Jeden z najzvláštnejších hardvérových príbehov roka odhaľuje, kde sa skutočne rodí schopnosť AI agentov. The Information tento týždeň napísal, že OpenAI v posledných mesiacoch nakúpilo desaťtisíce kusov Mac mini a Mac Studio a používa ich na reinforcement learning a tréning takzvaných computer-use agentov — systémov, ktoré ovládajú softvér ako človek: pozerajú sa na obrazovku, klikajú, píšu a dokončujú viackrokové úlohy. Anthropic má podľa rovnakej správy podobnú kapacitu prenajatú cez AWS.
Dôležité upozornenie hneď na začiatku: ide o jediný zdroj za paywallom a ani OpenAI, Anthropic, Apple či Nvidia sa k nemu nevyjadrili. Konkrétne počty kusov ani sumy nepoznáme. Časť príbehu je však nezávisle podopretá — Bloomberg už skôr hlásil nezvyčajný, AI-poháňaný dopyt po Macoch a Apple 25. augusta predstavil mimoriadnu, mimo-cyklovú obnovu radov Mac mini a Mac Studio; dodacie lehoty výkonnejších konfigurácií sa podľa reportáží natiahli na týždne až mesiace a základná cena Mac mini v USA za necelé štyri mesiace vzrástla približne o polovicu.
Prečo zrovna Macy a nie GPU
Logika je v rozdiele medzi tréningom modelu a tréningom agenta:
- Predtréning veľkých modelov je surové maticové násobenie — na to sú GPU klastre nenahraditeľné a nič sa na tom nemení.
- Tréning computer-use agenta je iná disciplína: model musí bežať vo vnútri operačného systému, pozorovať obrazovku, konať a dostať spätnú väzbu — miliónykrát dookola. Takáto práca je viazaná na pamäť a sériovosť krokov, nie na masívny paralelizmus.
Presne tam sedí Apple Silicon: zdieľaná (unified) pamäť medzi CPU, GPU a Neural Engine odstráňuje prekopírovanie dát a jeden kompaktný stroj zvládne samostatnú agentnú reláciu s vlastným „displejom". Na poloriadkovú cenu GPU servera navyše získate autentické prostredie — skutočný macOS so skutočnými aplikáciami, v ktorom sa má agent naučiť pracovať.
Kúpiť, alebo prenajať — rovnaká otázka ako pri GPU
The Information opisuje strategickú vidlicu, ktorá sa prenáša z GPU vrstvy o úroveň vyššie: OpenAI hardvér vlastní (kontrola nad tréningovým prostredím, vlastná konfigurácia), Anthropic si ho prenajíma cez AWS (flexibilita, menšia kontrola). Rozdiel nie je len účtovný — určuje, ako rýchlo vie laboratórium meniť prostredie, v ktorom sa agenti učia, a ako veľmi závisí od cudzej infraštruktúry.
The Information tiež tvrdí — opäť len podľa svojich zdrojov, nie oficiálne — že Nvidia začala vnímať Apple ako skutočného rivala v lokálnom AI hardvéri, nie ako hračkársku okrajovú záležitosť.
Čo z toho vyplýva
- Pre trh: vzniká nová kategória infraštruktúry — hardvér agentného prostredia — medzi vrstvou modelov a aplikácií. Paradoxne ju zatiaľ ovláda firma, ktorá to neplánovala: Apple sa stáva mimovoľným dodávateľom AI infraštruktúry.
- Pre spotrebiteľov: dopyt laboratórií sa už premieta do cien a dostupnosti Macov; ak plánujete kúpu výkonnejšej konfigurácie, čakacie doby sú toho dôkazom.
- Pre firmy stavajúce agentov: lekcia je architektonická — kvalita agenta nevzniká len v modeli, ale v prostredí, na ktorom sa trénuje. Vlastné, dobre navrhnuté evaluačné a tréningové prostredie sa stáva konkurenčnou výhodou.
Najsoftvérovejšia hranica umelej inteligencie sa teda opäť ukotvila v hardvéri. Ak správu čas potvrdí, bude zaujímavé sledovať, či Apple tento dopyt začne aktivne obsluhovať — alebo či výrobcovia PC a cloudu prídu s vlastnou ponukou „agentných fariem" skôr, než sa Mac mini stane štandardom tréningu agentov.
