問題 3 / 5
用 Mac 來跑 AI 模型聽起來很誘人，但在實際操作或訓練時，最常遇到哪些硬體瓶頸或踩雷的地方？
AI 根據文章內容回答
雖然 Mac 在執行模型推論時表現亮眼，但在實際投入 AI 工作時，仍有幾個常見的坑需要特別留心：
- 生態系相容性問題：深度學習領域的主流框架（如 PyTorch、TensorFlow）過去多針對 NVIDIA 的 CUDA 技術 進行深度優化。雖然 Apple 提供了 Metal Performance Shaders (MPS)，但某些冷門或最新發表的演算法函數庫可能尚未完美支援，容易遭遇執行報錯。
- 極端運算效能上限：統一記憶體雖然容量大，但 Apple Silicon 在純粹的浮點運算速度（FLOPS）上，相較於頂級獨立顯卡仍有差距。如果任務是從零開始「訓練」大型模型，Mac 的效率會明顯低於專業伺服器。
- 硬體無法事後升級：Mac 的記憶體與晶片是封裝在一起的，購入後無法自行加裝。若初期為了省錢購買 16GB 版本的機種，後續想跑稍大一點的模型就會面臨記憶體不足（OOM）的窘境。