楼上是正解

@iClass 如果做原型开发和验证可以用，不过这种场景其实不追求省电和能效。我上大学的时候，参加的社团里，有学长做过这种。程序是用砖头那么厚的游戏本跑的，系统是 Linux ，能用 N 卡跑 CUDA 用各种现成的生态。

如果是落地的产品，除非是苹果公司开发的机器人，其他的都不太可能会用。原因有很多。

它只能跑 macOS ，除了苹果以外，没有人能低成本地裁剪系统，去掉不必要的服务。这样增加很多不可控的因素和意外。比如某天程序的证书签名到期，或者因为某种系统内部机制把签名相关的配置重置了，导致程序无法启动，那开发时肯定预料不到。

然后，供应商很单一，供货不稳定，也没有相应的定制服务和技术支持，买 M4 只能买 mac mini 整机。要是停产了，去买新款，得到新版系统，原先的软件甚至可能需要重新做适配。这些因素导致隐性成本其实非常高。

除此以外也没有各种专为嵌入式场景设计的机制。接口种类很少而且都面向普通消费者；虽然非实时系统只能做上位机，但 macOS 系统还没有进程优先级（真没有，Windows 和 Linux 都有）；集成度过高还加上苹果限制维修元器件供应，导致维护成本高；没有看门狗电路和电源循环控制，不利于从故障中自动恢复，只能依赖 macOS 的软件设计，有时还得用户手动操作，毕竟苹果设计时就没有考虑过这样的场景。

机器人一般都要接入一堆传感器。我很难想象用 USB/雷电扩展坞转接各种板子，然后再接入传感器的那种场景……

做服务型机器人的话（送餐机器人那种），其实现在大多数都用 Android 来做，硬件总体上不算耗电，需要性能的运算有专用电路，成本也低，系统可以定制得非常精简。

做工业机器人的话，那 mac mini 除了上面所有问题，还有可靠性的问题，以及与其他供应商的设备对接的问题。
这方面甚至是 Windows 的传统优势领域之一。搜索“C# 串口通信”都能找到海量资料……

淘宝上卖的所谓“工控机”其实是山寨软路由的机器，那并不是真正的工控机。真正的工控机基本上都比 mac mini 更贵，配置还低。里面有很多增强可靠性的设计，有电源冗余，网卡和网口都有两个，不是做路由用的，这也是做冗余用的。正经的工控机都可以承受 7x24 小时的高温、震动、粉尘环境而不出问题。

虽然我了解得不多，不过我倒是没有听说过有什么 PLC 编程软件支持 macOS 。用来做上位机更是闻所未闻。

@Notamo 9-10 月统计数据里 Windows 的市场份额还多了 5.58%，估计 Unknown 里面的操作系统比例也和总体相似

@brsyrockss
要做到类 DC 的效果，那波动宽度和深度必须有一个指标非常好。
一般情况下是波动宽度非常宽，比较长的时间段内都是亮屏的状态。
只要其中一个指标能做到非常好，它就算类 DC 的范畴。两个指标都一般的情况下，它就是普通的 PWM 调光。

https://zh.d2l.ai/
读完这本书就入门了

不看剧，续航也没啥要求

那 MBA 的优势不多了……

另外 M1 这一代有个坑，那会 macOS 有内存泄漏和 SSD 过量写入的问题
我之前看了 4 台二手，硬盘写入的数据基本在 500TB 左右
256GB ，用的东芝闪存，同容量的铠侠的保修寿命是 200TBW ，实际写坏大约 750TBW

大多数这个型号的二手，用得频繁的话，硬盘寿命应该都快消耗完了。可靠性会比较差

红米 K80 ，有全亮度 DC 调光

@IDAEngine 有差别，转译 64 位 x86 程序大概损耗到原生（直接源码编译 ARM64 ）的 87%左右。之前的 Windows （ 11 ，22H2 ）转译损耗我测得 82%，后来听说微软有优化，不知如今是什么水平。
有些程序的转译后性能会比较差，M1 刚出来那会，跑转译的 MATLAB 只有 i5-4210u 那么快……
只是现在的 M4 单核性能的 87%，也比绝大多数人用的 PC （尤其是笔记本）单核性能还强，体验上不会有太大差别。

用它来跑虚拟机，再跑 Windows 或者 Linux ，转译 64 位的体验，感觉也很像原生（必须是 64 位，32 位转译都差，macOS 下用 Crossover 的转译只有原始性能的 7%，还不如 Windows……）

@IDAEngine Rosetta2 不是纯软件技术，但是其他的竞品确实是纯软件的，其实强的还是硬件……

> 整个市场加起来可能一年都没一个 iPad 卖的多
真相了……

我估计现在买台式机的人，要么是游戏玩家，要么用来完成工作。
除了数码爱好者买来尝鲜，这个群体不会因为 mac mini 价格低了就去买一台，除非原先就使用 mac 。

以前还有黑苹果用户，硬件价格方面，就和普通的 PC 一样。他们有可能会从黑苹果换到 mac mini ，但按操作系统来统计的话，还是从 macOS 换到了 macOS 。

@x86 那也太奢侈了

我现在差不多就是这个情况。
用肯定能用，但是 IDEA 里插件不敢多装，网页标签页开太多的话，切换会有延迟。
内存压力始终是黄色的，哪怕 swap 不高的时候也是，不知道为什么（大概是内存压缩解压太频繁了）。
完全不敢开虚拟机/Docker ，只能用远程服务器上的。不然能让内存压力达到红色。
总体来说，用着不爽……

@BernieDu
你用 DeepSeek 的话，那就好办了。
你应该这么问 DeepSeek：

---------------

这是 LLAMA 模型的尺寸信息：
'llama3_70b': dict(
base_model='llama3_8b',
vocab_size=128256,
hidden_size=8192,
intermediate_size=28672,
num_hidden_layers=80,
num_attention_heads=64,
num_key_value_heads=8,
max_position_embeddings=8192,
rms_norm_eps=1e-5,
rope_theta=5e5,
),

双显卡跑 LLAMA 70B 模型，batch_size=1 ，模型拆分到两块显卡上，采用流水线并行。激活值精度为 float16 ，计算生成单个 token 时，两块显卡之间前向传播数据大小。

-----------------

它给你算出一个大小，然后，PCIe 4.0 x16 的带宽大约有 32GB/s ，用带宽除以每 token 传输的数据量，就可以算出这个瓶颈会限制 Token/s 到多大了。

@BernieDu 我现在用来跑 LLM 的显卡，实际 PCIe 带宽是 7.88GB/s （用的平台太老），显卡的显存带宽是 288GB/s ，跑 5bpw 量化 14B 模型实际有 28 token/s

@BernieDu
PCIe 接口在推理的过程中，传输的数据只有用户输入的文本和模型返回的文本（一次一 Token ）
多卡的话，再加上一些层与层之间传输的信息以及一些上下文更新信息，也非常少

吃的带宽都是 GPU-显存之间的带宽，这部分不走 PCIe 。为什么吃：因为生成一个 Token 就得访问一次所有激活参数。但你需要注意的是，这是 GPU 访问自己负责的那部分参数，多 GPU 也不会需要 A GPU 去访问 B GPU 上的显存。

如果用 NVIDIA 以前的 SLI 技术，那倒是会有上面说的情况。但跑模型并不采用这种技术方案，AI 工程师不会那么蠢……

@Fdyo 那太好了

Windows on ARM 能用吗