核心观点 - OpenAI和Anthropic等AI公司大规模采购苹果Mac mini和Mac Studio用于强化学习训练AI智能体，推动了Mac业务成为苹果增长最快的产品线，并引发英伟达将苹果视为本地AI领域最大竞争对手 [6][7][21] AI公司采购Mac用于强化学习 - OpenAI已购买数以万计的Mac mini和Mac Studio，专门用于强化学习 [6] - Anthropic通过亚马逊云服务AWS租用Mac mini进行类似任务 [7] - 这些Mac被用于训练“计算机使用智能体”，即能自主操作电脑完成多步骤任务的AI系统 [8] - Mac mini和Mac Studio配备专门散热系统，长时间运行复杂AI任务不会因过热降频，对持续数小时或数天的强化学习训练至关重要 [14] Mac业务增长与苹果企业市场动向 - 最近一个季度，Mac销售额同比增长近29%，达到103亿美元，增速超过iPhone、iPad等所有其他产品线，成为苹果增长最快的业务 [9] - 苹果在“Business at the Park”活动上反复强调其硬件适合在本地处理AI任务，Mac mini是焦点 [11] - 苹果推广EXO Labs开源软件项目，可将多台Mac组成集群在本地运行万亿参数级别AI模型 [15] - 新款Mac Studio特别强调集群能力，多台可串联组成更强大系统运行前沿模型 [17] - 苹果提前到8月发布Mac产品线，通常在每年10月或11月更新 [18] 英伟达竞争与苹果供应问题 - 英伟达将苹果视为本地AI领域最大竞争对手 [21] - 英伟达发布DGX Spark，一款与Mac mini设计风格相似的AI桌面电脑，直接瞄准该市场 [22] - AI数据中心对内存芯片的巨大需求导致全行业短缺，苹果未能幸免 [25] - 高配版Mac mini和Mac Studio已断货数月 [26] - 苹果前AI产品企业营销经理透露，由于Mac供应受限，企业开始寻找替代方案，英伟达DGX Spark被频繁提及且有现货 [26] - Mac在企业AI市场的火爆是意外，非苹果主动规划，苹果没有专门面向企业客户的工程团队或专注于开发者关系的员工 [26] 苹果硬件优势与合作伙伴 - 苹果M系列芯片采用统一内存，CPU和GPU直接访问同一块内存，在处理AI工作负载时具备性能优势，而英伟达GPU显存和系统内存分开会产生瓶颈 [12] - 前OpenAI员工创办Mount Thor，一家基于苹果硬件的云计算公司，产品描述为“基于苹果硬件的AI执行环境” [29] - 苹果寄希望于Mount Thor和webAI等合作伙伴，将Mac推进更深的企业市场 [31] - 苹果开始使用Mac芯片构建内部服务器，用于私有云计算服务，处理超出iPhone或Mac处理能力的AI任务 [32]

文章核心观点 文章回顾了人工智能学科自1955年达特茅斯会议以来七十年的发展历程，指出其发展轨迹是一条反复冲高、摔落的锯齿线，每一次寒冬的成因都惊人相似：承诺跑得比能力快 文章认为，当前（2026年）行业已进入以“能办事的智能体”为核心的新阶段，并指出黄仁勋声称“已实现AGI”的言论，在学术定义模糊的背景下，与商业利益紧密相关 人工智能的起源与命名 - 1955年8月31日，约翰·麦卡锡、马文·明斯基、纳撒尼尔·罗切斯特和克劳德·香农四人向洛克菲勒基金会提交了举办达特茅斯人工智能夏季研究项目的提案，申请了13500美元，获批7500美元[2][5][6] - 提案列出的待办事项包括：让机器使用语言、形成抽象和概念、解决目前只有人类能解决的问题、自我改进，这些构成了2026年整个行业的产品路线图[6] - “人工智能”一词是麦卡锡为避开诺伯特·维纳的“控制论”圈子而生造的词，它从诞生第一天起就没有可操作的定义，导致其永远无法被证明实现或失败[9] - 1956年夏季会议期间，艾伦·纽厄尔和赫伯特·西蒙展示了“逻辑理论家”程序，能证明《数学原理》中五十二条定理里的三十八条，其中一条证明比罗素原版更简洁[9] 黄金十年与第一次寒冬 - 1958年，弗兰克·罗森布拉特造出感知机（Mark I Perceptron），《纽约时报》报道称其未来将能行走、说话、看见、书写、自我复制并意识到自己的存在[15] - 1959年，阿瑟·塞缪尔的跳棋程序通过自我对弈赢过本人，这是“机器学习”一词首次有实物对应[18] - 1965年，赫伯特·西蒙预言二十年内机器将能完成人所能做的任何工作；1970年，明斯基对《Life》杂志称三到八年内会有具备普通人一般智力的机器[21] - 1969年，明斯基和西摩·帕普特出版《感知机》，用数学证明单层感知机无法表达异或逻辑，对多层网络训练问题持悲观态度，导致神经网络方向经费此后十几年基本断流[21][23] - 1973年，《莱特希尔报告》指出AI在所有领域未能兑现承诺，面对真实世界规模问题会因组合爆炸而失效，报告发布后英国AI研究经费几乎被全部撤销[26][27] - 第一次寒冬的成因是AI承诺的东西和它能交付的东西之间出现了一条鸿沟[28] 专家系统崛起与第二次寒冬 - 1980年，卡内基梅隆为DEC开发的XCON系统开始为VAX小型机自动配置订单，每年为公司节省约四千万美元，点爆了整个专家系统市场[31] - 1980年代中后期，AI相关产业规模据称达到数十亿美元量级，日本于1982年启动“第五代计算机”计划[31][32] - 1987年，通用工作站性能超过专用LISP机器，Symbolics等硬件生意市场在几个月内蒸发；专家系统无法自己学习，维护成本随规模超线性增长[33] - 到1990年代初，“人工智能”在企业采购和风投圈几乎成为污点，日本的第五代计划于1992年结束，未达成预定目标[34] - 第二次寒冬的成因与第一次基本一样[35] 改名求生与深度学习奠基 - 1990年代到2000年代中期，研究者不再说做AI，改称机器学习、数据挖掘、模式识别等，这段历史被称为“AI之冬里的伪装”[37] - 1997年，IBM深蓝以3.5比2.5战胜加里·卡斯帕罗夫，但胜利靠专用芯片每秒搜索两亿个棋局位置实现，几乎不包含任何学习，被解读为暴力算力的胜利[37] - 1997年，塞普·霍克赖特和于尔根·施密德胡伯发表长短期记忆网络（LSTM），解决了循环神经网络的梯度消失问题，二十年后撑起整个语音识别和机器翻译产业[39] - 杰弗里·辛顿、杨立昆、约书亚·本吉奥在神经网络路线走不通的年代坚持下来，被戏称为“加拿大黑手党”[41] - 2006年，辛顿等人关于深度置信网络的论文给这个方向重新起名为“深度学习”[43] - 2007年前后，李飞飞开始做ImageNet，包含约1500万张标注图片、覆盖两万多个类别，赌注是算法不行是因为数据太少[44] 2012年转折与Transformer时代 - 2012年9月，AlexNet在ImageNet竞赛中top-5错误率为15.3%，第二名是26.2%，它用了两块英伟达GTX 580显卡训练，以及有ImageNet这么大的数据[47][49] - 2016年3月，AlphaGo以4比1战胜李世石，第二局第37手（神之一手）被公认为好棋，第一次让人直观看到系统的判断可能来自人类棋谱之外的地方[50] - 2017年10月，AlphaGo Zero完全不使用人类棋谱，从零开始自我对弈，三天后超过战胜李世石的版本[52] - 2017年，谷歌八位研究者发表《Attention Is All You Need》，提出Transformer架构，只靠注意力机制建模序列关系，最大好处是可以大规模并行训练[52] - 2020年5月，GPT-3（175B参数）发布，不需要微调，只靠在提示词里给几个例子就能完成新任务，这种“上下文学习”能力是规模带来的涌现副产品[56] - 2020年，OpenAI的Jared Kaplan等人发表Scaling Laws论文，指出模型性能与参数量、数据量、算力之间存在可预测的幂律关系[57] - 2022年11月30日，ChatGPT发布，五天获得一百万用户，两个月达到一亿月活，成为当时史上用户增长最快的消费级应用[59] 2023-2026年：从对话到智能体 - 2024年9月，OpenAI发布o1，把强化学习用在推理链条上，让模型在回答前先“想”得更久，这条“推理时扩展”路径让数学和代码能力出现阶跃[62] - 2024年10月，诺贝尔物理学奖授予约翰·霍普菲尔德和杰弗里·辛顿，化学奖授予戴维·贝克、德米斯·哈萨比斯和约翰·江珀[62] - 2025年1月，DeepSeek-R1发布，性能对标OpenAI o1，但训练成本低一个量级，且完全开源，改写了“必须靠堆算力才能追赶”的默认假设[65] - 2025年7月，OpenAI内部实验模型和谷歌DeepMind的Gemini Deep Think分别在国际数学奥林匹克（IMO）上达到金牌水平，六道题解出五道[65] - 2025年2月，MathArena评测还显示所有顶级模型在IMO真题上连铜牌线都够不着，五个月后达到金牌[66] - 2026年1月，清华主办的AGI-Next峰会上，与会专家表述竞争转向“能办事”的智能体，支撑判断包括：推理成本在两年内下降超过95%，让“每个业务流程配一个Agent”在经济上成立[69] - 到2026年年中，前沿实验室模型迭代周期从季度级压缩到月度级，百万级token上下文成为旗舰模型标配，模型控制电脑、执行长程任务、在协作工具里作为独立身份常驻都从演示变成付费功能[69] 七十年历史揭示的五件事 - 每一次寒冬都是因为承诺跑得比能力快，技术曲线是连续的，资金曲线是跳跃的，两者错位的地方就是寒冬[72] - 苦涩的教训：依赖人类知识的方法短期领先，但长期一定会被单纯利用算力扩展的通用方法超过，从符号规则输给统计学习到精心设计的架构输给更大的模型，这个剧本演了至少三遍[72] - 莫拉维克悖论仍然成立：对机器来说，通过智力测验或下棋这类“高级”任务相对容易，而一岁小孩的感知和运动能力却极难实现，今天的模型能拿IMO金牌，但让机器人稳定地叠好一件衬衫仍然是研究课题[73] - AI效应：一旦某件事成功了，就没人再管它叫AI了，语音识别、机器翻译、垃圾邮件过滤、人脸解锁、推荐系统都曾经是AI研究的最前沿，现在它们只是功能[73] - 路线之争从未真正结束：杨立昆公开质疑仅靠自回归语言模型无法通向真正的智能，主张世界模型；而缩放定律的信徒认为历史已反复证明押注规模的一方会赢[73] 关于AGI是否实现的判断 - 如果按1955年提案的标准（使用语言、形成抽象和概念、解决当时只有人类能解决的问题、自我改进），答案接近“是”，今天的系统在前三项上的表现会让麦卡锡他们目瞪口呆[75] - 如果按1965年西蒙的标准（机器能完成人所能做的任何工作），答案是明确的“否”，而且看不到日期[76] - 当“AGI已实现”这句话出自全球市值最高的公司掌门人之口，且发布时点紧贴财报和芯片订单预期，它就不再只是一个学术判断[76]

核心观点 - 苹果Mac因统一内存架构和散热优势，在AI强化学习领域被OpenAI、Anthropic等公司大规模采购，成为AI训练硬件的新增长点，并推动Mac销售额同比增长近29%至103亿美元[11][6][7] - 英伟达已视苹果为本地AI领域最大竞争对手，并推出DGX Spark应对，但苹果面临高配Mac mini和Mac Studio因内存芯片短缺而断货数月的供应问题[23][24][25][28][29] AI公司大规模采购Mac用于强化学习 - OpenAI已购买数以万计的Mac mini和Mac Studio，专门用于强化学习[6] - Anthropic也通过亚马逊云服务AWS租用Mac mini执行类似任务[7] - 这些Mac被用于训练“计算机使用智能体”，即能自主操作电脑完成编辑测试代码、自动整理邮箱、总结文档等多步骤任务的AI系统[10] Mac销售额增长与苹果企业市场动向 - 最近一个季度，Mac销售额同比增长近29%，达到103亿美元，增速超过iPhone、iPad等所有其他产品线，成为苹果增长最快的业务[11] - 苹果在Apple Park举办“Business at the Park”活动，迪士尼、福特高管及Anthropic联合创始人Jared Kaplan出席，苹果CEO Tim Cook和即将接任的John Ternus均在场[12][13] - 苹果在活动上反复强调其硬件适合本地处理AI任务，Mac mini是整场活动焦点[14] Mac在AI训练中的技术优势 - 英伟达GPU的显存和系统内存分开，数据在两者间传输产生瓶颈，苹果M系列芯片采用单一共享内存池，CPU和GPU直接访问同一块内存，处理AI工作负载具备性能优势[15] - Mac mini和Mac Studio配备专门散热系统，长时间运行复杂AI任务不会因过热降频，对持续数小时甚至数天的强化学习训练至关重要[17] - 苹果推广EXO Labs开源软件项目，可将多台Mac组成集群，在本地运行万亿参数级别AI模型[18] - 新款Mac Studio特别强调集群能力，多台Mac Studio可串联组成更强大系统运行前沿模型[20] 英伟达竞争与苹果供应问题 - 英伟达将苹果视为本地AI领域最大竞争对手，去年底发布DGX Spark，一款与Mac mini设计风格相似的AI桌面电脑[23][24][25] - AI数据中心对内存芯片的巨大需求导致全行业短缺，高配版Mac mini和Mac Studio已断货数月[27][28] - 苹果前AI产品企业营销经理Todd Dailey透露，过去一年因Mac供应受限，一些企业开始寻找替代方案，英伟达DGX Spark被频繁提及且有现货[29] - Dailey还透露Mac在企业AI市场的火爆是意外，非苹果主动规划，苹果没有专门面向企业客户的工程团队或专注于开发者关系的员工[29] 苹果的服务器策略与合作伙伴 - 苹果最近开始使用Mac芯片构建自己的服务器，但仅供内部使用，用于私有云计算服务，处理超出iPhone或Mac处理能力的AI任务[35] - 一些企业客户曾询问苹果是否可出售这些服务器使用权，但苹果目前都拒绝了[36] - 前OpenAI计算基础设施员工Peter Voell创办Mount Thor，一家基于苹果硬件的云计算公司，目前处于隐身模式，产品描述为“基于苹果硬件的AI执行环境”[32] - 苹果寄希望于Mount Thor和webAI等合作伙伴，将Mac推进更深的企业市场[33]

核心观点 Hugging Face通过推出售价399美元的桌面机器人Microduck，将强化学习、仿真到现实的具身智能全链路以极低成本开放给开发者社区，其战略意图是抢占低价硬件入口，构建类似AI模型Hub的动作策略生态，并可能成为英伟达具身智能布局的关键一环 产品发布与市场反应 - Hugging Face在英伟达传闻以129亿美元收购之际，推出售价399美元（约2684元）的机器鸭Microduck并开启预购[2] - 联合创始人兼CEO Clem Delangue宣称“欢迎来到开源且平价的机器人时代，物理智能与世界模型技术将实现全民普惠”[4] - 演示视频在几小时内浏览量接近40万[4] - 联合创始人Thomas Wolf发布后约六小时称预购额破100万美元，24小时内订单总额超过260万美元（约1750万元人民币），平均每4秒卖出一台[6] - Microduck走路摇摇晃晃，被推倒后能自己翻身站起来，会踢足球，嘴巴能叼起袜子和马克笔，还能穿可拆卸轮滑鞋滑行[6] - 首次开机时系统为每只鸭子生成独特音色并永久保存，作为“声纹身份证”[11] 产品硬件与定价策略 - Microduck高25厘米、重不到800克，有四种配色，全身15个自由度，使用Dynamixel XL330-M288-T舵机[12] - 该舵机个人零售单颗四十欧元出头，十五颗需六百多欧元（约650美元），已超过399美元整机价，未算摄像头、ToF模组、主板、结构件、电池和可主动开合的喙[12] - 批量拿货一般到零售价三成上下，决定定价的并非硬件毛利[14] - 主控采用国产瑞芯微RK3566，带AI加速单元，配1GB内存加32GB存储，优点是便宜、量足、资料齐[14] - 配件包策略：娱乐套装39美元（小球、激光笔、滚轮、NFC卡片），双槽充电器带两块备用电池，开发套装119美元（三颗备用电机、电机线、螺丝刀）[14] 软件与训练体系 - 预装七套行为：走路、坐下保持、自己站起、踢球、用喙抓取、装轮子滑行、从多种摔倒姿态自主翻身[16] - 动作在MuJoCo仿真中用PPO强化学习训练出神经网络策略，训练频率50Hz，每秒重算五十次身体动作[16] - 整套软件栈按Apache 2.0开放，SDK、仿真环境、训练管线都在GitHub上，用户能改参数、重训、推回真机，练成可分享社区[16][20] - 开箱附带游戏手柄，配对后推摇杆即可操作，设计思路更接近任天堂而非波士顿动力[18] - Hugging Face上线浏览器在线仿真器，跑与真机同一套策略，用户可在电脑前教鸭子踢球、调步态[20] - 社区已有人让AI Agent在仿真里安排训练，再把新动作分享出来[20] 战略布局与收购背景 - 2024年初，前特斯拉Optimus团队科学家Remi Cadene加入Hugging Face，牵头做开源机器人库LeRobot[22] - 2025年4月，Hugging Face买下法国波尔多的Pollen Robotics，约20人并入[22] - Pollen团队出自Inria的Flowers实验室，2020年在CES发布第一代Reachy，在ANA Avatar XPRIZE获第二名及200万美元奖金，研究级Reachy 2售价约7万美元，进入康奈尔、卡内基梅隆[22] - 三个月后桌面机器人Reachy Mini上市，全球出货累计约一万台，社区长出50多个一键安装应用[22] - 分工：LeRobot管平台，Pollen管身体，Reachy Mini负责交互，Microduck负责行动，两条线用不到500美元把具身智能两个主要方向搬上桌面[23] - Microduck前身是Pollen工程师Antoine Pirrone发起的开源项目Open Duck Mini，灵感来自迪士尼BD X小机器人，在GitHub攒了2600多颗星，登过Google I/O舞台跑端侧推理[23] - 硬件设计与电路图不公开，软件开放，硬件是护城河，软件开放为了转飞轮[23] - 英伟达收购传闻落在延长线上——从仿真到基础模型再到世界模型，缺的是低价硬件入口和愿意折腾的人[26] - Hugging Face最值钱资产之一是中立，归入芯片公司后还剩多少，社区会用行动投票[26] 生产与市场策略 - Microduck由深圳矽递科技生产，首批计划超2万台，首发覆盖北美、欧盟、英国、日韩等市场，中国大陆暂未开放[26] - 管线开源、协议允许商用、结构件能打印、主控是国产芯片，中文社区已有人预言价格更漂亮的复刻很快会来[26] - 公司首次把算法模型、虚拟训练、策略迁移和实体操控全套链路，塞进售价不到五百美元的双足硬件[26] 产品局限与行业意义 - Microduck 15个舵机可走路、捡轻小物、自己爬起来，但别指望扫地做饭，Pollen承认解决不了机器人学核心难题[27] - 399美元是税前预售起步价，运费税费加配件会提高落地价，正式定价还可能变，首批要等2026年圣诞前[28] - 演示视频丝滑是反复调参结果，自己训策略该踩的坑一个不少[28] - 过去跑通这套流程门槛在几千甚至几万美元真机上，坏一次可能搭上一台减速器和几个工程师下午[30] - 机器人学习真正贵的从来不在训练，而在修好再来一次这一步[30] - 它能否成为腿式机器人入门开发板，答案取决于社区会不会源源不断产出新动作、把训练环境共享出来、让别人的鸭子照着复现成功[30]

苹果Mac在AI强化学习领域的意外崛起 - OpenAI和Anthropic大规模采购Mac mini和Mac Studio，用于训练“计算机使用智能体”的强化学习任务 [1][2] - 苹果Mac销售额同比增长近29%，达到103亿美元，增速超过iPhone和iPad，成为苹果增长最快的业务线 [2] - 苹果在“Business at the Park”活动中向迪士尼、福特、Anthropic等企业客户强调Mac硬件在本地处理AI任务的优势，Mac mini是焦点 [2] Mac在AI训练中的技术优势 - 苹果M系列芯片采用统一内存架构，CPU和GPU共享同一内存池，避免了英伟达GPU显存与系统内存分离导致的数据传输瓶颈 [3] - Mac mini和Mac Studio配备专用散热系统，可长时间运行复杂AI任务而不降频，适合持续数小时或数天的强化学习训练 [4] - 苹果推广EXO Labs开源软件项目，支持将多台Mac组成集群，在本地运行万亿参数级别的AI模型 [4] - 新款Mac Studio提前至8月发布，特别强调多台设备可串联组成更强大的系统运行前沿模型 [5] 行业竞争与供应链挑战 - 英伟达将苹果视为本地AI领域最大竞争对手，并发布DGX Spark AI桌面电脑直接对标Mac mini [6] - 高配版Mac mini和Mac Studio因AI数据中心对内存芯片的巨量需求导致全行业短缺，已断货数月 [8] - 苹果前AI产品企业营销经理透露，部分企业因Mac供应受限开始寻找替代方案，英伟达DGX Spark成为频繁提及且有现货的选项 [8] - 苹果在Mac企业AI市场的成功完全是意外，公司没有专门面向企业客户的工程团队或开发者关系员工 [8] 苹果的应对与生态布局 - 前OpenAI员工创办Mount Thor公司，提供基于苹果硬件的云计算服务，目前处于隐身模式 [8] - 苹果寄希望于Mount Thor和webAI等合作伙伴，将Mac推进更深的企业市场 [9] - 苹果开始使用Mac芯片构建内部服务器，用于私有云计算服务，但拒绝向企业客户出售这些服务器的使用权 [10]

核心观点 AI大厂正大规模采购苹果Mac系列设备用于AI训练，导致普通消费者面临缺货涨价局面 AI公司采购苹果设备情况 - NameSpace大量采购MacBook Pro搭建数据中心，引发热议[1] - NameSpace此前已使用非M5芯片的Mac mini搭建过集群[2] - OpenAI直接购买数万台Mac mini和Mac Studio，用于跑强化学习训练"电脑操作智能体"[4] - OpenAI仍在到处寻找更多现货，需求量缺口很大[4] - Anthropic未直接采购硬件，而是通过亚马逊AWS云服务租用云端Mac mini集群进行同类AI训练[4] 行业趋势与市场影响 - 过去AI训练主要依赖英伟达GPU，现在苹果M系列芯片凭借强大本地推理能力成为AI实验室新选择[6] - AI机构大规模扫货直接冲击普通消费者市场，普通用户面临缺货涨价局面[6] - 网友吐槽普通用户抢不过财大气粗的AI公司[6]

核心观点 OpenAI和Anthropic等AI公司大规模采购苹果Mac mini和Mac Studio用于强化学习训练，推动了Mac销售额的意外增长，并引发了英伟达的竞争关注，但苹果自身在企业AI市场缺乏主动规划且面临供应短缺 AI公司大规模采购Mac用于强化学习 - OpenAI已购买数以万计的Mac mini和Mac Studio，专门用于强化学习[6] - Anthropic通过亚马逊云服务AWS租用Mac mini执行类似任务[7] - 这些Mac被用于训练“计算机使用智能体”，即能自主操作电脑完成多步骤任务的AI系统[10] - 英伟达GPU和谷歌TPU在强化学习细分场景中不如Mac，因Mac采用统一内存架构，CPU和GPU直接访问同一块内存，避免了数据传输瓶颈[15] - Mac mini和Mac Studio配备专门散热系统，长时间运行复杂AI任务不会因过热降频，这对持续数小时甚至数天的强化学习训练至关重要[17] 苹果Mac业务意外增长 - 最近一个季度，Mac销售额同比增长近29%，达到103亿美元，增速超过iPhone、iPad等所有其他产品线，成为苹果增长最快的业务[11] - 苹果财报显示，2025年6月28日季度Mac净销售额为103.52亿美元，高于2024年同期的80.46亿美元[12] - 苹果在“Business at the Park”活动上反复强调其硬件适合本地处理AI任务，Mac mini是整场活动焦点[14] - 苹果正在推广EXO Labs开源软件项目，可将多台Mac组成集群，在本地运行万亿参数级别AI模型[18] - 新款Mac Studio特别强调集群能力，多台可串联组成更强大系统运行前沿模型[20] - 苹果提前至8月发布Mac Studio，而非通常的10月或11月[21] 英伟达竞争与苹果供应挑战 - 英伟达将苹果视为本地AI领域最大的竞争对手[25] - 英伟达发布DGX Spark，一款与Mac mini设计风格相似的AI桌面电脑，直接瞄准该市场[26] - AI数据中心对内存芯片的巨大需求导致全行业短缺，苹果未能幸免[29] - 高配版Mac mini和Mac Studio已断货数月[30] - 苹果前AI产品企业营销经理Todd Dailey透露，由于Mac供应受限，一些企业开始寻找替代方案，英伟达DGX Spark被频繁提及且有现货[30] - Mac在企业AI市场的火爆完全是意外，而非苹果主动规划，苹果没有专门面向企业客户的工程团队或专注于开发者关系的员工[30] - 苹果上一次出售服务器产品是2011年停产的Xserve，基于Mac的服务器操作系统已于2022年停止开发[31] 新兴机会与苹果内部举措 - 前OpenAI员工Peter Voell创办Mount Thor，一家基于苹果硬件的云计算公司，目前处于隐身模式，产品描述为“基于苹果硬件的AI执行环境”[33] - 苹果寄希望于Mount Thor和webAI等合作伙伴，将Mac推进更深的企业市场[34] - 苹果最近开始使用Mac芯片构建内部服务器，用于私有云计算服务，处理超出iPhone或Mac处理能力的AI任务[36] - 一些企业客户曾询问苹果是否可以出售这些服务器的使用权，但苹果目前都拒绝了[37]