2026年10月15日，科技媒体 AppleInsider 报道了苹果研究团队公布的一项名为 Minions 的系统研究：把闲置的 Mac GPU 聚合起来，形成一个可动态调度的“虚拟 GPU 云”，用于运行大规模机器学习推理任务。IT之家 10月16日转述的标题很直白——“闲置 Mac GPU 组队，几分钟就能完成 10 小时 AI 任务”。 这个“10 小时”要先读准确：所谓十分钟指的是任务排队时间，不是推理耗时。论文评测部分写明，集中式 GPU 紧张时部分推理任务排队超过十小时，接入 Minions 后任务常常几分钟内就能开始执行。 省下来的是“等卡”的时间，不是把十小时的计算压缩进几分钟；这不影响这项研究的价值，但决定了你对“组队”的合理预期——Minions 目前是一篇系统研究加苹果内部试点，不是你能打开的设置开关，你的旧 Mac 今天还不能靠它直接从 AI 账单上划掉一分钱。IT之家微博
让“旧 Mac 值多少算力钱”第一次成为可以摆上桌面的问题的，是同一天的另两条消息。苹果机器学习研究同天发文，给出了更硬的数字——四台 Mac Studio 组成集群，decode 能到约 36+ token/秒（8K 上下文口径）。 另一边，Meta 也宣布开发者可以在 Mac Studio 电脑上本地运行新开源模型 Muse Spark Open，并支持两至四台机器组合使用。 论文、产品级背书、电费账单，第一次凑在了同一张桌子上。知乎华尔街见闻
组队先分队：你的旧 Mac 是什么“兵”
以下角色划分是笔者依据论文与公开报道做的趣味归类，不是苹果官方分类；判断口径只看两件事：芯片代际和内存大小。
Intel Mac（2015–2020）：不在队里。 苹果今年已通知开发者可以移除 Intel CPU 支持——一旦开发者选择这么做，你手上的 Intel Mac 就再也收不到软件后续更新，只能停留在最后一个旧版本。 近日苹果又更新老旧设备清单，2018 款 15 英寸 MacBook Pro 正式归类为 Obsolete 过时产品。 这批机器现在该做的是守住本地数据，而不是贡献算力。知乎知乎
M1/M2 + 8GB 内存：搬运工。 统一内存 8GB 意味着大模型基本无缘，但轻活能干——有 Mac mini 用户把机器放在家里 24 小时运行 OCR 和翻译服务，翻译一张图片大概 5 秒。 它理论上能省的只有一类钱：把这些小任务从“按次计费的云 API”里挪出来。知乎
M1/M2/M3 + 16–32GB：可服役的小模型兵。 这个内存档位能跑量化的中小参数模型，是当前“替代部分 API 调用”最现实的一批旧机器。芯片已经出到 M6，Mac 社区里一个“谁还在用 M1”的帖子居然拿到一千多个赞——发布这么多年，M1 依旧有一大批用户还在用。 抽屉里那台，可能真还没到“退役”的时候。知乎
现款 Mac mini（M6）：正式编制的算力节点。 苹果官网 Mac mini 技术规格页标注的最大持续功率为 155 瓦——按满负荷 24 小时连续跑算，一天约 3.7 度电，按多数地区居民电价折算约每天两元级别。这就是“Mac 干活”的增量成本量级：硬件是沉没的，跑起来只多电费。
M5 Ultra Mac Studio：队长，但和“省钱”无关。 256GB 内存的 M5 Ultra Mac Studio 起售价为 10799 美元，512GB 版本要到本月晚些时候才发布。 它是 Meta 合作的载体，属于“买算力像买奢侈品”的那一端，恰恰是普通用户不必碰的。华尔街见闻
省的不是订阅，是 token：把账算成条件题
“旧 Mac 省 AI 账单”这句话里，账单要拆开看。订阅制会员的固定月费，不会因为家里有台 Mac 就退款；可能被抵扣的，是按 token 计费的 API/Agent 用量——而它恰恰是最近涨得最快的一块。
Uber 的 CTO 最近自己交了底：2026 年的 AI 编码工具预算 4 个月就烧完，算下来每个工程师每月 API 成本 500 到 2000 美元。知乎
降价也追不上用量：Anthropic 把 Sonnet 缓存读取降价 50%，厂商自己给的数据是典型 agent 负载只能省约 20%，因为多数请求根本命不中缓存。知乎
论文里其实给了企业端的对照答案：这套系统的意义，是让团队“不用额外采购 GPU”就能消化推理负载。 接入的代价也不复杂——执行端只是跑在 macOS 设备上的轻量程序，断网、休眠、关机都算常态，失败任务由看门狗组件自动回收、重新分派给其他设备继续运算。微博
对普通用户，这笔账有三个条件：任务本身能不能被小模型同等质量地完成；机器是否已经闲置在柜子里——专门花钱买旧 Mac 省钱不成立；以及你的活儿是不是“数据不出门才敢做”，论文也坦承，跨组织执行任务时数据保密是部署中最常见的顾虑。 拆解 Meta 合作的阳仔码话给过同一把尺子：先列出必须本地化的任务清单，再决定要不要上桌面集群。
云端的计价方式是按小时收租——AutoDL 等平台公开口径，一块 T4 卡约 0.78 元/小时。 本地 Mac 的计价方式是按电费，满负荷一天两元级。两种口径不能直接换算成“便宜几倍”，云卡性能档位也各不相同，但方向是清楚的：闲置硬件的边际成本接近电费，云算力的边际成本是明码标价。 Minions 这类研究要解决的，正是让前者能像后者一样被随时调度。知乎
接下来看什么
目前公开报道没有披露 Minions 组队的设备规模，这套系统还停在“论文与内部试点”阶段，但苹果在论文结语里已经留了口子：下一步把分布式训练也纳入，再往后，不同机构甚至全球社区的闲置 macOS 设备若可安全联邦，就能汇成一个共享 GPU 资源池。 在这之前，值得先动手的其实是查自己的账单后台：token 用量里有多大比例是分类、抽取、格式转换这类“粗活”——那部分才是旧 Mac 理论上能接走的钱。OpenAI 已被报道买走数以万计的 Mac mini 和 Mac Studio 专门跑强化学习，Anthropic 也通过 AWS 租用大批 Mac mini，实验室已经用订单投过票。 Minions 想验证的是，下一个把 Mac 当算力的，能不能是每个抽屉里吃灰的那台。知乎
