Wie ist der Mac Mini zum neuen Ausgangspunkt von Apples „Server-Geschäft“ geworden?

Im Allgemeinen sollte ein typisches KI-Datenzentrum vom Heulen von Hochgeschwindigkeitskühlventilatoren, blinkenden Anzeigelampen und riesigen Racks vollgestapelt mit NVIDIA H100- und H200-Rechenkarten erfüllt sein.

Diese teuren und sperrigen Ungetüme bilden die Standardgrundlage des Zeitalters der generativen KI, die speziell für das Vortraining großer Sprachmodelle entwickelt wurde, die Billionen von Tokens verarbeiten.

Aber in den öffentlichen Cloud-Rechenzentren einiger der weltweit führenden KI-Labore zeigt sich ein ganz anderes Bild:

Tausende oder sogar Zehntausende von Apple Mac mini und Mac Studio sind ordentlich auf speziell angefertigten Rack-Ablagen gestapelt. Sie brauchen keine externen Monitore, keine Tastaturen und Mäuse, nur Netzkabel, Hochgeschwindigkeits-Thunderbolt-Kabel und 10-Gigabit-Ethernet-Anschlüsse, die mit dem Netzwerk des Rechenzentrums verbunden sind.

Nach Informationen, die aus ausländischen Medien offengelegt wurden, hat OpenAI bereits Zehntausende solcher Apple-Computer beschafft; Anthropic mietet ebenfalls massiv Mac-Recheninstanzen auf Amazon AWS; eine Reihe von Startup-Plattformen, die von ehemaligen führenden Ingenieuren für KI-Infrastruktur gegründet wurden, beginnen auch, spezielle Cloud-Rechenzentren rund um Apple-Chips und Mac-Computer aufzubauen.

Warum ist ein Verbraucher-PC, der ursprünglich für Heimschreibtische, Studentenwohnheime und Büros entwickelt wurde, in Server-Racks gelangt und an die vorderste Front der Entwicklung von KI-Technologie gerückt?

Agent-Übungsgelände

Warum sind die Mac mini in Server-Rechenzentren so beliebt? Das liegt daran, dass der Schwerpunkt der aktuellen KI-Forschung und des Fortschritts von KI-Modellen eine große Veränderung durchgemacht hat.

Einfach ausgedrückt: Die Hauptlinie des KI-Wettbewerbs in den letzten Jahren war das „Vortraining und Nachtraining von Grundmodellen“. Das Ziel dieser Phase besteht darin, das Modell riesige Datenmengen lernen zu lassen, die menschliche Sprache zu verstehen und allgemeine Schlussfolgerungsfähigkeiten über verschiedene Bereiche hinweg zu beherrschen, was auf Gleitkommaoperationen auf ultra-großen Clustern beruht.

In solchen Szenarien sind handelsübliche GPUs, die mit speziellem HBM-Hochbandbreiten-Grafikspeicher und NVIDIAs Hochgeschwindigkeits-Interconnect-Technologie NVLink ausgestattet sind, die absoluten Herrscher, und Verbraucherhardware kann derzeit überhaupt nicht eingreifen.

Aber mit der Stabilisierung der grundlegenden Fähigkeiten der zugrundeliegenden großen Modelle verlagert sich der Fokus der Forschung und Entwicklung in führenden Laboren vollständig auf KI-Agenten – insbesondere auf Agenten, die verschiedene Fähigkeiten zur Bedienung von Computern (computer-use) nutzen müssen, um Benutzern bei der Lösung verschiedener täglicher Arbeits- und Lebensaufgaben zu helfen.

Das ultimative Ziel solcher agentenbasierten Aufgaben besteht darin, dass KI nicht mehr darauf beschränkt ist, Text in Chat-Fenstern auszugeben, sondern wie ein menschlicher Mitarbeiter vor dem Bildschirm die grafische Oberfläche des Betriebssystems bedienen kann, die Menschen vertraut sind: den Mauszeiger bewegen, auf Schaltflächen klicken, zwischen verschiedenen Programmen kopieren und einfügen, Tabellen ausfüllen, komplexe Formulare im Browser verarbeiten, Code schreiben und debuggen und bei Fehlermeldungen Probleme selbst lösen.

Der Kernansatz zum Training solcher bedienungsorientierter Agenten ist das verstärkende Lernen auf Basis von Umgebunginteraktionen. Das bedeutet, dass das Labor nicht verlangt, dass das Modell mehrere TB statischen Text auf einmal verarbeitet, nicht so große Rechenleistung, Speicherkapazität und Interkonnektivität benötigt, sondern Tausende von Agent-Instanzen in einer echten, unabhängigen GUI-Umgebung zahlreiche Fehlerkorrekturzyklen durchführen lassen muss.

In diesem Moment wirkt die Architektur traditioneller Datenzentren etwas unpassend.

Quelle: Anthropic

Die in Datenzentren am weitesten verbreiteten Linux-Container eignen sich hervorragend zum Ausführen von skripten ohne Oberfläche und Backend-Diensten, was völlig umgekehrt zu den Arbeitsabläufen ist, die Menschen vertraut sind. In realen Szenarien finden die meisten hochwertigen Arbeitsvorgänge auf grafischen Oberflächen statt. Es gibt auch verschiedene Linux-Distributionen, die als Betriebssysteme für normale Nutzer verstanden werden können, aber ihre Anwendungsökosysteme, Methoden zur Grafikdarstellung und Systemberechtigungsregeln unterscheiden sich stark von macOS und Windows.

Das bedeutet, dass wenn das Training in einem virtuellen Linux-Desktop durchgeführt wird, die vom Modell erlernten Agent-Bedienfähigkeiten noch weitere Anpassungen erfordern, um auf echte macOS/Windows-Arbeitsumgebungen übertragen zu werden.

Vor dem Aufkommen des KI-Zeitalters wurden virtuelle Maschinen normalerweise verwendet, wenn Cloud-Server bestimmten Benutzern bestimmte Betriebssysteme bereitstellen mussten.

Dies ist ein eher gelegentliches Szenario und kein langfristiges dauerhaftes Szenario. Das virtualisierte Ausführen von Zehntausenden von macOS- und Windows-VMs auf traditionellen Rack-Servern führt zu einer riesigen Belegung von Systemressourcen für die Rechenleistung und hohen Kosten für kommerzielle Lizenzen. Insbesondere der Overhead für die Grafikvirtualisierung ist für die schnelle Bereitstellung und hochparallele Interaktion, die im KI-Zeitalter erforderlich sind, unangemessen.

Offensichtlich ist das Hosten einer großen Anzahl nativer macOS-Instanzen eine vernünftigere Vorgehensweise. macOS verfügt über ausgereifte grafische Barrierefreiheit-APIs, hochgradig konsistente Fensterspezifikationen und ein äußerst reiches Ökosystem von Desktop-Software. Für Forscher, die Modelle trainieren möchten, „wie man moderne Desktop-Computer benutzt“ – alle führenden Modelllabore – ist macOS ein natürliches und standardmäßiges Testgelände.

Aber gemäß dem Endbenutzer-Lizenzvertrag von Apple kann macOS nur legal auf Apples eigener Hardware ausgeführt werden. Das sogenannte „Hackintosh“ ist nur ein Spielzeug für wenige Enthusiasten und birgt große Risiken für unternehmensweite Szenarien.

Aus diesem Grund müssen Modellanbieter echte Mac mini in Rechenzentren bereitstellen. Sie haben eine höhere Dichte pro Einheit als traditionelle Server und GPUs, und die Anschaffungskosten können sogar niedriger sein.

Apple Silicon kommt voll zum Einsatz

Natürlich gibt es noch viele ausgefallene Implementierungsideen, wenn es nur darum geht, die Vorschriften einzuhalten und macOS zu nutzen, beispielsweise das Anschaffen früherer x86-Macs oder sogar eine große Anzahl von „kopf-an-MacBook“ (Notebooks mit entferntem Bildschirm), die auf dem Zubehörmarkt erhältlich sind.

Was die Mac mini in dieser Welle von Agenten wirklich zu einem leistungsstarken Werkzeug macht, sind die einzigartigen Hardwareeigenschaften von Apples selbst entwickeltem Apple Silicon.

Zuerst bringt die einheitliche Speicherarchitektur eine extrem hohe Kosteneffizienz: In traditionellen PC- und allgemeinen Serverarchitekturen gibt es eine physische Trennung zwischen dem CPU-Speicher und dem GPU-Grafikspeicher, und Daten müssen über den PCIe-Kanal zwischen ihnen kopiert werden.

Diese Einstellung ist für traditionelle Aufgaben unbedeutend. Aber wenn lokal ein Modell mit Hunderten von Millionen bis zu zehn oder sogar Hunderten von Milliarden von Parametern ausgeführt werden muss, sind die Kommunikationsverzögerungen und Bandbreitenengpässe der traditionellen Architektur extrem fatal.

In diesem Moment kommt die einheitliche Speicherarchitektur (UMA) von Apple Silicon zum Einsatz: Recheneinheiten wie CPU, GPU und ANE können sich denselben Hochbandbreiten-Speicherpool teilen. Das bedeutet, dass ein Mac mini mit mehreren zehn GB einheitlichem Speicher das Agent-Entscheidungsmodell direkt auf einmal in den Speicher laden kann, was die Verzögerung durch das Übertragen über Busse vermeidet – es senkt die Aufgabenzeit von Modellunternehmen deutlich und verbessert die Effizienz des Nachtrainierens und der Optimierung.

Mac mini zeigt auch Vorteile bei den Anschaffungskosten: Die Hardwareausgaben eines traditionellen x86-Servers, der mit einer handelsüblichen Grafikkarte mit gleich großer Grafikspeicherkapazität ausgestattet ist, können mehrmals oder sogar zehnmal so hoch sein wie die eines Mac mini (natürlich wirkt der Preisanstieg von Speicher alle gleich, Mac ist keine Ausnahme, der Preis ist um ein bis zweitausend Yuan gestiegen).

Für Trainingsaufgaben, bei denen zehntausende unabhängige Umgebungen parallel ausgeführt werden müssen, wird der Unterschied in den Kosten pro Knoten exponentiell vergrößert.

Zudem sorgt die gute Leistung von Apple Silicon in Kombination mit der aktiven Kühlung von Mac mini dafür, dass dauerhafte Inferenzaufgaben über lange Zeit hohe Effizienz beibehalten können, und die Leistungsabgabe über lange Zeit bei einer niedrigen Gesamtleistungsaufnahme von mehreren zehn Watt aufrechterhalten wird. Diese geringe Leistungsaufnahme ist für die Anforderungen an die Kühlung und Stromkonfiguration von Server-Rechenzentren freundlicher. Das Datenzentrum muss keine teuren Kühlsysteme und Stromleitungen mit hoher Leistung speziell für sie umbauen, um eine dichte Mac-Bereitstellung zu unterstützen.

Aber warum bietet Apple keine Cloud-Dienste an?

Da die Nachfrage nach Mac-Hardware auf dem Rechenleistungsmarkt so stark ist und Apple so viele einzigartige Technologien hat, warum nutzt sie nicht die Gelegenheit, ein öffentliches Cloud-Rechenleistungsgeschäft ähnlich wie AWS und GCP aufzubauen? Zufälligerweise tut Apple das genau nicht.

Derzeit hat Apple im Bereich der Datenzentren tatsächlich erhebliche technische Investitionen getätigt. Aber gemäß öffentlichen Informationen konzentriert sich seine strategische Absicht vollständig darauf, seine eigenen Anforderungen zu erfüllen, und wird in Servern für „Private Cloud Computing (PCC)“ bereitgestellt.

Es verwendet spezielle angepasste Cluster von M-Serie-Chips und ein extrem einfaches verifizierbares sicheres Betriebssystem, um datenschutzsensitive Inferenzaufgaben mit komplexer Rechenleistung wie Apple Intelligence/Siri AI zu verarbeiten.

Das Wesen von PCC ist ein „erweiterter Datenschutz-Sandbox in der Cloud“, der von Apple entwickelt wurde, um das Problem unzureichender Rechenleistung von Endgeräten zu lösen. Wenn Apple Intelligence/Siri AI auf iPhone, iPad oder Mac auf eine große Modellaufgabe stößt, die der Endchip nicht unabhängig erledigen kann, wird die Anfrage verschlüsselt an Apples Datenzentrum übertragen, wo das große Modell auf dem M-Chip-Cluster die Inferenz durchführt.

Gerade weil diese Architektur vollstapel-eigen ist (proprietary), kann Apples extrem strenge technische Kontrolle voll ausgespielt werden: Die PCC-Rechenknoten entfernen alle unnötigen Komponenten des traditionellen macOS, einschließlich dauerhafter Speicherung und Administratorberechtigungen, und behalten nur den Kernel bei, der für die Inferenz erforderlich ist. Diese Vorteile können Drittkunden auch dann nicht nutzen, wenn sie sie wollen und bereit sind, hohe Kosten zu zahlen.

Im Grunde genommen basiert Apples Geschäftslogik immer auf zwei Punkten: dem Verkauf von Verbraucherhardware mit hoher Gewinnspanne und dem Erzielen von Dienstleistungseinnahmen aus seinem riesigen Verbraucherökosystem.

Die Vermietung von öffentlicher Cloud-Rechenleistung ist ein Bereich mit hohem Kapitalbedarf, starkem Betriebsaufwand und hohem Bedarf an Vertriebskanälen für Unternehmenskunden. Seine Gewinnspanne ist nicht niedrig ... aber im Vergleich zu Apples Anforderungen an die Gewinnspanne ist sie nicht überzeugend. Apple hat offensichtlich kein Interesse, sich in einen direkten Preiskampf mit Amazon, Microsoft und Google zu stürzen.

Apple hat früher Server hergestellt

Natürlich hindert das Technologieunternehmen nicht daran, Mac-Hardware direkt als Verbraucher in großen Mengen zu kaufen und selbst zu nutzen – sogar viele einzelne Verbraucher kauften Anfang des Jahres Mac mini, um OpenClaw oder verschiedene Agenten darauf zu installieren und als ihren „persönlichen Server“ zu verwenden.

Im Verborgenen ist Apple kein Serverunternehmen, sondern zum beliebtesten Serverunternehmen geworden.

Das Phänomen, dass Menschen heute freiwillig Mac mini zu Servern umbauen, ist in der langen Geschichte von Apple nicht das erste Mal, sondern hat sogar einen dramatischen Farbton der historischen Wiederholung.

Vor mehr als zwanzig Jahren, als „Cloud-Dienste“ noch nicht vollständig aufgeblüht waren, trat Apple offiziell in den Markt für kommerzielle Server ein.

Die Ambitionen und das Ende von Xserve

Im Mai 2002 stellte Steve Jobs Apples erstes unternehmensweites Hardwareprodukt vor – Xserve.

Das damalige Xserve verwendete ein standardmäßiges 1U-Rack-Gehäuse, dessen Vorderseite mit einem markanten einteiligen silbernen Aluminiumpanel und Hot-Swap-Festplattenschächten bedeckt war. Es war nacheinander mit PowerPC G4, G5 und später mit Intel Xeon-Prozessoren ausgestattet, in Kombination mit einem dedizierten Xserve RAID-Speichersystem und einem speziell angepassten Mac OS X Server-Betriebssystem, und zielte auf Hochschulforschung, Film- und Schnittstudios und hochwertige Grafikrendering-Cluster ab.

Quelle: Apple, Petoo

Obwohl Xserve in industriellem Design und Integration von Hardware und Software sehr charakteristisch war, hatte es große Schwierigkeiten auf dem harten Markt für Unternehmenskunden:

Erstens hatte Xserve eine Kluft zu der Umgebung, die Unternehmen vertraut sind, in Bezug auf Standardisierung und Ökosystem. Die meisten Verwaltungstools, Betriebsskripte und zugrundeliegenden Architekturen von unternehmensweiten Datenzentren sind auf Basis von Linux und Windows Server-Standards aufgebaut. Das relativ geschlossene Ökosystem von Mac OS X Server machte es schwer, sich in die vorhandenen IT-Verwaltungssysteme von Unternehmenskunden zu integrieren.

Im Vergleich zu Servern von Dell, HP und IBM, die allgemeine x86-Komponenten verwenden, preiswert und flexibel anpassbar sind, waren die Anschaffungs- und Wartungskosten von Xserve zu hoch. Diese Hardwareprämie in Kombination mit schlechter Allgemeinverwendbarkeit machte es auch schwer für Xserve, Nutzer zu gefallen.