Nejzajímavější novinkou nového Macu Studio není výkon, ale role, kterou mu Apple přisoudil: oficiálně podporované propojení čtyř strojů do klastru, který zvládne spustit největší otevřené AI modely. Vysvětluji, proč se z pracovní stanice pro střihače stal nejlevnější způsob, jak provozovat velkou umělou inteligenci bez cloudu.
Jednotná paměť místo VRAM: proč je Mac najednou AI stroj
Když chcete spustit velký jazykový model lokálně, narazíte dřív na paměť než na výpočetní výkon. Model se musí celý vejít do paměti, ke které má přístup grafický čip. U klasických grafických karet to znamená VRAM, a té je i na nejdražších kusech málo: špičková datacentrová karta Nvidia H100 má 80 GB, novější H200 141 GB. Otevřený model DeepSeek V3 s 671 miliardami parametrů přitom potřebuje podle míry komprese zhruba 245 až 700 GB. Na klasickém hardwaru tedy skládáte několik karet za statisíce jen proto, abyste model vůbec načetli, ne proto, že byste potřebovali jejich výpočetní sílu.
Apple Silicon tenhle problém obchází architekturou takzvané jednotné paměti: procesor, grafický čip i Neural Engine sdílí jeden paměťový prostor bez kopírování dat mezi komponentami. Nový Mac Studio s čipem M5 Ultra nabídne až 512 GB jednotné paměti s propustností 1,2 TB/s. Jinými slovy: jeden stolní počítač s kapacitou paměti, na kterou byste u Nvidie potřebovali čtyři až šest karet H200. Jak se liší nově představený čip M6 od čipů M5 Max a M5 Ultra, rozebíráme ve vysvětlení čipu M6 a jeho architektury. Kompletní technické parametry a ceny nového stroje shrnuje přehled Macu Studio 2026.
Za mě je právě tohle důvod, proč AI komunita začala brát Macy vážně. Nejsou nejrychlejší. Jsou ale zdaleka nejlevnější cestou, jak dostat velký model celý do paměti. Zvlášť symbolické je to proto, že profesionální Mac Pro Apple letos zrušil, jak popisujeme v dvacetiletém výročí a konci Macu Pro.
Co zvládne jeden stroj a co teprve klastr
Novinkou letošní generace je, že propojování Maců do klastru už není komunitní hack, ale oficiálně podporovaná funkce. Podle serveru MacRumors jde přes Thunderbolt 5 a technologii RDMA spojit čtyři Macy Studio do sdíleného paměťového fondu. Apple uvádí, že takový klastr zvládne AI inferenci až třikrát rychleji než jeden stroj, a hlavně unese modely, které se do jednoho počítače nevejdou. Čtyři stroje s 512 GB znamenají v součtu 2 TB paměti pro modely.
Základ položil už macOS 26.2, který přidal nízkolatenční komunikaci mezi počítači propojenými Thunderboltem 5, cílenou přímo na distribuovanou inferenci přes Applův framework MLX. RDMA přitom není marketingové zaklínadlo: umožňuje jednomu stroji sahat přímo do paměti druhého bez zdržování procesorem, což srazí odezvu z řádu stovek mikrosekund na jednotky.
Důležitá poctivost k číslům: Apple udává jen relativní „třikrát rychlejší“, žádné tokeny za sekundu. Komunitní nadšenci měřili klastry na starší generaci, například čtveřice Maců Studio s M3 Ultra generovala kolem 25 tokenů za sekundu na obřím modelu. Pro nové M5 Ultra zatím veřejná měření neexistují, takže konkrétní čísla si nechme až na reálné testy po začátku dodávek. Jaký skok výkonu naznačují uniklá čísla, ukazují první testy čipu M5 Ultra.
Jak se Macy propojují v praxi: MLX, exo a spol.
Oficiální cestou je MLX, Applův otevřený framework pro strojové učení na Apple Siliconu, který od letoška umí rozdělit model mezi víc strojů. Komunita má vlastní nástroje: nejznámější je projekt exo, který model rozseká na části a rozdělí je mezi počítače v síti, alternativou je RPC režim v llama.cpp, jednodušší na nastavení, ale hůř škálující. Apple oficiálně ukazuje sestavu čtyř strojů, komunita experimentálně spojila třeba osm Maců mini. Kdo chce jen vyzkoušet menší model lokálně, klastr nepotřebuje: praktickým příkladem je programátorský asistent Junie Local od JetBrains, který podle serveru AppleInsider běží na jediném Macu s čipem M5 Pro a 64 GB paměti, bez jakýchkoli poplatků za tokeny. Cloudové řešení jako nedávno vylepšený Claude Fable 5.1 od Anthropicu je sice pohodlnější, ale každé volání stojí peníze a data putují mimo firmu.
Kolik to stojí proti Nvidii
A teď ta část, kvůli které se o Macích v AI kruzích mluví. Nejvyšší aktuálně nabízená konfigurace Macu Studio s M5 Ultra stojí 193 990 Kč, základní verze 154 990 Kč (cena chystané 512GB varianty, která dorazí koncem října, zatím není známá). Jediná karta Nvidia H100 vyjde podle tržních odhadů orientačně na 25 000 až 40 000 dolarů, tedy zhruba 550 000 až 900 000 Kč, a to k ní ještě potřebujete server. Kompletní osmikartový server H100 se pohybuje kolem 250 000 až 320 000 dolarů, systémy s H200 ještě výš. I kdybyste koupili čtyři Macy Studio na plný klastr, jste stále na zlomku ceny jediného datacentrového serveru. K tomu připočtěte spotřebu: klastr Maců si vystačí se stovkami wattů a zapojíte ho do běžné zásuvky, GPU server potřebuje vlastní elektrickou přípravu a chlazení. Co na nový stroj říkají první recenze nového Macu Studio, shrnujeme samostatně.
Srovnání má háček, a je fér ho říct naplno: Nvidia je v hrubé rychlosti o třídu jinde a její ekosystém CUDA je standard, na kterém stojí prakticky celý AI průmysl. MLX je mladý a knihoven pro něj je řádově méně. Mac klastr nekonkuruje datacentru v rychlosti, konkuruje mu v kapacitě paměti na korunu.
Pro koho to dává smysl a kde jsou limity
Podle mě má lokální AI na Macích tři jasné adresáty. Prvním jsou menší firmy a týmy, které nesmí nebo nechtějí posílat data do cizích cloudů: ordinace, advokátní kanceláře, úřady, vývojáři pracující s citlivým kódem. Model běžící na stroji pod stolem znamená, že data nikdy neopustí firmu, což mimochodem výrazně zjednodušuje i debatu o GDPR. Druhým jsou vývojáři, kteří chtějí neomezené používání AI bez účtů za tokeny: pořizovací cena je vysoká, ale provoz už nic nestojí. Třetím výzkumníci a nadšenci, kteří chtějí experimentovat s největšími otevřenými modely bez pronájmu cloudových GPU. Kdo už starší model má, najde rady v článku o tom, kdy se vyplatí přechod ze staršího Macu Studio.
Komu bych to naopak rozmluvil: běžnému uživateli, který chce „mít doma ChatGPT“. Kvalita největších komerčních modelů je zatím jinde než u otevřených a předplatné cloudové služby vyjde na zlomek ceny Macu Studio. A firmám, které potřebují obsluhovat tisíce uživatelů najednou, protože tam rychlostní limit klastru narazí na strop velmi rychle.
Celkově ale platí, že Apple trefil zajímavou mezeru. Levný v absolutních číslech Mac Studio klastr není. V přepočtu na gigabajt paměti pro AI je ale nejlevnějším řešením na trhu, a to se po letošním zdražování pamětí hned tak nezmění.
Nejčastější otázky o Macích jako AI serverech
Kolik Maců Studio jde propojit do klastru?
Apple oficiálně podporuje a předvádí sestavu čtyř strojů propojených přes Thunderbolt 5 a RDMA. Komunitní nástroje jako exo zvládnou experimentálně i víc strojů, to už je ale mimo oficiálně podporovaný rámec.
Potřebuju na lokální AI nutně Mac Studio?
Ne. Menší modely běží i na Macu mini nebo MacBooku, příkladem je asistent Junie Local od JetBrains na stroji s M5 Pro a 64 GB paměti. Mac Studio a klastry dávají smysl až pro největší otevřené modely se stovkami miliard parametrů.
Je Mac klastr rychlejší než server s kartami Nvidia?
Není. Datacentrové GPU jsou v hrubé rychlosti výrazně napřed a mají zralejší software. Výhoda Maců je jinde: obrovská kapacita jednotné paměti za zlomek ceny a spotřeby, díky které se velký model vůbec vejde do paměti.
Proč firmy chtějí AI provozovat lokálně?
Hlavně kvůli datům. Model běžící na vlastním stroji znamená, že citlivé dokumenty, kód nebo zdravotní záznamy neopouští firmu. Druhým důvodem jsou náklady: lokální model nemá poplatky za tokeny ani měsíční předplatné.
