共计 1252 个字符，预计需要花费 4 分钟才能阅读完成。
开发者绕过苹果软件限制, 成功解锁 M4 芯片 15.8TFLOPS 的 AI 算力
苹果 M4 芯片的神经网络引擎原本只开放给 AI 推理任务, 开发者无法直接用于训练新模型 。但近日, 一位名为 @0x0SojalSec 的开发者声称成功绕过了这一软件限制, 通过逆向工程和自定义工具, 释放了 M4 芯片的完整 AI 算力, 峰值性能达到 15.8TFLOPS。这一突破为在 iPad 或 Mac 上运行本地 AI 训练任务提供了可能。
📌 背景: 苹果的“锁芯”策略
苹果 M4 芯片集成了强大的神经网络引擎, 但苹果通过软件层面的限制 , 仅允许开发者使用 Core ML、Metal 等工具进行推理 (即运行预训练模型), 而无法直接用于训练新模型。这意味着, 尽管硬件具备训练能力, 开发者却无法直接调用,AI 训练仍需依赖云端或专用 GPU。这种限制被认为是苹果对芯片能力的一种“保护”, 以避免功耗或稳定性问题, 但也引发了开发者社区的不满。
🔍 核心突破: 从零构建自定义 MIL
@0x0SojalSec 在 X 平台上分享了一个 GitHub 代码库, 详细展示了如何绕过限制 。他没有使用苹果提供的 Core ML 或 Metal 框架, 而是从零开发了一套自定义模型中间语言 (MIL), 直接与 M4 芯片通信。由于苹果未开放直接芯片访问权限, 这套工具绕过了官方 API, 通过底层指令与神经网络引擎交互。
- 全内存运行: 所有数据都存放在 RAM 中, 完全不写入 NAND 闪存, 避免慢速存储带来的瓶颈, 从而保持高速运行。
- 容错机制: 当训练进程卡住时, 自定义 MIL 会调用“exec()”命令, 让进程重新启动并继续训练, 避免直接崩溃, 同时保持学习连续性。
- 性能释放: 突破限制后,M4 芯片的 AI 处理性能达到 15.8TFLOPS, 足以承担 AI 模型训练任务。
💡 前后变化: 从推理到训练的能力跃升
此前,M4 芯片的神经网络引擎仅用于推理, 开发者只能在本地运行预训练模型 , 无法进行训练。而现在, 通过这一破解,M4 芯片在 AI 训练方面迈出了关键一步。开发者现在可以在 iPad 或 Mac 上直接训练小型 AI 模型, 无需依赖云端或外部 GPU, 大大降低了本地 AI 开发的门槛。不过, 这一方法仍处于实验阶段, 尚未确认是否适用于更新的 Apple Silicon 芯片。
📊 行业观察: 本地 AI 训练的潜力与风险
- 性能对比:15.8TFLOPS 的 AI 算力接近入门级独立 GPU(如 NVIDIA RTX 3060 的 12.7TFLOPS), 但受限于功耗和散热, 实际训练效率可能不如桌面级方案。
- 兼容性未知: 目前无法确认这套自定义 MIL 能否用于 M3、M2 等旧款芯片, 也无法保证 exec() 命令在后续芯片上正常工作。
- 苹果的反应: 苹果可能会在未来的系统更新中封堵这一漏洞, 或者官方开放更多 AI 训练功能。开发者社区对此持观望态度。
🚀 总结
围绕“开发者绕过苹果软件限制, 成功解锁 M4 芯片 15.8T”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
