苹果硬件比一年前贵了不少，如果你最近刚采购了一批设备，肯定已经深有体会。不过有一点得先说清楚：Mac的价格并没有跟着通胀或性能提升同步上涨。回想一下Mac mini或MacBook Air刚发布时的售价和现在相比，我依然觉得它们相当实惠。话虽如此，企业端正在形成一个新局面——Mac的价格本身，已经没有过去那么关键了。如果开源权重的AI模型真正融入公司日常工作，那么相比它能省下的那笔token账单，Apple Silicon的硬件成本看起来几乎像是白送的。
企业里的云端AI按token计费，用量不大时这种模式还算合理。问题在于，用量根本没在“轻”这个档位上停下来。那些能写代码、分析文档、执行多步骤任务的智能体工具，消耗token的速度远超传统聊天机器人，账单也跟着水涨船高。今年早些时候，Fleet的IT领导力研究提到一家公司，在给大约5000名工程师部署AI编程工具后，仅四个月就把整个2026年的AI预算烧光了。这就是按token计费的风险——财务部门往往要等到发票到手，才真正知道这个数字有多可怕。
本地硬件则完全相反：一次性付清，成本就被锁死了。之后这台机器每多跑一小时模型，除了电费外几乎不再产生额外费用。
Apple Silicon的投资回报率
我一直很敬重的Horace Dediu，最近在Asymco的一篇文章里给出了一些很有意思的数字，清晰展示了苹果面前的机会。其中一个例子是：一个260亿参数的模型，每天用于分析工作四小时，每月大约消耗1.5亿token，通过云服务商跑下来，每位用户每月成本在450到850美元之间。而一台配备M5 Max和128GB统一内存的16英寸MacBook Pro售价约6500美元，就能本地运行这个模型。回本周期大概在7到14个月。他给出了更多例子，值得一读，能更清楚看到苹果在这里的机会。
Apple Silicon之所以特别适合这种场景，关键在于统一内存。大多数PC上，GPU有自己独立的小容量显存池，模型必须塞进这个池子里。而在Apple Silicon上，GPU共享整台机器的全部内存，所以一台128GB内存的笔记本，就能装下其他平台需要更贵配置才能跑的模型。
从这个角度看，Mac Studio的涨价几乎可以忽略不计。如果这台机器不到一年就能回本，而Apple Silicon的Mac通常能服役四到五年，那么在正常的更新周期里，它几乎相当于免费。当然，如果智能体编程继续以如此快的速度进步，你可能还没到那个周期就想提前升级。
收尾：开源权重模型的关键前提
这一切都建立在一个假设上：只有当本地运行的开源权重模型，在日常任务中“够用”时，这笔账才算得过来。对于大量日常工作——比如文档摘要、起草内容、内部数据分析、以及基础常规编码——开源权重模型和前沿模型之间的差距最近已经明显缩小。但对于最难的推理和编程任务，前沿模型仍然领先，而且短期内不会改变。
还有其他需要注意的地方：他举的那些例子用量偏高，普通员工并不会每月烧掉1.5亿token。token价格本身也在持续下降，差距会随着时间逐渐缩小。我本人对混合模式也很感兴趣。Cribl最近推出了StreamAI，这是一个用于遥测的AI网关，能把每个提示路由到最合适的模型，并内置预算控制。在JNUC 2026上，Jamf展示了设备端AI支持方案：通过蓝图部署模型、通过设备端AI网关路由提示，并用AI策略进行全面管控。苹果显然也在思考这件事。在JNUC上，苹果的Jeremy Butcher就云端与设备端AI发表了如下看法：
“我们认为我们的平台是同时做好两者的最佳方式，”Butcher说道。“我们会继续推进这些对话，并期待与大家一起把它落地。”
混合模式或许是两全其美的方案：日常工作在本地跑，最难的任务再路由到云端的前沿模型。无论哪种方式，苹果都处在有利位置。即便内存和GPU短缺推高了硬件价格，只要开源权重模型最终能承担企业AI工作量的相当一部分，Apple Silicon的投资回报率看起来依然很有希望。Mac的价格在涨，但token账单涨得更快（即便token单价本身还在下降）。
