OpenAI закупает десятки тысяч Mac для обучения агентных ИИ

OpenAI в последние месяцы приобрела десятки тысяч компьютеров Mac mini и Mac Studio для тренировки агентных моделей. Устройства используются для обучения агентов взаимодействовать с десктопными операционными системами и для методов обучения с подкреплением.

По информации от участников рынка, такие машины разворачивают в больших парках как независимые рабочие среды, где агенты учатся кликать, печатать и управлять интерфейсом так же, как человек за обычным компьютером. Некоторые компании арендуют Mac mini у облачных провайдеров, а другие закупают физические устройства для локальных кластеров.

Технические характеристики новых моделей Apple разграничивают роли в инфраструктуре. Компактные Mac mini на новых чипах подходят для массового развертывания тысяч отдельных сред. Mac Studio с чипом M5 Ultra поддерживает до 512 ГБ объединённой памяти и пропускную способность порядка 1,2 ТБ/с, что позволяет запускать и хостить крупные языковые модели локально.

По расчётам инженеров, конфигурация Mac Studio с 512 ГБ памяти может вместить открытую LLM на сотни миллиардов параметров; в зависимости от квантования такая модель может занимать до примерно 300 ГБ оперативной памяти. На обычном десктопе для сопоставимого объёма видеопамяти потребовалась бы связка нескольких флагманских графических карт с высокой суммарной потребляемой мощностью.

Apple 25 августа представила обновлённую линейку устройств на базе M5 Ultra и M6. 30 апреля 2026 года глава Apple Тим Кук сообщил о дефиците Mac mini и Mac Studio и связал его с возросшим спросом со стороны инструментов агентного ИИ. Компания сместила маркетинг, позиционируя новые модели как подходящие для постоянного локального хостинга агентных вычислений.

Ни OpenAI, ни её конкуренты не раскрыли точные объёмы закупок, распределение по моделям и суммы контрактов. Представители инженерных команд отмечают, что техника Apple не предназначена заменить крупные GPU‑кластеры, которые используют для первоначальной тренировки самых больших базовых моделей.

Локальные развёртывания используются для тестирования безопасности, интерфейсных сценариев и интеграции с десктопными приложениями без передачи данных в публичные облака. Инженеры продолжают комбинировать локальные Mac‑сервера и облачные GPU‑кластеры, чтобы тренировать поведение агентов в условиях, близких к реальным пользователям.