苹果机器学习研究团队在2026年10月12日公开论文，介绍了Minions系统：将多台闲置的Apple Silicon设备连接起来，组成面向机器学习推理任务的动态分布式GPU云。苹果机器学习研究页面显示，该系统针对集中式GPU成本高、扩容慢和排队时间长等问题，尝试利用已有Mac设备释放未被充分使用的计算能力。论文已于2026年10月9日提交至arXiv。论文原文
Minions的核心不是把多台Mac拼成一台传统意义上的大型GPU，而是把任务拆分后分发给能够接单的执行设备。系统由Minion Server、PostgreSQL元数据存储、Minion Executor和Minion Watchdog组成。执行器采用拉取式机制，设备根据自身可用状态主动领取子任务；如果设备休眠、断网或被用户关闭，Watchdog会回收未完成任务并允许其他设备重新执行。这种设计适合办公电脑计算资源间歇性可用的情况，也避免了为每台执行设备直接开放数据库访问。
论文目前支持两类推理工作：利用Hugging Face模型进行嵌入生成，以及通过Ollama执行本地大语言模型补全。输入和输出放在对象存储中，系统还使用Grafana监控在线、空闲、忙碌和故障设备数量。由此看，Minions更接近一个面向内部团队的任务调度和资源复用平台，而不是面向普通消费者发布的云服务或硬件产品。
苹果团队称，在部分集中式GPU资源紧张的场景中，Minions上线前有推理任务排队超过10小时，接入闲置Mac后通常可在几分钟内开始执行。arXiv论文同时将新增GPU采购和基础设施成本列为该系统的对比优势。不过，这些数字属于论文作者基于实际使用的运营观察，并非公开、可复现的统一基准测试；论文也没有披露设备规模、任务吞吐量、能耗和不同Mac型号之间的性能差异，因此不能据此推导出对所有企业都成立的成本或速度结论。
这项工作的价值在于，它把机器学习基础设施的扩展思路从采购更多专用GPU，部分转向盘活组织内部的闲置设备。对于嵌入生成、批量推理等可拆分任务，拉取式调度和故障重试可能降低资源等待；但对于强实时、强互联或需要统一显存的训练任务，个人设备网络的异构性和连接波动仍是明显限制。论文将分布式模型训练列为后续方向，说明当前Minions的主要验证对象仍是推理。
创业者和行业观察者应关注什么
- 资源利用率：重点看企业闲置设备的可用时段、设备类型和实际有效GPU小时数，而不是只统计接入设备数量。
- 任务适配性：优先评估嵌入生成、批处理和可重试推理，谨慎将个人设备池用于低延迟服务或大规模训练。
- 数据治理：跨团队调用设备时，需要明确数据是否落地本机、模型缓存如何清理、对象存储权限如何隔离。
- 真实成本：除硬件采购外，还应核算电力、网络、设备维护、模型下载和故障重试带来的隐性成本。
总体看，Minions展示了一个可操作的算力复用方向：在集中式GPU供给不足时，把分散的闲置Apple Silicon设备纳入统一推理队列。但目前公开证据主要来自苹果团队自身的论文和使用经验，系统的泛化性能、规模上限及安全边界仍需要更多独立测试验证。
事件及资料日期：事件为苹果机器学习研究团队公开Minions系统论文，官方页面发布日期为2026年10月12日；arXiv版本提交日期为2026年10月9日。
参考来源：
- Minions: A Dynamic and Distributed Virtual GPU Cloud Built on Idle Apple Silicon Devices - Apple Machine Learning Research 2026-10-12
- Minions: A Dynamic and Distributed Virtual GPU Cloud Built on Idle Apple Silicon Devices - arXiv 2026-10-09
由 AI 整理，仅供参考；请以原始来源为准。
