — но сейчас все иначе.

В заключение

Мы уже много раз расхваливали Apple, но давайте успокоимся и зададим себе вопрос по поводу заголовка: является ли современный Mac настоящим ПК с искусственным интеллектом?

iFanr считает, что Apple сделала недостаточно. До сих пор мы не видели персонального компьютера, который можно было бы назвать ПК с искусственным интеллектом или по-настоящему «аппаратным обеспечением, изначально предназначенным для ИИ».

Возвращаясь к OpenClaw, истинная сущность ПК с искусственным интеллектом уже начинает проявляться на примере современных агентов, развернутых на периферии сети.

Мем, созданный ИИ.

На прикладном уровне концепция «приложений», ориентированных на человека, может частично вернуться к состоянию без графических интерфейсов. В конце концов, людям нужны графические интерфейсы, а агентам — нет. Более того, в последнее время всё больше людей привыкают к методам взаимодействия, основанным на диалоге и командной строке.

Сегодня первые пользователи агентов находят инструменты и навыки, которые позволяют им это делать; в будущем агенты сами будут загружать новые инструменты и плагины из общедоступных репозиториев кода для самосовершенствования.

На системном уровне система разрешений изменит принцип работы агента, позволяя ему напрямую взаимодействовать с различными интерфейсами. На базовом уровне будет реализован механизм оркестровки и планирования моделей, переключающийся между моделями по мере необходимости в зависимости от задачи.

Локальный вывод данных и облачный вывод данных с сохранением конфиденциальности образуют полный, безопасный и обеспечивающий конфиденциальность замкнутый цикл. Независимо от места передачи данных, они векторизуются, шифруются и хранятся, а затем немедленно уничтожаются после использования…

Иными словами, настоящий ПК с искусственным интеллектом должен представлять собой систему, которая с самого начала проектирования, с нуля, рассматривает ИИ как «полноправного участника».

Мем, созданный ИИ.

По этому критерию, и Mac, и Windows в настоящее время находятся в переходной фазе. Mac ближе к этому, потому что среда Unix, унифицированное оборудование и зрелая экосистема уже существовали до наступления эры ИИ-агентов. Windows несёт на себе более тяжёлый исторический груз, что затрудняет внесение изменений, и ей всё ещё приходится наверстывать упущенное.

Но, пройдясь по кругу, мы так и не добрались до самого фундаментального вопроса: действительно ли настоящий ПК с искусственным интеллектом должен быть «ПК»?

Если мы изменим точку зрения, то увидим, что развертывание и работа агентов осуществляются в облаке; данные, связанные с пользователем, то есть «контекст», также надежно и конфиденциально хранятся в облаке; человеку требуется лишь терминальное устройство в качестве «коммуникатора» и датчики для фотосъемки и записи звука, чтобы загружать необходимые данные в агента, и этому устройству даже не требуется большая вычислительная мощность на периферии сети.

Сегодня Mac — лучший ПК с искусственным интеллектом, но "ПК с ИИ" будущего, возможно, будет больше похож на… iPhone?

Автор: Ду Чен