蘋果推出M6與M5 Ultra晶片,聚焦本地AI推論

蘋果公司於2026年8月25日發表全新的Mac mini與Mac Studio桌上型電腦,搭載兩款全新晶片——M6與M5 Ultra。這一次,蘋果明確將兩款晶片的定位鎖定在人工智慧效能上。這兩款機型先前就已在開發者與愛好者社群中擁有穩定的支持者,他們偏好在本機執行大型語言模型,而非付費使用雲端推論服務。蘋果這次的新宣傳直接擁抱這種用法,而不是把它當成附帶的好處來看待。

Mac mini與Mac Studio之所以受到本機AI使用者的青睞,得益於蘋果的統一記憶體架構:CPU與GPU共用同一塊高速記憶體池,不必在各自獨立的晶片之間來回複製資料。這項優勢在12月推出的macOS 26.2之後更加明顯——該系統更新為透過Thunderbolt 5連接的多台裝置之間,新增了低延遲通訊能力。這次更新讓透過MLX實現分散式推論變得可行,MLX是蘋果專為發揮M系列晶片統一記憶體優勢而打造的開源框架。正是這項能力,讓使用者能將多台Mac mini或Mac Studio串連起來,執行單一消費級裝置無法負荷的大型模型。

M6:首度在單一晶片上整合三種核心

M6採用2奈米製程,是蘋果首款在同一處理器上結合三種不同核心類型的晶片:兩顆全新的「超級核心」,加上四顆效能核心與六顆效率核心,CPU核心總數達十二顆。蘋果宣稱,相較於M4,多執行緒效能最高提升40%。GPU核心數較前一代增加兩顆,達十二顆,統一記憶體頻寬最高可達每秒160GB,不過M6的總記憶體容量被限制在32GB。蘋果也表示,這款晶片的雙神經網路引擎運算速度是前代的兩倍,並為每個GPU核心新增專屬的神經加速器,並宣稱搭載M6的Mac mini,其AI效能最高可達M4機型的四倍。

M5 Ultra:四顆晶片融合為一

根據蘋果自身的描述,Mac Studio搭載的全新M5 Ultra晶片,實質上是把兩顆M5 Max晶片封裝在同一塊基板上——而由於每顆M5 Max本身就已由多個晶粒組成,蘋果將M5 Ultra稱為其首款由四個晶粒拼接而成的晶片。它整合了36顆CPU核心(12顆超級核心與24顆效能核心)、80顆GPU核心,統一記憶體頻寬最高可達每秒1.2TB,統一記憶體容量最高可達512GB——這是蘋果裝置迄今為止提供過的最大記憶體容量。蘋果表示,M5 Ultra的AI運算能力最高可達三個世代前M3 Ultra的4.3倍。多台Mac Studio還能透過Thunderbolt互連,合併各自的記憶體:根據蘋果的說法,四台裝置串連後,AI推論吞吐量最高可達單台裝置的三倍。

• 新增N1無線晶片,支援Wi-Fi 7與藍牙6
• 儲存速度最高可達前一代的兩倍,峰值達每秒15GB
• Mac mini標配2.5Gb乙太網路,可選配升級至10Gb
• Mac mini起售價899美元(16GB記憶體,M6晶片);M5 Pro規格起售價1699美元
• Mac Studio起售價2499美元(M5 Max晶片);M5 Ultra規格起售價5499美元
• 預購已於發表當日開放,9月22日起出貨;512GB記憶體版本的Mac Studio要到10月底才會出貨

桌上型小型AI裝置的競爭已趨白熱化

蘋果用明確的「智能代理」(agentic)語彙來形容這次升級,在Mac mini產品頁面上承諾「AI效能實現顯著躍進,為持續性的智能代理運算提供動力,鞏固其在桌上型電腦市場的領先地位」。這番說法回應的是一個真實存在的成本問題:愈來愈多開發者仰賴Claude Code、Codex等AI程式設計代理工具,但雲端模型的使用費用在規模擴大後迅速攀升,而Qwen、DeepSeek等開放權重模型則能在本機執行,不會產生按token計費的成本。然而,標準消費級硬體仍遠不足以獨力執行這些模型中最龐大的那一批——這正是為什麼將多台Mac mini或Mac Studio串連起來,已成為一種變通方案,也成為相對於專用輝達(Nvidia)GPU更為經濟實惠的替代選擇。

AI效能實現顯著躍進,為持續性的智能代理運算提供動力,鞏固其在桌上型電腦市場的領先地位。

瞄準這塊利基市場的不只蘋果一家。輝達與戴爾合作推出搭載128GB統一記憶體的DGX Spark;微軟推出一款小巧的Surface裝置,可執行1200億參數規模的模型;Minisforum推出的裝置,目標直指Mac mini的潛在買家;小米也有以自研晶片打造的AI Cube。不過,單就記憶體容量而言,Mac Studio的512GB目前仍讓蘋果在這個領域保持明顯領先。蘋果承諾的部分AI體驗,目前仍仰賴代號「Golden Gate」的macOS 27系統,以及一款仍在測試階段、預計秋季正式推出的全新版Siri。

對台灣的開發者與企業IT團隊而言,這次升級帶來的實際改變是:一台直接購入的桌上型電腦,而不是一整座專用加速器機房,如今已能實際為整個團隊代管一個大型開放權重模型,藉此降低雲端程式設計代理工具按token計費所帶來的持續支出,並讓專屬程式碼不必經過第三方伺服器。對於在地取得GPU叢集資源仍屬昂貴、且多半仰賴國外業者的中小企業與獨立開發者來說,這提供了一條雖然仍不便宜、但確實可行的路徑,讓他們無需協商專用雲端基礎設施的存取權限,就能在本機進行大規模AI推論。