RTX 5090插上Mac mini：苹果封闭生态被凿开一道裂缝

一块被苹果封杀了十年的英伟达显卡，现在能插在最新的Mac mini上跑大模型了。这不是官方和解，而是一个开源团队用三个月干成的事。

被切断的十年

苹果与英伟达的决裂要追溯到2010年代。CUDA生态在macOS上几乎消亡，开发者被迫转向苹果自家的Metal架构。想买Mac做AI训练？要么忍受M系列芯片的显存天花板，要么放弃macOS转投Linux。

这种割裂造就了奇特的市场景观：一边是英伟达显卡统治数据中心，一边是苹果M芯片垄断高端个人计算。两者之间的通道，被有意无意地堵死了。

开源驱动的破局逻辑

Tiny Corp的解法很直接——不碰苹果的驱动层，也不等英伟达的许可。他们的「Tiny GPU」开源驱动通过雷雳5/USB4接口直连外置显卡，让RTX 5090与苹果芯片直接通信。

关键点在于：完全跳过虚拟机方案。过去想在Mac上用英伟达卡，要么装双系统，要么用Parallels等虚拟化工具，性能损耗通常在30%-50%。Tiny Corp的方案是原生通信，理论损耗趋近于零。

博主Alex Ziskind实测的数据很有意思：Llama 3.1 8B模型跑出7.48 Token/s，相比Metal原生方案慢了约10倍——但首Token响应速度反而快3-4倍。

这说明Blackwell架构的硬件优势确实存在，只是软件层还没吃透。

谁需要这个「不完美」的方案

性能折损10倍听起来很糟，但要看场景。对于需要反复调试的模型开发者，首Token快3-4倍意味着更快的反馈循环；对于显存焦虑的用户，RTX 5090的32GB显存是M4 Pro的4倍。

更隐蔽的价值在于选择权的回归。苹果用户不必再为「要不要买一台Linux工作站」纠结，插块显卡就能扩展算力边界。

Tiny Corp的商业模式也值得关注。这家由George Hotz创立的公司，核心产品是Tiny Grad编译器——一个试图挑战PyTorch/TensorFlow的深度学习框架。驱动只是入口，编译器才是变现抓手。

裂缝会扩大吗

这个方案目前依赖Tiny Grad，而非CUDA或Metal的原生优化。这意味着英伟达和苹果都有动力忽视它，也有能力在系统更新中制造障碍。

但开源的诡异之处在于：一旦代码流出，封锁成本就会指数级上升。如果社区持续投入优化，性能差距从10倍缩到2倍，苹果的Metal独占策略还站得住脚吗？

当硬件性能足够碾压软件摩擦，封闭生态的护城河会不会反而成为负担——你觉得苹果会选择加固围墙，还是悄悄打开一扇门？