OpenAI ने AI एजेंट्स के लिए कथित तौर पर खरीदे हजारों Mac, वजह सिर्फ ‘पावर’ नहीं

OpenAI ने कथित तौर पर दसियों हजार Mac mini और Mac Studio कंप्यूटर खरीदे हैं। उपलब्ध रिपोर्टों के मुताबिक इनका इस्तेमाल बड़े frontier मॉडल को Nvidia क्लस्टरों पर train करने के बजाय computer-use agents और reinforcement-learning experiments के लिए किया जा रहा है। हालांकि खरीद की मात्रा और इन मशीनों की सटीक तैनाती की स्वतंत्र पुष्टि अभी नहीं हुई है। 111

AI एजेंट्स को साधारण कंप्यूटरों की जरूरत क्यों पड़ती है?

Computer-use agent केवल सवालों के जवाब नहीं देता। वह ब्राउज़र खोल सकता है, किसी ऐप में क्लिक कर सकता है, फाइलें व्यवस्थित कर सकता है, permissions संभाल सकता है और बदलती हुई स्क्रीन-स्थिति के अनुसार अपनी अगली कार्रवाई तय कर सकता है।

ऐसे एजेंट्स को बेहतर बनाने के लिए उन्हें वास्तविक operating-system environment में बार-बार काम करना पड़ता है। हर कोशिश—जैसे किसी वेबसाइट पर जाना, कोड एडिट करना या ईमेल व्यवस्थित करना—एक अलग trajectory बन सकती है, जिसका इस्तेमाल evaluation और reinforcement learning में किया जाता है।

इस काम के लिए Mac mini और Mac Studio की एक बड़ी fleet कई स्वतंत्र macOS workers उपलब्ध करा सकती है। ये मशीनें agent sandboxes, evaluation systems, inference endpoints और reinforcement-learning rollout workers की तरह काम कर सकती हैं। रिपोर्टों में यह भी कहा गया है कि Anthropic समान computer-use workloads के लिए Amazon Web Services (AWS) के जरिए Mac capacity किराये पर ले रही है। 126

यहां जरूरी बात यह है कि वास्तविक desktop environment को सीधे उपलब्ध कराना कई बार operating system और ऐप्स के हर व्यवहार को virtualization या emulation से दोहराने की तुलना में अधिक व्यावहारिक हो सकता है।

Apple silicon की सबसे बड़ी खासियत: unified memory

Apple silicon में CPU, GPU और neural-processing resources एक साझा unified-memory pool का इस्तेमाल करते हैं। पारंपरिक CPU-plus-discrete-GPU सिस्टम में data को system RAM और अलग GPU memory के बीच भेजना पड़ सकता है; Apple के डिजाइन में यह data movement उसी तरह आवश्यक नहीं रहता। 5

लोकल AI में केवल accelerator की headline performance ही निर्णायक नहीं होती। कई बार मॉडल को मेमोरी में फिट करना अधिक महत्वपूर्ण होता है। बड़ी unified-memory pool में model weights, operating-system state, datasets और inference से जुड़ा data एक ही मशीन पर रखा जा सकता है। इसलिए ऐसे Mac इन कामों में उपयोगी हो सकते हैं:

• लोकल मॉडल serving;
• quantized large-language-model inference;
• agent evaluation और orchestration;
• data preparation और preprocessing; तथा
• private या offline AI deployment।

फिर भी इसका अर्थ यह नहीं है कि Apple silicon हर AI workload में सबसे तेज है। Mac में Nvidia के CUDA ecosystem, datacenter interconnects और बड़े distributed-training clusters जैसा infrastructure नहीं है। अधिक संभावित तस्वीर heterogeneous infrastructure की है—यानी high-throughput distributed training के लिए GPUs और parallel rollouts, testing तथा endpoint inference के लिए Macs या अन्य local systems।

नए Mac mini और Mac Studio इस रणनीति में कहां फिट होते हैं?

Apple के नए desktop lineup में दो अलग hardware tiers दिखाई देते हैं। नया Mac mini $899 से शुरू होता है और M6 या M5 Pro के साथ उपलब्ध है। Mac Studio की शुरुआती कीमत M5 Max के साथ $2,499 और M5 Ultra के साथ $5,499 है। Apple ने कहा है कि इनकी उपलब्धता 22 सितंबर से शुरू होगी। 171826

M6 Apple का पहला 2-nanometer process पर बना Mac chip है। दूसरी ओर M5 Ultra को high-memory option के रूप में पेश किया गया है। Apple के अनुसार M5 Ultra को 512GB तक unified memory और 1.2TB/s memory bandwidth के साथ configure किया जा सकता है। कंपनी इसे सैकड़ों अरब parameters वाले language models को डिवाइस पर चलाने के लिए उपयुक्त बताती है। 2133

इस आधार पर दोनों मशीनों के बीच काम का एक व्यावहारिक बंटवारा बनता है:

• Mac mini: कम आकार और अपेक्षाकृत कम कीमत वाले scale-out nodes, जिनका इस्तेमाल कई स्वतंत्र agent environments, testing और हल्के inference के लिए किया जा सकता है।
• Mac Studio: अधिक memory वाले systems, जो developers, researchers, local model serving और ऐसे workloads के लिए उपयोगी हैं जिन्हें सामान्य consumer GPUs में फिट करना मुश्किल होता है।

इसलिए OpenAI की कथित खरीद fleet strategy जैसी लगती है: बड़ी संख्या में छोटे systems स्वतंत्र environments चलाने के लिए, और बड़े models तथा development के लिए अधिक सक्षम machines।

256GB वाला M5 Ultra कौन-से मॉडल चला सकता है?

256GB configuration काफी शक्तिशाली है, लेकिन M5 Ultra की maximum memory tier नहीं है। मोटे तौर पर यह 70B-class models को आराम से संभाल सकता है। चार-बिट quantization में 70B मॉडल को आमतौर पर करीब 40–48GB accessible memory की जरूरत होती है; वास्तविक आवश्यकता quantization और implementation पर निर्भर करती है। 54

इसी मशीन में कुछ बड़े sparse या mixture-of-experts models भी heavily quantized रूप में फिट हो सकते हैं। उपलब्ध estimates के अनुसार लगभग 235B–284B parameters वाले कुछ मॉडल 256GB system में चल सकते हैं, लेकिन ये vendor benchmarks नहीं, बल्कि अनुमान हैं। 405051

किसी मॉडल का parameter count अकेले यह तय नहीं करता कि वह अच्छी तरह चलेगा या नहीं। परिणाम इन बातों पर निर्भर करता है:

• मॉडल dense है या mixture-of-experts;
• quantization का स्तर क्या है;
• context length और KV-cache की जरूरत कितनी है;
• framework का अतिरिक्त memory overhead कितना है; तथा
• उपयोगकर्ता को कितनी throughput स्वीकार्य है।

कोई मॉडल तकनीकी रूप से memory में फिट हो सकता है, फिर भी demanding interactive agent work के लिए बहुत धीमा साबित हो सकता है। इसके उलट छोटा मॉडल अधिक उपयोगी हो सकता है, यदि वह तेजी से जवाब दे और एक साथ कई tasks चला सके।

क्या यह Nvidia के लिए सीधी चुनौती है?

सबसे मजबूत निष्कर्ष यह है कि AI infrastructure अब केवल विशाल GPU clusters तक सीमित नहीं रह रहा। Agent development और local inference के कारण कई छोटे, नियंत्रित और अलग-अलग environments चलाने वाली मशीनों की मांग बढ़ रही है—खासकर तब, जब workload parallel हो, वास्तविक desktop operating system से जुड़ा हो या privacy और latency महत्वपूर्ण हों।

लेकिन उपलब्ध evidence यह साबित नहीं करता कि Apple silicon Nvidia की जगह frontier-model training में ले रहा है। Nvidia के पास CUDA software, mature distributed-training tools, datacenter GPUs और बड़े interconnect systems का महत्वपूर्ण लाभ है। Macs उन workloads में बेहतर फिट हो सकते हैं जहां हजारों independent rollouts, local evaluation या endpoint inference की जरूरत हो।

इसी तरह, इस कहानी से जुड़ी कुछ व्यापक market claims—जैसे specific supply shortages, Mac revenue में 29% की वृद्धि या Nvidia द्वारा Apple को local AI का principal competitor मानना—उपलब्ध सामग्री में पर्याप्त रूप से corroborate नहीं हैं। इसलिए इन्हें पक्के निष्कर्ष के रूप में नहीं पेश किया जाना चाहिए।

आगे का AI hardware market कैसा दिख सकता है?

संभावना है कि AI hardware market तीन स्तरों में बंटे:

1. विशाल Nvidia, AMD या custom-silicon clusters: frontier-model pretraining और अधिकतम distributed throughput के लिए।
2. Mac या PC fleets: agent rollouts, testing और departmental inference के लिए।
3. High-memory local systems: privacy-sensitive, latency-sensitive या offline deployment के लिए।

Apple का अवसर फिलहाल दूसरे और तीसरे स्तर में सबसे स्पष्ट दिखाई देता है। यहां memory capacity, energy efficiency, deployment पर नियंत्रण और data को cloud से बाहर रखने की सुविधा कई उपयोगकर्ताओं के लिए raw training speed से अधिक महत्वपूर्ण हो सकती है। इसलिए कहानी का सार “Mac बनाम Nvidia” नहीं, बल्कि AI workloads के बीच बढ़ता हुआ division of labor है।