新闻详情

新闻详情

首页 / 资讯中心 / 详情

苹果新款Mac台式机:以降低算力成本为卖点

发布时间:2026/11/18 3:24:12来源:尧图网络
苹果新款Mac台式机:以降低算力成本为卖点
苹果新款Mac台式机当地时间周二开始发货公司高管向企业买家抛出一个不寻常的卖点购买新机比租用云端算力更便宜。据媒体当地时间9月22日报道苹果新款Mac mini和Mac Studio当天开始发货。这批最高售价接近2万美元的新机支持端侧AI运行可在本地处理编写代码等高强度AI任务用户无需向OpenAI、Anthropic等购买Token。苹果首席硬件官约翰尼·斯鲁吉Johny Srouji表示设备买回来放在桌上就是一次性投入。我相信我们的产品性价比极高性能强成本也有优势。不用按Token付费机器可以一直用。在近期的发布会上苹果展示了4台Mac Studio串联运行一个万亿参数的AI模型查找并修复一处图形代码漏洞。这类任务通常需要在耗电巨大的数据中心完成而这组Mac仅靠一个墙壁插座供电。苹果官网信息显示搭载M5 Ultra芯片的Mac Studio最高配备512GB统一内存并支持通过RDMA远程直接内存访问技术将多台设备组成集群共享内存池。在分布式AI推理场景下4台设备组网后推理速度最高可达单机的3倍。来源苹果官网媒体报道指出苹果在AI台式机领域的优势部分源于其长期对节能的执着——2020年推出首款Mac自研芯片时苹果将PC中彼此分离的计算芯片和内存芯片整合为统一内存架构以延长电池续航。报道指出这一设计意外让Mac擅长运行AI而英伟达等公司直到最近才转向类似方向。此外苹果从iPhone到Mac的芯片设计一脉相承也成为其向企业推销的重点。斯鲁吉表示苹果各类芯片底层设计思路一致在苹果设备上开发的端侧AI模型可按需部署在高端Mac Studio上也能向下适配入门款iPhone和iPad。直面Windows不过苹果要打入企业市场并不容易。众所周知苹果联合创始人乔布斯对企业市场并不热衷原因是企业电脑多由公司统一采购员工无法自主挑选心仪的产品。媒体援引市场研究机构IDC分析师Linn Huang近期数据显示苹果在企业台式机市场的份额约为4.6%Windows则高达91.3%。与苹果自研芯片、自有操作系统不同Windows电脑由微软提供操作系统英特尔、AMD、高通、英伟达等提供芯片各PC厂商负责整机。目前英伟达和各PC厂商正陆续推出新款台式机与新款Mac正面交锋。报道指出这些搭载Windows系统的新机预计将成为微软下月在旧金山举办的Windows活动的焦点。微软同样看好端侧AI。其首席执行官纳德拉用不计量的智能来形容端侧AI并计划把众多AI功能整合为一款面向Windows的 “超级应用”。不过报道指出Windows长期主导企业电脑市场需要兼容大量厂商的硬件开发者要充分发挥某一款芯片的性能往往更费力。对此微软回应称公司一直与芯片合作伙伴合作借助Windows ML工具简化AI开发RDMA等功能也是其重点投入方向。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/17 7:04:08

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/17 5:42:44

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/17 19:43:34

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/17 6:55:04

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/17 5:57:47

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/17 19:43:32

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉