Компании, специализирующиеся на разработке искусственного интеллекта, начали активно закупать компьютеры Apple моделей Mac mini и Mac Studio. Эта тенденция обусловлена не попыткой заменить мощные серверы для обучения масштабных моделей, а потребностью в компактном и энергоэффективном оборудовании для выполнения узкоспециализированных задач. Устройства Apple часто используются для обучения алгоритмов методом проб и ошибок, поскольку архитектура с унифицированной памятью позволяет эффективно обрабатывать специфические рабочие нагрузки локально.
Вопреки распространенным предположениям, эти компьютеры не формируют фундаментальную инфраструктуру для обучения огромных нейросетей, где доминируют решения компании Nvidia. OpenAI и другие организации используют десятки тысяч устройств Mac для выполнения вспомогательных вычислительных операций. Такая интеграция стала экономически оправданным способом адаптации искусственного интеллекта к среде macOS, что важно для компаний, занимающихся созданием программного обеспечения непосредственно для платформ компании Apple.
Значительное влияние на спрос также оказывает внедрение инструментов автоматического написания кода на основе искусственного интеллекта. Согласно отраслевым данным, использование таких помощников приводит к увеличению количества запросов на внесение изменений в код, что прямо пропорционально увеличивает нагрузку на системы непрерывной интеграции и развертывания программного обеспечения. Поскольку для тестирования и сборки кода под операционные системы Apple необходимо соответствующее оборудование, разработчики вынуждены наращивать собственный парк компьютеров Mac.
Несмотря на рост спроса, компания Apple не позиционирует свои десктопные решения как замену серверным кластерам для больших данных. Для выполнения критических задач высокой сложности корпорация использует собственные специализированные серверы с фирменными процессорами, доступ к которым на данный момент не предоставляется внешним пользователям. Поэтому бизнес, которому нужны подобные мощности, ищет альтернативные методы кластеризации оборудования или переходит на облачные решения для оптимизации своих расходов и инфраструктуры.
