市值榜首易主，不是算力输了，而是应用层开始抢跑

这就像一场马拉松，前半程大家都在比谁的引擎马力大，现在突然有人发现，谁把引擎装进车里、开上路、跑通最后一公里，才是真正的赢家。Nvidia 是那个造引擎的，Apple 是那个造整车的。

短期看，Nvidia 的统治力没有任何松动。H100/B200 的订单排到明年，云厂商的资本开支还在加码，但凡做 AI 的，没有不买它的卡。我们做 AI 编程工具，大模型推理还是得靠 GPU 集群，跑一次微调动辄几百美元，这钱都进了 Nvidia 的口袋。它的毛利率 70% 以上，市值高是合理的。但这次 Apple 反超，本质上是市场在重新定价：AI 的下一阶段，不是训练更多参数，而是把模型塞进用户手里。

Apple 的筹码是什么？M 系列芯片的统一内存架构，让大模型在本地跑成为可能。我试过在 MacBook Pro 上跑 Llama 3 8B，速度已经能接受，配合 Core ML 优化，延迟可以压到 200ms 以内。对于代码补全这种场景，本地推理比云端快得多，还省去网络延迟和隐私问题。我们团队正在把 Copilot 的替代方案往本地推理迁移，Apple 的生态是首选，因为 iOS 和 macOS 的开发者基数大，而且用户愿意为隐私付费。

长期看，Nvidia 必须面对一个尴尬的事实：如果 AI 应用大规模落地在终端设备上，那么推理芯片的赢家可能不是它。手机芯片的 NPU、笔记本的 GPU、甚至边缘设备的 AI 加速器，这些都是 Apple 的领地。A17 Pro 和 M4 的神经引擎算力已经不弱，关键是对开发者来说，部署到 Apple 生态的门槛比部署到 CUDA 低得多。写一个 Xcode 插件，用 Swift 调用 Core ML，几行代码就能跑模型；而要用 CUDA 做边缘推理，你得先搞一套 Jetson 或者找云端 API，成本高出一个量级。

当然，这也不是说 Nvidia 会掉队。它已经在推 Grace Hopper 和 DGX Cloud，试图从卖硬件转向卖算力服务。但问题是，一旦开发者习惯了本地推理的便捷，纯云端方案就会变成“昂贵但不得不选”的备选项。我们做工具链的人最清楚，用户粘性来自“开箱即用”和“低延迟”，而不是算力巅峰。Apple 的市值反超，反映的是市场认为 AI 应用层的爆发会比算力层的增长更快。

但有一个变量我没想清楚：如果 AI 模型真的走向千亿参数，本地推理注定是伪命题，那 Apple 的硬件优势反而会成为包袱。Apple 的芯片设计再强，也跑不了 GPT-4 级别的模型。到时候，Nvidia 的云端集群还是唯一选择。

所以问题丢给同行：你们在做 AI 工具时，更倾向于把推理放在本地还是云端？权衡过隐私、成本和延迟之后，哪个方案真正能落地？

原文链接：Apple, Nvidia vie for title of world's most valuable company