KI-Riesen stürzen sich auf den Mac mini - OpenAI kauft Zehntausende, Anthropic mietet

Die größten KI-Unternehmen haben einen neuen Liebling gefunden. Es ist keine Grafikkarte für Zehntausende Dollar, sondern der Mac mini.

Laut The Information hat OpenAI in den letzten Monaten Zehntausende Mac mini und Mac Studio gekauft - ohne Monitore und Tastaturen, direkt in den Serverraum. Anthropic nutzt dieselben Maschinen, kauft sie aber nicht: Es mietet sie über AWS und stützt sich dabei auf die enge Verbindung zu Amazon (der Umfang dieser Miete wurde nicht offengelegt). Dieselbe Idee, ein völlig anderer Umgang mit Geld.

Die Macs dienen dem Training von Agenten, die einen Computer bedienen wie ein Mensch: Das Modell läuft in einem echten System, schaut auf den Bildschirm, klickt, tippt, bekommt eine Rückmeldung und versucht es erneut - millionenfach. Das ist Reinforcement Learning, die Methode hinter der aktuellen Welle von KI-Agenten.

Warum ausgerechnet ein Mac? Wegen der Architektur. In Apple Silicon teilen sich Prozessor und Grafikeinheit einen gemeinsamen Speicher, und Desktop-Macs haben eine aktive Kühlung, halten also wochenlange Arbeit unter Last aus. Sie ersetzen die großen Nvidia-Cluster nicht - sie füllen eine Nische, in der Speicher, Zugriff auf das Betriebssystem und isolierte Umgebungen zählen und nicht rohe GPU-Leistung.

Die Folgen sind im Handel sichtbar: Mac mini und Studio wurden knapp, also kündigte Apple neue Modelle schon Ende August an statt wie üblich im Herbst - mit Auslieferung erst in der dritten Septemberwoche. Zum ersten Mal in der Geschichte dieser Reihe zielt das Unternehmen damit auf Geschäftskunden ab und wirbt damit, mehrere Mac Studio zu einer einzigen KI-Maschine zu verbinden. Der Mac-Umsatz wuchs um 29% im Jahresvergleich, und ein Teil der Kunden schielt wegen der Engpässe bereits auf Nvidias DGX Spark.

Apple hörte jahrelang, es habe das KI-Rennen verschlafen. Eingestiegen ist es dann durch die Hintertür - mit Hardware, die niemand „für KI“ gekauft hat.

Reinforcement Learning - eine Trainingsmethode für KI nach Versuch und Irrtum: Das Modell führt eine Aktion aus, erhält Belohnung oder Strafe und findet nach Millionen Wiederholungen selbst heraus, welche Strategien funktionieren.