GPU加速机器学习推理需求上升，暴露集中式GPU基础设施成本高、弹性有限、资源受限时等待久局限。同时，搭载苹果芯片（Apple Silicon）的 Mac系统（macOS）设备拥有强大GPU，日常闲置。Minions是聚合跨macOS设备闲置苹果芯片GPU的动态分布式虚拟GPU云，执行大规模机器学习推理任务，无需额外采购GPU即可利用现有硬件，并支持灵活容错与高效利用资源；在集中式GPU受限，闲置macOS设备成分布式GPU推理平台。

GPU 加速的机器学习推理需求持续增长，暴露出集中式 GPU 基础设施的局限：成本高、弹性有限，且在资源受限时等待时间长。与此同时，现代基于 Apple Silicon 的 macOS 设备虽然配备了强大的 GPU，但在日常使用中大多处于闲置状态。论文提出 Minions——一个动态、分布式的虚拟 GPU 云，可聚合跨 macOS 设备的闲置 Apple Silicon GPU，执行大规模机器学习推理工作负载。Minions 使团队无需额外采购 GPU 即可利用现有硬件；该系统提供灵活的 GPU 推理任务执行、容错能力以及高效的资源利用。我们的实践经验表明，在集中式 GPU 资源受限的环境中，闲置的 macOS 设备可以被改造成实用的分布式 GPU 推理平台。

讨论整体以质疑和调侃为主，多数人认为这不过是把闲置 Mac 组成推理集群，重复几十年前的周期窃取（cycle scavenging）或 HPC 思路，缺乏原创性，甚至不配发论文。少数人则觉得它在企业错峰推理或去中心化“我们的云”场景里仍有实际价值。

认为只是在重造 exo、Salad 或古老的闲置算力集群

• 项目被概括为一个 CRUD 数据库加一批 Mac，输入输出存到 S3，是再基础不过的做法，看不出创新（@brandonpelfrey）（较多人）
• 它和 exo、Salad 没有本质区别，只是把日常设备集群换成了苹果硬件（@gempir、@eikenberry）（较多人）
• 本质是几十年前的周期窃取（cycle scavenging）或没有 OS X Server 的 HPC 集群思路的复刻（@cmdrk、@pjmlp）（较多人） > 苹果等于在四十年后重新发明了周期窃取（cycle scavenging）。（@cmdrk）

质疑它不配作为论文，缺乏技术深度

• 论文极短，被吐槽是 FAANG 宣传过的最短论文，内容更像博客文章而非研究成果（@djoldman、@bouk）（较多人）
• 对使用 Ollama 以及相比苹果此前小模型和研究显得缺乏深度感到失望（@skhameneh）（少数人） > 这为什么是篇论文？直接发篇博客不就行了。（@bouk）

认为作为内部系统， novelty 有限且靠管理解决滥用

• 如果这是内部系统，防止“白嫖”只是 IT/HR 的管理问题，本身没什么新东西（@tw1984）（少数人）

担忧这会在未充分授权下占用设备与电力

• 关键疑问是采用主动加入还是默认开启的授权模式，若是后者就相当于默认占用机器和电力（@mindwork）（少数人） > 苹果会在你上厕所时偷走你的电。（@sehw）

讽刺苹果仍不卖可上架的机架产品

• 有人吐槽他们能拼出这套集群，却依然不卖你能放进机架的机器，延续了在服务器形态上的缺席（@Bric3d）（少数人）

认为在错峰推理与去中心化算力网络中仍有价值

• 对已有 Mac 的企业，在空闲时段跑不要求实时的推理/分析任务是实用场景，只是技术不算突破（@tom1337）（少数人）
• 若解决隐私、滥用和授权，把 Mac/NVIDIA GPU 组成“我们的云”、按贡献算力换取额度，是摆脱公有云的潜在路径（@magicmicah85）（少数人）
• 消费级愿景也有吸引力：让家里手机、平板、笔记本空闲时组成超级计算机做渲染或推理（@lynndotpy）（少数人）
• 类似思路还可纳入利用率不足的 DGX 设备，扩大可用算力池（@jacquesm）（少数人）

有价值的补充

• 社区外已有类似实践：有人正在做“Classify @ Home”的 P2P 网络，用 CPU 跑分类模型，和这套 Mac 集群思路同构但面向不同负载（@nico）