全球开发者用脚投票，把一款开源AI代理项目从零推到了24.7万GitHub星标。这个叫OpenClaw的自主代理，最初只是开发者Peter Steinberger在2025年底发在GitHub上的个人项目，当时的名字还叫Clawdbot。到了2026年初，它不仅拿到了TED演讲的邀请，还登上了Lex Fridman的播客，连OpenAI都向作者抛出了橄榄枝。

同期还有一个叫OpenCode的终端开源编程代理，星标数也突破了14.6万，每周仍在以数千的速度增长。这两个项目走红的节奏，恰好跟另一件事的时间线对上了。

打开网易新闻 查看精彩图片

2026年初开始，苹果Mac Mini持续处于缺货状态。一款售价599到1999美元、只有平装书大小的桌面设备，需求端的主力不是普通用户，而是那些正在搭建本地AI基础设施的开发者和企业。这事儿跟你平时听惯的剧情不太一样——AI硬件叙事的主角，本该是那些四千美元起跳的塔式工作站。

要把这个现象讲清楚，得先把概念边界划明白。今天大多数人用AI的方式——ChatGPT、Claude.ai、Gemini、Copilot——语言模型本身跑在厂商的云服务器上。你的指令传到对方数据中心，由部署在他们硬件上的大模型完成推理，再把结果返回给你。重活是云侧干的，你手头的设备几乎没什么负载。云AI现在依然是绝对主流，理由也很充分：不需要特殊硬件，上手门槛极低，云API能调到的模型也是目前全球最顶尖的那一批。

本地AI代理走的是另一套架构。语言模型直接跑在你的硬件上——笔记本、台式机，或者你局域网里的一台专用机器。在模型之上再叠一层代理能力，让它能自主执行动作：收发消息、读写文件、调用API、排定任务、运行代码。推理过程发生在本地，这意味着你的数据默认就不会离开这台机器。

这就要说到GPU的事情。大语言模型本质上做的是矩阵乘法运算。跑一个70亿参数的模型，每生成一个新token，背后都是几十亿量级矩阵条目的乘法计算。CPU干这个活儿效率很低，它的设计思路是优化串行任务。GPU有几千个构造简单的核心，恰恰就是为并行数学运算设计的，这才撑得起LLM在可用速度下完成推理。在传统Windows PC上，你需要一块NVIDIA或AMD的独立显卡。在苹果芯片上，GPU核心直接集成进了芯片本身。这个架构差异，跟后面要聊的硬件选择直接相关。

云AI是目前的主流默认选项，这个格局短时间内不会变。但越来越多的开发者、小团队和注重数据隐私的公司，开始把目光转向本地AI代理。Mac Mini在这个需求岔口上，正好卡住了一个微妙的位置。