大家好，我是 Jason。
前几天聊完月底那台 512G 的 M5 Ultra，微信里多了很多讨论。
大家算来算去，纠结的还是那 12 到 15 万元的预算。
十几万买一台桌面主机，摆在任何团队面前都是一笔需要签字的实打实开销。
用这笔钱去组装一台多卡 x86 工作站，能买到充裕的浮点张量算力，也能直接接入完备的 CUDA 生态。
可很多习惯了 macOS 终端、快捷键和窗口管理的人，换回别的系统写代码，总觉得动作脱节。
苹果统一内存的优点很直观。显存和内存合并在一起，模型权重一口吞下，不需要费心思去写张量切分代码。整机两百瓦的功耗，深夜跑长任务听不见风扇响。
它的短板也摆在台面上。面对高并发训练和密集的通用矩阵运算，苹果自研 GPU 的浮点吞吐依然追不上英伟达的高端芯片。很多算法库第一优先级适配 CUDA，苹果平台往往要等开源社区慢慢跟进。
要是手里的 Mac 能直接插上一张英伟达显卡，很多人就不用在系统和算力之间来回二选一了。
苹果关上英伟达的大门，到现在整整过去了六年。
正当所有人都觉得这两条路线老死不相往来的时候，GitHub 上冒出了一个叫 nullmoth/nvidia-macos-driver 的开源项目。
沉寂六年的铁板，被撬开了一道缝隙。
迟到六年的连接：现代显卡如何在 macOS 重新点亮
从 macOS 10.14 Mojave 之后，苹果系统就抹掉了英伟达显卡的原生驱动支持。
图灵、安培、Ada Lovelace，再到刚推出的新架构，在 Mac 用户眼里全都成了另一个机箱里的零件。
nullmoth 针对安装 macOS 15 Sequoia 系统的 Intel 处理器电脑和 OpenCore 黑苹果设备，重新搭建起图形转译管线。
从 GTX 16 系列一直到最新的 RTX 50 系列，显卡插在主板上，系统顺利认出型号，支持系统界面渲染，并直接运行 Metal 3 与 Core ML 计算任务。
这套工程的搭建路线非常清晰：
首先是内核底层的接管。作者把英伟达官方开源的 GPU 内核驱动（r610 分支）移植到了 macOS 内核中，编译出 NVRM、NVAccel、NVRMFB 和 NVRMAGDC 四个内核扩展模块。这几个模块负责最基础的硬件自检、电源管理、显存映射以及 PCIe 通道通信，让操作系统能够直接摸到底层硬件。
其次是用户态驱动的搭配。项目直接引入 Mesa 开源图形库里的 NVK 驱动，在英伟达现代显卡上提供标准的 Vulkan 指令支持。
再往上是整个项目最具技术含量的一环：着色器跨界转译。苹果系统里的图形和计算任务由 Metal 接管，输出的是苹果私有的 AIR 字节码。项目团队写了一个名为 libnvmtl_translate 的转译动态库，在内存中动态拦截 AIR 字节码，实时翻译成工业通用的 SPIR-V 格式，再灌给 Mesa 的 NAK 编译器去生成显卡执行指令。
最上层是系统组件的桥接。项目将这些逻辑整合成一个安装在系统 GPU 目录下的驱动包。在 WindowServer 界面合成器、Metal 3 甚至 Core ML 看来，底层就像连接着一块原生的苹果加速卡，光线追踪、网格着色器以及 MetalFX 超分辨率等特性都能顺畅跑通。
为了省去繁琐的手动命令，作者还写了一个叫 1401 的 Mac 辅助工具。这个工具自动扫描机器的 OpenCore 引导配置，配置好系统 NVRAM 参数，开启 8GB 大小的显存寻址窗口，重启之后显卡就能接管屏幕输出。
为什么在当下成真：AI 正在打通闭源系统的围墙
稍微接触过操作系统和驱动开发的人都清楚，逆向工程的工作量有多大。
苹果的图形堆栈没有开放文档，AIR 字节码规范并不公开，动态库里塞满了经过混淆的二进制符号。
换在几年前，要完成这样一套跨系统转译，需要一支懂汇编、懂编译器、懂微架构的资深工程团队，关起门来死磕一两年。
nullmoth 之所以能在当下由小团队推进完成，底层的工具链发生了剧烈变化。
最近 GitHub 上出现了一个叫 morluto/rea 的开源项目。
它是一个专为编码 Agent 设计的模型上下文协议工具。
以往我们让 AI 参与逆向，模型只能看公开的技术手册或者干瘪的反编译文本，稍微遇到未导出的结构体就会胡乱猜测。
rea 直接把 AI 代理与本地安装的 Hopper、Ghidra、IDA Pro 等专业逆向套件打通。
当遇到一个没有源码的商业动态库时，AI 代理可以通过本地协议自主触发反编译，读取函数交叉引用图，从机器码中梳理出虚函数调用表，推导内存对齐结构。
理清未公开接口的数据走向后，AI 代理直接按照开源规范写出功能对等的兼容代码，绕开版权争议。
这就是技术的奇妙之处。
商业公司出于生态利益建立起封闭的高墙，内部不开放接口与驱动。
在装配了逆向工具的 AI 面前，这些原本密不透风的二进制壁垒正在失去神秘感。只要系统对外提供服务、只要机器指令在内存里运行，AI 就能顺着调用轨迹抽丝剥茧，从外部将闭源系统打通。
软件开发没有完，大爆发才刚刚拉开序幕
行业里常能听到一种疲惫的论调：移动互联网过去了，该写的软件都写完了，未来只有几个大模型底座值得投入。
每次看到这种说法，我都觉得结论下得太草率。
过去的软件开发之所以让人觉得停滞，是因为工程阻力太大。
大厂商为了圈住用户，人为构筑了各种封闭规范。开发者想把两套优秀的工具串联起来，往往需要耗费数月去写琐碎的适配层，最终因为精力和成本放弃。
无数精妙的想法，就这么被卡死在兼容性的泥潭里。
现在我们站在了意图编码（vibe coding）与 AI 逆向交汇的节点上。
开发者的角色从打字员变成了意图的发起者。你只需要清楚系统之间该如何配合，AI 就能帮你去翻底层的反编译指令，去对齐内存结构，去搭起原本无人问津的跨平台管道。
生态之间的摩擦力正在降到极低的水平。
曾经因为商业竞争老死不相往来的硬件与系统，被个人开发者用几千行转译代码接通。
那些躺在企业仓库里的老旧设备，正在被重新写出的轻量驱动赋予现代计算能力。
你很难预测接下来会有谁，带着明确的想法，vibe 出怎样让人惊叹的软件组合。
这绝对不是软件开发的黄昏。
相反，当封闭高墙被技术工具一块块敲碎，软件的大爆发才真正开始。
回到最开始的问题：手里的预算，到底投给 M5 Ultra 还是英伟达？
如果你要的是省心，要的是书桌上一台安静运行、能吃下 400B 模型的极简工作站，M5 Ultra 依旧是免去多卡拼装烦恼的选择。
但如果你热衷于折腾底层，或者手头有一套现成的 Intel 架构老设备与英伟达显卡，这条开源驱动路线提供了一个完全不同的观察视角。
硬件的规格由厂商定义，但软件的生命力永远属于动手解决问题的人。
只要有好奇心，技术的大门总会向你敞开。
面试了一批 AI Agent 工程师后，我想说几句真话