作者 |Don来源 | 至顶AI实验室苹果WWDC 2026大家期待的M5 Ultra 芯片没有出现。身边想用本地AI的朋友都在讨论倒是是选Nvidia显卡还是继续等M5 Ultra。刷到一条视频正好解答了这个问题就算不等新芯片现在能买到的 Mac Studio能在本地AI这件事上打过 Nvidia 旗舰显卡 RTX 5090 吗Youtube视频博主The Stack给的答案是肯定的但不靠 Mac 跑得更快是因为 Nvidia 显卡有个绕不过去的硬伤。结论有点反直觉所以背后的逻辑值得仔细拆开讲讲。内存才是第一道坎不是算力先说关键词不是算力是内存。在自己机器上跑大语言模型模型必须整个塞进芯片能快速访问的内存里塞不下要么跑不起来要么被迫溢出到系统内存速度断崖式下跌。所以判断一台机器能不能干这活第一个问题从来不是这颗芯片有多快而是这个模型装不装得下。RTX 5090 恰恰在这道题上撞了墙。这张卡配的是32GB GDDR7显存硬顶焊死在卡上没有升级空间。视频里举了个例子一个700亿参数的模型用Q4把每个权重压缩到约4比特的量化方式本地部署最常用的档位跑大概需要40GB才能装下——32GB的5090装不下只能把部分层卸载到CPU这时候地表最快的消费级GPU也会被拖得很慢。苹果走的是另一条路叫统一内存架构CPU和GPU共用同一块高速内存池GPU不再有独立的一小块显存顶配Mac Studio能把一整块很大的内存池整个交给GPU装模型。视频里提到有人在Hacker News上晒出用一台Mac Studio日常跑一个2350亿参数视觉模型。要在Nvidia那边实现同等规模得上一整套多卡集群成本轻松破3万美元Mac这边只是桌上一台安静的小机箱。装得下的话5090照样碾压不过视频也没回避Nvidia的强项只要模型能塞进32GB这个框5090在单token生成速度上碾压式领先跑小模型能冲到每秒180多个token两边都能覆盖的模型区间里5090比Mac快三到四倍。原因是内存带宽——芯片来回搬运数据的速度。5090带宽约1800GB/s视频对比的是M4 Max版Mac Studio约550GB/s差了三倍多。所以结论很直接实时语音、高并发这类对延迟极敏感的场景直接上Nvidia。但陷阱在只要模型装得下这个前提——大部分真正有意思的大模型恰恰装不进32GB。Apple不是靠更快赢的是靠这屋子里只有它还能把模型跑起来赢的。三年周期算总账不是一个量级长期持有成本上差距不是领先一点是完全不同量级。跑中等模型的Mac mini功耗大概是同等RTX塔式机的十分之一社区跑分反复印证40瓦的Mac mini能打平功耗堪比小型电暖器的双GPU主机。拉到三年周期视频引用的一份成本核算显示高配M5 Max MacBook Pro算上更低功耗和更保值的二手价实际持有成本约2000美元对应的RTX 5090整机接近4500美元。GPU价格随供需波动大这个数字更像某个时间点的快照。软件生态补上了最后一块短板早些年吐槽Mac跑本地AI的共识是软件生态跟不上CUDA几乎等于整个生态苹果长期是局外人。这一点在过去一年多真的变了也是这条对比现在才成立的原因。核心是苹果自己的MLX机器学习框架专为统一内存架构设计现在是Mac上跑模型最快的路径。140亿参数以下的模型MLX比老牌的llama.cpp后端快出不少270亿参数以上两者收窄接近因为瓶颈又回到了内存带宽本身。标志性的转折点是本地部署最常用的一键工具Ollama在2026年3月正式把Mac后端切换成了MLX符合条件的机器解码速度接近翻倍某个混合专家架构MoE只激活部分参数参与计算的模型结构天然更省带宽的编程模型提速接近三倍。不过这次提速只惠及32GB内存及以上的Mac8GB、16GB配置走的还是老路径不想碰命令行的话配合LM Studio这类图形界面工具也能拿到同样收益。三条硬伤训练、出图、Ultra迭代慢半拍视频也很坦诚地列了几条硬伤。训练目前还是Nvidia的地盘——超出小规模微调整条工具链包括FSDP把单个模型拆分到多张GPU上分布式训练的标准方法都是围着CUDA设计的。图像生成也是Apple的短板像Stable Diffusion 3.5这类扩散模型更依赖原始算力而非内存容量实测M5 Max比5090慢了约五倍。苹果高端还有个结构性问题Ultra系列芯片总是比自家最新芯片慢一到两代。视频提到有人用四台Ultra机器组集群、通过雷雳接口跑起了6710亿参数的DeepSeek V3一款开源大模型技术上可行但买的是落后自家最新一代的芯片。至顶AI实验室洞见如果你考虑购买我的建议是如果你是独立开发者做代码辅助、检索增强或agent工作流模型规模通常在70亿到700亿参数区间Apple Silicon更合适性价比最高的是48GB内存的Mac mini M4 Pro约1800美元安静省电。需要日常跑千亿参数级大模型Ultra版Mac Studio是唯一说得过去的单机方案只是要接受它落后自家最新芯片一两代。反过来大规模微调训练、图像生成或需要在32GB以内追求极致吞吐延迟那还是老实上Nvidia。这条视频给我最大的启发是把更快和更能用拆开看了。本地AI现在被卡住的是内存能塞下多大的模型不是芯片算得多快。这个瓶颈还在容量就比速度更值钱。对预算有限、只想安静跑个大模型的个人开发者来说这个视角比单纯比拼跑分实用得多。END本文来自至顶AI实验室一个专注于对AI计算机、工作站及各类AI相关硬件设备开展基于真实使用场景评测的研究机构。