Mengapa melatih AI menggunakan Mac dan bukan GPU?

Bukan menggantikan GPU, tetapi satu lagi jenis beban kerja. Melatih model itu sendiri masih bergantung pada GPU, tetapi melatih 'ejen yang boleh mengendalikan komputer' memerlukan AI melihat skrin, mengklik dan mendapat maklum balas dalam sistem pengendalian sebenar, berulang berjuta-juta kali. Yang diperlukan ialah banyak komputer yang benar-benar berjalan, bukan lebih banyak kad grafik.

Mengapa Mac dan bukan mesin Windows atau Linux yang lebih murah?

Laporan awam tidak menghuraikan sebab pemilihan secara terperinci. Faktor yang boleh diandaikan secara munasabah termasuk: seni bina ingatan bersatu Apple silicon membolehkan satu mesin menjalankan model setempat yang lebih besar, saiz mesin kecil dan padat, penggunaan tenaga rendah, dan macOS ialah salah satu sistem pengendalian sasaran yang penting — cara paling langsung untuk ejen belajar mengendalikan Mac ialah berlatih di atas Mac.

Adakah kesannya besar kepada hasil Apple?

Dari segi skala hasil Apple, berpuluh ribu Mac bukan angka yang menentukan. Makna sebenar pada lapisan naratif: Apple berubah daripada 'ketinggalan dalam AI' kepada 'salah satu pembekal infrastruktur AI', dan ini mempengaruhi cara pasaran melihat kedudukan Apple silicon.

Adakah rantaian bekalan Malaysia akan mendapat manfaat?

Pemasangan dan komponen Mac memang lama bergantung banyak pada rantaian bekalan Asia termasuk Malaysia, jadi pesanan bertambah sudah tentu positif. Tetapi perlu realistik melihat jumlahnya — berpuluh ribu buah dalam penghantaran Mac keseluruhan nisbahnya terhad, dan yang benar-benar patut diperhatikan ialah sama ada ini mewakili 'latihan ejen memerlukan banyak terminal fizikal' akan menjadi keperluan berterusan.

OpenAI Beli Berpuluh Ribu Mac mini untuk Melatih AI: Kerana Ejen Perlu Belajar Guna Komputer, Ia Perlu Benar-benar Ada Sebuah Komputer

The Information melaporkan pada 31 Ogos bahawa OpenAI telah membeli berpuluh ribu Mac mini dan Mac Studio untuk melatih AI yang boleh mengendalikan perisian secara autonomi; Anthropic pula menyewa kuasa pengkomputeran Mac melalui AWS. Makna hal ini bagi Malaysia tersembunyi dalam ayat 'yang dilatih bukan model, tetapi operasi'.

Jika pada 2023 anda memberitahu seorang penyelidik AI 'pada masa depan melatih AI memerlukan pembelian berpuluh ribu komputer meja', dia mungkin akan rasa anda tersalah faham sesuatu — bukankah latihan sepatutnya menimbun GPU?

Tetapi laporan The Information pada 31 Ogos 2026 mendedahkan perkara ini: OpenAI telah membeli berpuluh ribu Mac mini dan Mac Studio, dengan tujuan melatih AI yang boleh mengendalikan perisian secara autonomi. Anthropic pula mengambil laluan lain, menyewa kuasa pengkomputeran Mac melalui AWS untuk melakukan kerja yang serupa.

Latar Belakang

Untuk memahami hal ini, perlu dibezakan dahulu dua jenis latihan.

Melatih model: membolehkan model mempelajari bahasa dan penaakulan daripada teks yang sangat banyak. Ini memerlukan operasi matriks yang besar, dan GPU ialah perkakasan yang paling sesuai, dengan Nvidia hampir memonopoli.

Melatih ejen mengendalikan komputer: membolehkan AI belajar 'melihat skrin ini, patut klik di mana'. Ini memerlukan AI berjalan dalam sistem pengendalian sebenar, memerhati skrin, melaksanakan tindakan, menerima maklum balas, kemudian mengulanginya berjuta-juta kali.

Yang diperlukan jenis kedua bukan lebih banyak kad grafik, tetapi lebih banyak komputer yang benar-benar berjalan.

Inilah realiti latihan ejen computer-use. Anda tidak boleh sekadar menunjukkan tangkapan skrin kepada model, kerana yang perlu dipelajarinya ialah 'apa yang berlaku selepas diklik' — hubungan sebab akibat itu hanya dapat dipelajari selepas benar-benar melaksanakannya. Yang diperlukan pembelajaran pengukuhan ialah persekitaran, dan sistem pengendalian itu sendiri ialah persekitaran.

Perkara Utama Kali Ini

Masa dan sumber: The Information melaporkan pada 31 Ogos 2026
Skala: OpenAI telah membeli berpuluh ribu Mac mini dan Mac Studio
Tujuan: latihan pembelajaran pengukuhan, khususnya ejen computer-use yang boleh mengendalikan perisian secara autonomi
Cara pesaing: Anthropic menyewa kuasa pengkomputeran Mac melalui Amazon Web Services untuk melaksanakan beban kerja serupa
Makna industri: Apple secara tidak sengaja menjadi salah satu pembekal infrastruktur latihan AI, dengan peranan baharu muncul dalam bidang yang lama didominasi Nvidia
Latar belakang teknikal: ejen perlu memerhati, bertindak dan menerima maklum balas dalam sistem pengendalian sebenar, diulang banyak kali baru dapat belajar mengendalikan perisian

Analisis Kesan Pasaran

Untuk Pengguna di Malaysia

Dalam jangka pendek tiada kesan langsung, tetapi ia meramalkan fungsi apa yang akan anda gunakan pada masa depan.

Benda yang OpenAI habiskan tenaga sebesar ini untuk melatihnya, akhirnya akan menjadi fungsi yang anda lihat pada komputer — ejen AI membantu anda mengisi borang dalam sistem cukai, menyemak penyata di laman bank, memindahkan data dalam sistem lama syarikat. Perkara ini AI sekarang tidak buat dengan baik, kerana ia tiada API, hanya ada skrin.

Malaysia mempunyai banyak sistem sebegini. Platform perkhidmatan kerajaan, sistem tempahan hospital, ERP dalaman syarikat yang dibangunkan belasan tahun lepas — benda ini tidak akan membuka API demi AI, tetapi ia ada skrin. Apabila ejen computer-use cukup matang, seluruh aset 'sudah didigitalkan tetapi belum dimodenkan' ini barulah benar-benar boleh diautomasikan.

Saya rasa makna hal ini bagi Malaysia lebih besar daripada sangkaan ramai, kerana tahap penuaan sistem di Malaysia tidak rendah.

Untuk Aplikasi Perniagaan

Yang perlu diperhatikan syarikat ialah 'sempadan automasi' sedang bergerak.

Syarikat yang membuat RPA (automasi proses robotik) dahulu semuanya tahu, mata rangkai paling rapuh ialah padanan skrin — butang beralih tempat, saiz tetingkap berubah, keseluruhan aliran tergendala. Jadi kos penyelenggaraan projek RPA sangat tinggi, dan banyak syarikat Malaysia berputus asa dua tahun selepas melaksanakannya.

Ejen computer-use mengambil laluan berbeza: ia memahami apa yang sedang dibuat skrin, dan bukan menghafal koordinat. Ini dari segi prinsip lebih menghampiri cara operasi manusia, dan secara teori juga lebih tahan terhadap perubahan antara muka.

Jika laluan ini berjaya, apa yang akan berlaku tiga tahun akan datang ialah: aliran yang 'tidak boleh diautomasikan kerana sistem terlalu lama, tiada API' itu, ambangnya akan turun mendadak. Yang patut disediakan syarikat Malaysia sekarang bukan membeli alat, tetapi membuat inventori dahulu — aliran mana yang orang mengklik di skrin, dan setiap bulan menghabiskan berapa jam kerja. Setelah senarai ini disiapkan, ketika alat matang anda baru tahu hendak mulakan dari mana. Untuk melihat dahulu sejauh mana alat automasi sedia ada boleh pergi, halaman tugas telah menyusun gabungan alat mengikut senario.

Untuk Pembangun

Ada dua pemerhatian dari segi teknikal.

Persekitaran ialah infrastruktur. Perkara ini tidak baharu bagi orang dalam bidang pembelajaran pengukuhan — melatih robot perlukan simulator, melatih AI permainan perlukan persekitaran permainan. Tetapi menjadikan 'komputer pejabat biasa' sebagai persekitaran latihan dan menskalakannya ialah soalan kejuruteraan baharu. Bagaimana menetapkan semula keadaan dengan cepat, bagaimana menjalankan beberapa ribu tika secara selari, bagaimana memastikan kekonsistenan setiap persekitaran, kesemuanya cabaran sebenar.

Kedudukan Apple silicon berubah. Seni bina ingatan bersatu membolehkan Mac menjalankan model setempat yang lebih besar dengan kos yang agak rendah, dan perkara ini sudah lama dibincangkan dalam komuniti pembangun. Kini makmal barisan hadapan pun membeli secara besar-besaran, sama seperti satu sokongan kepada seni bina ini. Ada laporan menyebut Nvidia sudah menganggap Apple sebagai pesaing utama pemprosesan AI setempat — ayat ini tiada siapa akan sebut dua tahun lepas.

Makna praktikal bagi pembangun Malaysia ialah: jika anda sedang menilai perkakasan untuk menjalankan model setempat, nisbah nilai Apple silicon berbaloi dikira semula, terutamanya senario yang memerlukan ingatan besar. Jika mahu turun tangan mencuba, tutorial lengkap LM Studio ialah titik permulaan paling cepat.

Aliran Perkembangan Masa Depan

Keperluan latihan terminal fizikal akan berterusan. Selagi ejen masih perlu belajar mengendalikan perisian manusia, ia perlukan mesin yang boleh menjalankan perisian tersebut. Ini mungkin melahirkan bentuk perkhidmatan baharu — 'persekitaran latihan ejen sebagai perkhidmatan', dan Anthropic menyewa Mac melalui AWS itu tepat bentuk awal model ini.

Peranan pembekal perkakasan akan menjadi pelbagai. Dahulu bercakap tentang perkakasan AI hanya ada satu jawapan iaitu GPU, kini muncul jenis keperluan kedua. Makna ini bagi seluruh rantaian bekalan ialah: infrastruktur AI bukan lagi pertandingan satu item tunggal.

Titik pemerhatian rantaian bekalan Malaysia. Pemasangan dan komponen Mac memang lama bergantung banyak pada pengeluar di rantaian bekalan Asia termasuk Malaysia, jadi pesanan bertambah sudah tentu positif. Tetapi perlu realistik — berpuluh ribu buah dalam jumlah penghantaran Mac keseluruhan nisbahnya terhad, dan tidak akan mengubah penyata kewangan mana-mana syarikat. Yang benar-benar berbaloi dijejaki ialah: adakah ini pembelian sekali sahaja, atau 'latihan ejen memerlukan banyak terminal fizikal' akan menjadi keperluan berstruktur. Jika yang kedua, jumlahnya akan terus membesar, dan itu barulah isyarat yang patut dilihat serius oleh rantaian bekalan Malaysia.

TheAI Academy — Rumusan dan Ulasan

Tempat yang paling saya suka dalam berita ini ialah ia mendedahkan satu kebenaran yang sangat sederhana: apabila AI hendak belajar membuat apa yang dibuat manusia, ia perlu berada dalam persekitaran manusia.

Kita menghabiskan beberapa tahun membiasakan diri dengan 'AI ialah benda yang berjalan di awan', kemudian mendapati untuk mengajarnya menggunakan Excel, cara paling berkesan ialah memberinya sebuah komputer yang benar-benar dipasang Excel. Perkara ini agak melucukan, tetapi ia sebenarnya mencerminkan peralihan fasa perkembangan AI — daripada 'memproses maklumat' kepada 'melaksanakan tindakan', dan tindakan mesti berlaku dalam persekitaran sebenar.

Bagi pembaca di Malaysia, sudut pemerhatian yang saya mahu kemukakan begini: jangan hanya menganggapnya berita positif Apple. Yang sebenarnya diperkatakannya ialah, halangan industri AI sedang beralih daripada 'model berapa pintar' kepada 'model boleh tidak membuat kerja dalam persekitaran sebenar'. Peralihan ini akan mencipta seluruh kategori keperluan baharu — persekitaran latihan, pengesahan operasi, audit tindakan — dan keperluan ini belum tentu hanya Silicon Valley yang mampu buat.

Ulasan: AI hendak belajar menggunakan komputer, jadi perlu ada dahulu berpuluh ribu komputer — perkara ini kedengaran seperti jenaka, tetapi tepat menjelaskan industri AI sedang beralih daripada 'berfikir' kepada 'bertindak'.

Cadangan khusus untuk pembaca di Malaysia: jika anda membuat pengoptimuman proses dalam syarikat, mulakan sekarang membuat inventori aliran yang 'hanya boleh diklik manusia di skrin', anggarkan jam kerja setiap bulan. Senarai ini akan sangat bernilai ketika ejen computer-use matang, dan membuatnya langsung tidak perlu menunggu sebarang teknologi tiba. Jika anda pembangun, nisbah nilai inferens setempat Apple silicon berbaloi dinilai semula sekali, terutamanya senario aplikasi yang memerlukan ingatan besar.

Bacaan lanjut boleh lihat panduan pembinaan AI Agent, serta panduan lengkap automasi AI.

Sumber Rujukan

Laporan asal daripada The Information (31 Ogos 2026). Disusun berdasarkan maklumat awam, dengan pengumuman rasmi sebagai rujukan muktamad; pemerhatian industri dan pelaburan dalam artikel hanya untuk rujukan, bukan nasihat pelaburan.