英伟达最新财报像AI时代的资产负债表。单季营收962亿美元，数据中心收入890亿美元，毛利率75%。CEO黄仁勋说AI已经到达拐点，算力就是收入。这些数字背后是一个清晰的信号，AI算力正在变成一种按瓦特和按平方米计费的稀缺资源，而且越来越贵。
苹果官网上新的M6 Mac mini提供了另一个方向上的答案。899美元起售，教育优惠799美元，国行6999元。CPU速度提升40%，图形处理速度提升2倍，AI性能提升4倍，存储速度提升2倍。9月22日发货。
AI算力除了长在数据中心里，还能以什么形态存在。
每个GPU核心里的神经网络加速器，才是M6最容易被忽略的升级
参数表上抢眼的数字是CPU快40%和GPU快2倍。但真正改变游戏规则的，是苹果第一次把神经网络加速器塞进了Mac mini的每一个GPU核心。
这不是在芯片上多划一块区域叫NPU。这是把AI计算能力像毛细血管一样铺进了每一个图形处理单元。
传统架构里，AI推理是NPU的专项工作，GPU负责渲染，CPU负责调度，三者各干各的。M6的做法是让AI算力从专用设施变成基础设施，每个GPU核心都能本地处理机器学习任务。
再加上双16核神经网络引擎可以被系统同时调用，M6的AI计算资源实际上是CPU、GPU Neural Accelerator和Neural Engine三套体系在协同工作。
这种架构设计的意义远不止跑分表上的4倍提升。它意味着AI能力正在从一种需要专门调用的功能，变成像浮点运算一样的基础能力。
Agentic Computing需要什么样的硬件
苹果硬件负责人Johny Srouji在新闻稿里给Mac mini加了一个新的身份标签。
always-on agentic device。
这个词值得拆开看。
always-on意味着它要7乘24小时在线，功耗必须低到可以忽略不计。
agentic意味着它不再是你主动打开来使用的工具，而是一个可以自主执行任务的数字助手。
device则强调它是一台物理上真实存在的机器，而不是云端的一个API端点。
这两个需求加在一起，对硬件设计提出了完全不同的要求。数据中心级别的AI芯片追求峰值算力，动辄几百瓦功耗，风扇噪音像飞机起飞。但Agent需要的是持续在线、低延迟响应、安静、省电。
第三方实测显示，上一代M4 Mac mini闲置功耗约4瓦，满载功耗约65瓦。M6用上了更先进的制程工艺，能效表现只会更好。
always-on的核心前提，是功耗低到用户感知不到成本。按民用0.5元每度电价计算，闲置4瓦全年待机电费仅约17.5元，每天满载运行8小时全年电费也不到100元。对比云端Agent每月几十到上百美元的订阅费，本地设备的长期成本优势相当明显。这也是家电逻辑的本质，只有功耗低到可以被忽略，7乘24小时在线的Agent才具备商业可行性。
换句话说，当行业还在用数据中心的逻辑设计AI芯片时，苹果已经在用家电的逻辑设计AI设备。
统一内存才是本地AI的隐形护城河
M6的统一内存架构对本地AI的价值，远不只是带宽数字。
传统PC的显存与内存相互独立，跑大模型时需要把权重从系统内存复制到显存，既耗时又耗电，还会占用双倍空间。
苹果的统一内存让CPU、GPU、Neural Engine共享同一块物理内存，模型权重只加载一次，所有计算单元可以直接访问，没有任何拷贝开销。
这才是低功耗设备能流畅运行本地大模型的核心底层逻辑，也是端侧AI体验优于传统PC的关键原因。
再加上存储速度提升了2倍，模型权重从SSD加载到统一内存的速度直接决定了Agent的响应延迟。
苹果把基础存储保持在256GB起步，配合翻倍的存储速度，实际上是在为本地部署更大参数的模型铺路。
推理时代的算力分配逻辑正在改写
英伟达的财报里，数据中心收入890亿美元，同比增长116%。这些数字主要来自训练和大规模推理。
但AI行业正在进入一个微妙的阶段。大模型的训练需求依然旺盛，真正的增长爆发点正在转向推理和Agent落地。
训练和推理对硬件的要求截然不同。训练看的是峰值TFLOPS和互联带宽，推理看的是能效比、内存带宽和存储速度。
更关键的是成本结构。
云端API调用按token计费，当Agent需要持续在线、持续记忆、持续学习时，长期的云端调用成本会迅速变得不经济。
一台本地的低功耗AI服务器，反而成了更务实的选择。Mac mini的尺寸和功耗，恰好卡在了可以塞进任何办公环境、又不至于被电费账单吓退的甜蜜点上。
M5 Pro版本甚至支持通过雷雳5把多台Mac mini连在一起，完全在设备端运行大型模型。
这已经不是传统意义上的个人电脑，而是一套可以横向扩展的桌面级AI计算阵列。
对于独立开发者和创作者来说，这意味着他们可以用消费级预算搭建本地AI工作流，而不必每月向云端API供应商支付越来越高的账单。
ASIC与GPU的分野，本质是逃税与收税的分工
英伟达财报数字好看，但AI芯片市场正在出现一条裂缝。
专用ASIC与通用GPU的关系，本质上是逃税与收税的分工。
通用GPU为了兼顾全场景通用性，内置了大量特定场景用不到的冗余逻辑，再加上CUDA生态的溢价，相当于对所有算力使用者征收通用税。
而Jalapeño这类专用推理芯片，只保留推理必需的最小逻辑，砍掉所有冗余功能，能效直接翻倍，相当于绕开了通用GPU的生态溢价。
但代价是失去通用性，只能跑特定负载。因此两者永远是垂直分工而非替代，通用场景付溢价买灵活性，专用场景省成本换效率。
苹果走的其实是第三条路。
M6的GPU每个核心内置神经网络加速器，既保留了GPU的通用渲染能力，又把AI推理能力下沉到最基础的计算单元。
它不像ASIC那样彻底专用化，也不像传统GPU那样把AI算力当成外挂模块。这种架构让Mac mini在消费级设备里获得了接近专用芯片的AI能效，同时保留了跑游戏、剪视频、写代码的通用性。
从手腕到桌面，苹果在布一盘端侧算力的棋
M6 Mac mini不是孤立的产品，而是苹果全场景端侧算力布局的关键一块。
这套从手腕到口袋再到桌面的梯度算力布局，本质是把AI算力按需求分层，部署在离用户最近的地方，兼顾延迟、成本与数据隐私。它和英伟达主导的云端集中算力，分别代表了AI算力演化的两条路径。
算力金融化，英伟达卖的不只是芯片
英伟达财报数字背后还有一个更深层的变化。
2790亿美元供应承诺、500亿美元第三方融资平台、1050亿美元项目信用担保，本质上是把算力从一次性售卖的硬件变成了长约加保底加收入分成的类金融产品。
客户无需一次性付清硬件成本，可按算力使用量阶梯付费，英伟达同时分享客户云服务的长期收益。
这种模式下，算力不再是单纯的科技产品，更像一种算力按揭资产。这也是英伟达的估值逻辑从半导体公司，向能源、基础设施类公司切换的核心原因。
苹果走的则是另一条路。899美元买断，没有订阅费，没有按token计费，没有长期合约。你买下的是一块可以本地运行AI的物理硬件，算力完全属于你，数据也完全留在本地。两种商业模式没有高下之分，但面向的是完全不同的用户场景和需求。
英伟达和苹果，看似两个不相关的事件，实则勾勒出AI算力产业的双层分工。
英伟达做的是算力主干网。大模型训练、超大规模公共云推理，靠规模和通用生态取胜，相当于电力系统里的主干电网和中心电站。
苹果做的是算力配电网。端侧设备消化本地任务、个人Agent、敏感数据场景，相当于配电变压器和户用插座。
两者不是零和竞争，而是共同构成完整的AI算力体系。重计算、通用需求走云端，低延迟、强隐私、高频率的任务走端侧。AI算力正在从集中建大电站的上半场，进入主干加配网协同建设的新阶段。
9月22日发售。对于正在寻找本地AI Agent落脚点的开发者和创作者来说，这个日期可能比任何一场发布会都更值得在日历上圈出来。
- END -
扫描下方二维码 关注我们
本文来源于DOIT传媒，文章内容仅供参考，不构成投资建议。
评论列表