Mac才是个人AI的终极答案

两台Mac，隔着一个AI时代

今年换机，两台 MacBook Air 面对面，迁移助手显示”5,548个文件，剩余约2小时18分钟”。

那一瞬间我突然意识到：这不止是一次换机。旧 Mac 上的每一个文件、每一段聊天记录、每一次调研笔记，正在被完整地交接到新 Mac 上。而新 Mac 要做的事，旧的那台做不到——跑我完整的 AI 工作流。

三年前，我用的是 8GB M1。现在这台是 M5，24GB。

回头再看，这个升级不是”更好用”，而是”能用和不能用的区别”。

M5 的硬件底牌

先看一组数字。我这台 MacBook Air 的配置：M5 芯片，24GB 统一内存。

Apple Silicon 最被低估的东西，是它的统一内存架构。

传统 PC 的 CPU 和 GPU 各有各的显存。中间靠 PCIe 通道连着，带宽 32GB/s。跑大模型的时候，70B 参数塞不进 24GB 显存，数据就得在 CPU 和 GPU 之间来回搬，性能塌方。

M 系列芯片不一样。CPU、GPU、Neural Engine 全部挂在同一块内存池上。M4 Max 的带宽做到 546GB/s——比传统 PCIe 高了 17 倍。

实际意义是什么？一台 64GB 的 M3 Max MacBook Pro，用 MLX 加载 Q4 量化的 70B 模型，稳定跑 8-12 token/s。同等价位的 PC 方案，你连模型都加载不进去。

还有 Neural Engine。M4 上做到 38 TOPS。我把 Whisper 语音识别部署到 Neural Engine 上，转录速度比纯 GPU 方案快 30%。语音备忘、实时翻译、口述初稿——完全不联网，本地跑。

8GB 是个骗局

说一句得罪厂商的话：8GB 内存的 Mac，在 AI 时代是个残血版。

我跑了 5 天的内存监控，采样了全部进程的实时内存占用。结果一看，触目惊心。

光是日常 AI 工作流——Claude Code、Chrome、微信、WPS、iTerm2——这几个进程加起来，峰值 RSS 就超过 12GB。

Claude 的 Helper 进程，单进程吃 1.3GB。Google Chrome Helper 更猛，累计权重冲到 6000+，峰值 RSS 1.2GB。微信 440MB，WPS 671MB，Finder 395MB。这还不算 WindowServer、mediaanalysisd 这些系统进程。

8GB 内存跑这套，swap 直接打满，卡到怀疑人生。

24GB 是基准线。如果跑本地大模型，64GB 起步。这不是”买好一点”的问题，是能不能正常干活的问题。

离线 AI，真正的隐私

Mac 上还有一个很少被提到的能力：断网也能跑 AI。

macOS 自带 Vision 框架——OCR 文字提取、场景分类、人脸检测，全部本地执行。Whisper 语音识别通过 Core ML 部署到 Neural Engine，不需要任何网络请求。

应用场景是什么？飞机上口述一段产品思路，本地转写，交给本地小模型做结构化整理，落成初稿。全程数据不出这台电脑。

在 AI 隐私焦虑越来越重的当下，能说”你的数据没上传过任何地方”，本身就是一种竞争力。

macOS 的 AI 基因，Windows 学不会

macOS 有一套 Accessibility API（AXUIElement）。它能把任意应用的 UI 元素树完整暴露出来——按钮位置、输入框内容、菜单层级。

对 AI agent 来说，这意味着不需要靠截图”猜”界面。直接读结构化的 UI 描述，精确点击、输入、导航。

我现在的日常：AI 操作浏览器做功能验证，自动截图，再用本地 Vision 框架判断 UI 还原是否合格，最后给我一个通过/不通过的结论。从打开浏览器到出报告，全程不碰鼠标。

Anthropic 今年的 Claude Code Computer Use 能力，本质就是把这套逻辑产品化。而这些能力目前只在 macOS 上能完整跑通。

Windows 这边，底层指令集对 AI 的直接操控不友好。同样一个自动化操作，macOS 上原生支持，Windows 上需要额外的中间层，甚至根本做不了。不是性能差距，是架构差距。

服务器做不到的事

企业级 AI 架在服务器上，处理标准化任务。但个人的工作流是高度非标的。

一个项目里：调研资料在浏览器书签，需求文档在飞书聊天，竞品分析在本地 Markdown，参考代码在 GitHub，还有随手记的语音备忘。

这些东西分布在不同的应用、格式和时间线上。在服务器上，你不可能把这些异构信息全喂给 AI。

但在自己的 Mac 上，你可以。

我把这些全部丢给 Claude Code，它能在我的 Mac 上横跨信息源，最终产出一个完整方案。这个过程中，AI 不是”写手”，是一个能访问我全部工作上下文的协作者。

服务器上的 AI 不认识你的文件系统，看不到你的聊天记录，不知道你上周在做什么。它只是工具，不是搭档。

我的日常 AI 工作流

目前我的技术栈：Claude Code 做主调度引擎，DeepSeek v4 做 API 后端，Mac 本地跑语音和图像识别。

安装豆包语音输入法，全程语音控制。”动嘴不动手”不是口号，是日常。

调研阶段，AI 去搜索、抓取、整合。开发阶段，AI 写代码、跑测试、截图验证 UI。交付阶段，AI 整合产物成文档和 PPT，通过飞书推到手机上。

不需要企业级基础设施。一台高配 MacBook Pro，一个 Claude Code 账号，足够了。

最后

如果你正考虑升级个人 AI 工作环境，我的建议很简单：

换一台高配 Apple Silicon Mac。M3 Max 64GB 以上，或者等 M5 高配。8GB 的 M1 该退休了。

Windows 以后会不会赶上？有可能。但在当下，Mac 就是个人 AI 的终极答案。

这不止是硬件参数的胜利，更是系统设计哲学的胜利。一个平台在设计之初就为 AI 准备好了接口、算力和内存架构，你用的时间越长，越会发现那些隐藏的能力点，像是提前预留好，等着你发现。

官方网站：https://claude.ai
Claude Code 文档：https://code.claude.com/docs