Apple описала Minions: GPU-облако из простаивающих Mac

Подробно

Что такое Apple Minions и кто её разработал?

Полное название работы - «Minions: A Dynamic and Distributed Virtual GPU Cloud Built on Idle Apple Silicon Devices». Авторы - Jianhua Li, Yun Xing, Girisha De Silva, Ryan Flint, Kai Yuan и Sean Suchter. Аффилиация у всех шести - Apple, USA, индивидуальные должности не указаны. На сайте Apple Machine Learning Research работа отнесена к направлениям Speech and Natural Language Processing и Tools, Platforms, Frameworks. Там же стоит только дата «October 2026», без точного дня.

arXiv зарегистрировал первую версию препринта 9 октября 2026 года в 07:11 по московскому времени. Других версий на момент проверки нет. В препринте три страницы, одна схема и одна таблица; arXiv отнёс его к разделам cs.DC (распределённые и кластерные вычисления) и cs.LG (машинное обучение). Публикации в журнале или на конференции не указано. Авторы благодарят коллег Scott Guo и Matt Jockers за внутреннее рецензирование, но рецензируемой научной статьёй препринт от этого не становится.

Назначение системы авторы описывают так:

В этой работе представлена Minions - динамическое распределённое виртуальное GPU-облако, которое объединяет простаивающие GPU Apple Silicon на устройствах с macOS для выполнения крупномасштабных задач инференса машинного обучения.

Место Minions в инфраструктуре они определяют отдельно: «Minions задумана как распределённое виртуальное GPU-облако, дополняющее централизованную GPU-инфраструктуру». То есть заменять серверные GPU система не должна.

Как Apple объединяет GPU компьютеров Mac?

В системе четыре основных компонента: Minion Server, база метаданных PostgreSQL, Minion Executor и Minion Watchdog.

• Minion Server принимает задачу от пользователя или информационно-поискового пайплайна, проверяет параметры, асинхронно делит задачу на независимые подзадачи и сохраняет их в PostgreSQL. Через веб-интерфейс и API можно создавать задачи и смотреть их статус и результаты.
• PostgreSQL хранит состояния задач и исполнителей в семи таблицах. Для разработки и рабочей эксплуатации используются отдельные экземпляры базы.
• Minion Executor работает на Mac с GPU Apple Silicon. Он сам периодически запрашивает подходящие подзадачи, получает право на выполнение, скачивает входные данные, выполняет инференс локально и загружает результат. Если нужной модели нет в локальном кеше, исполнитель сначала скачивает её.
• Minion Watchdog следит за исполнителями, у которых есть активные подзадачи.

В базу исполнители напрямую не подключаются: получение работы, обновление статуса, heartbeat-сигналы и результаты идут через REST API сервера. Входные данные и результаты хранятся в AWS S3, поэтому крупные объёмы данных через сервер не проходят.

Отдельного централизованного планировщика нет. Система работает по pull-модели: свободные Mac сами запрашивают работу. Авторы объясняют это тем, что персональные устройства доступны непостоянно. Если несколько исполнителей одновременно претендуют на одну подзадачу, её получает только один: это обеспечивает уникальное ограничение в таблице minion_subtask_acquirement.

По умолчанию задачи обрабатываются в порядке очереди (FIFO). Владелец устройства может задать предпочтительные команду, проект или задачу. Когда приоритетной работы нет, Mac берёт задачи из общей очереди. Во время работы исполнитель каждые пять минут отправляет heartbeat-сигнал. Если Mac теряет сеть, уходит в сон, выключается или его останавливают вручную, Watchdog освобождает незавершённую подзадачу, и её может взять другой компьютер. За состоянием системы следят через дашборды Grafana: там видно число зарегистрированных, занятых и свободных исполнителей, активные, завершённые и неудачные задачи.

Какие ИИ-задачи может выполнять Minions?

В работе названы два типа нагрузки:

• генерация эмбеддингов на открытых transformer-моделях Hugging Face через Python-библиотеку transformers;
• генерация ответов LLM через установленный на Mac Ollama. В этом случае инференс идёт локально, без обращения к удалённому API модели.

Конкретные модели, их размеры и параметры квантования в препринте не названы.

Важно, что каждая подзадача целиком выполняется на GPU одного Mac. Работа не описывает объединение видеопамяти нескольких компьютеров или разбиение одной модели между ними. «Виртуальное GPU-облако» здесь означает общий пул устройств и очередь заданий, а не аппаратную виртуализацию единого GPU. Обучение моделей пока не поддерживается. Авторы пишут: «В дальнейшем Minions будет расширена для поддержки распределённого обучения моделей в дополнение к инференсу». Ещё более дальняя идея - безопасно объединять простаивающие Mac разных организаций или глобального сообщества.

Насколько Minions сократила очередь к GPU?

По заявлению авторов, Minions использовали несколько команд Apple:

До внедрения системы некоторые задания инференса ждали в очереди больше десяти часов из-за нехватки централизованных GPU. С Minions задачи часто могут начать выполняться уже через несколько минут благодаря простаивающим устройствам с macOS.

В таблице авторов сравнение только качественное. Ожидание в очереди - «часы (до 10+)» до Minions и «минуты» после. Новые запросы на GPU - «нужны» и «не нужны». Стоимость инфраструктуры - «высокая» и «нулевая». Масштабирование - «ручное» и «органическое». Иногда команды подключали исполнителей неформально: просили коллег в Slack временно запустить Minion Executor и направить его на конкретный проект.

Итоговый вывод разработчики формулируют на странице Apple с оговоркой об условиях: «Наш опыт показывает, что в условиях нехватки централизованных GPU простаивающие устройства с macOS можно превратить в практичную распределённую платформу для GPU-инференса».

Это данные самих разработчиков о внутреннем опыте. В работе нет методики, сырых данных, числа задействованных Mac и команд, моделей чипов и объёмов памяти. Нет и измерений пропускной способности, задержки, загрузки GPU, энергопотребления, стоимости на токен или сравнения с серверными GPU.

Автор explainx.ai Yash Thakker назвал архитектуру практичной для пакетных, легко распараллеливаемых задач. По его словам, в препринте описан опыт авторов, а не измерения, а «нулевая стоимость инфраструктуры» не учитывает электричество, время владельцев устройств, эксплуатацию PostgreSQL и S3 и работу инженеров. Он также отметил, что выигрыш дают параллелизм и быстрый доступ к множеству исполнителей, а не ускорение отдельной подзадачи. Для интерактивных ответов одной большой модели, по его оценке, по-прежнему нужны шардирование или серверные GPU.

The Register считает Minions прежде всего способом перераспределить доступные ресурсы, а не средством запуска особенно больших моделей. AI2Day назвал систему исследовательским прототипом, а не готовым продуктом. Главный открытый вопрос, по оценке издания, - приемлема ли задержка для реального инференса в масштабе. Независимых воспроизводимых тестов Minions на момент подготовки материала нет.

Безопасно ли обрабатывать данные на чужих Mac?

Главной проблемой при внедрении авторы прямо называют конфиденциальность:

Распространённое опасение при внедрении - конфиденциальность данных, когда нагрузка выполняется на устройствах за пределами собственного подразделения. Даже для внутренних задач предполагаемый риск может ограничивать участие.

Чтобы снизить риск, система поддерживает изолированные пулы исполнителей и отдельные базы PostgreSQL для команды или организации. Модель угроз, шифрование, управление ключами, изоляция процессов, аудит и результаты тестов безопасности в работе не описаны. Не раскрыто и то, как система определяет, что Mac действительно простаивает, работает ли она только от сети и как защищает владельца устройства от нагрева, разряда батареи и замедления.

Чем Minions отличается от кластеров Mac на MLX и сети Darkbloom?

Основу для идеи создал парк компьютеров Apple Silicon. Первые Mac на M1 с интегрированным GPU Apple представила 10 ноября 2020 года. В 2023 году Apple Machine Learning Research выпустила открытый фреймворк MLX для Apple Silicon, но Minions по описанию препринта его не использует.

На WWDC26 10 июня 2026 года Apple показала другой подход: фиксированный кластер из четырёх M3 Ultra, соединённых через Thunderbolt 5 с RDMA, JACCL и MLX. Там одну модель можно разделить между компьютерами. Для Qwen 3.6 27B заявлена почти трёхкратная скорость генерации по сравнению с одним Mac, а также показан запуск Kimi 2.6 с 1 трлн параметров. Minions устроена иначе: независимые подзадачи выполняются на устройствах, которые то подключаются, то пропадают. Thunderbolt, RDMA, JACCL и MLX в препринте не упоминаются.

Сама идея использовать простаивающие Mac существовала и до публикации Minions. В августе 2026 года The Register писал о Darkbloom - публичной сети Eigen Labs, где владельцы Apple Silicon за плату предоставляют мощности для инференса. Darkbloom - внешний коммерческий рынок, а Minions - внутренняя система очередей Apple.

Можно ли установить Apple Minions на свой Mac?

Нет. Apple не публиковала код, лицензию, установочный пакет, документацию по развёртыванию, публичный API и репозиторий. Программы раннего доступа, цены и сроков внешнего запуска тоже нет. Опубликованы только страница исследования и препринт, поэтому говорить о доступности системы в России или где-либо ещё нельзя.

Не стоит путать эту работу с другими исследованиями под похожим названием. Например, есть работа 2024 года о спекулятивном выполнении и MinionS 2025 года о совместной работе локальных и облачных моделей. С системой Apple они не связаны.