M2 比看起来更先进

M2、ARMv8.6-A 和 bfloat16

• 关键技术点：M2 从 ARMv8.5-A 升级到 ARMv8.6-A，增加了 bfloat16 支持和与 AI 相关的指令。
• 评论者指出，这主要有利于训练和重数值负载；推理通常会使用更激进的量化。

训练 vs 推理与设备寿命

• 多条帖子表示，bfloat16 与训练的关系比与典型的设备端推理更密切。
• 有人预计会有更多基于个人数据的设备端训练/微调（例如语法、个性化），这会让老芯片不那么理想。
• 也有人认为，到那时 M1 和 M2 都会算“老”，大多数人无论如何都会升级到后续世代。
• 长周期用户（8–10 年）则反驳说，未来的 ML 支持对他们确实很重要。

PC 笔记本竞争与 CPU 取舍

• 讨论的焦点是 AMD/Intel/Qualcomm 笔记本是否能匹配 Apple 的性能/功耗比：
  • AMD Zen 4 移动端被认为在计算上大致具有竞争力，也有独立的 AI 模块和 bfloat16。
  • Apple 被视为优先追求高 IPC 和紧密集成；x86 厂商则更重视更便宜、更小的核心和灵活性。
• Qualcomm 即将推出的 Snapdragon X Elite / Oryon 被反复提及，作为 ARM 的挑战者，但其功耗表现和实际交付仍有疑问。

电池续航与真实世界性能

• 有人表示，AMD 笔记本在原始性能上甚至在浏览网页续航上也能与 Apple 持平或超越，具体取决于测试和电池容量。
• 另一些人买 Mac 就是为了 18–20 小时的真实续航，觉得非 Apple 机器在这方面仍然落后。
• 讨论串指出，不同测量方法差异很大，而且 Apple 的软件栈在空闲和低负载功耗方面高度优化。

软件臃肿、UI 框架与响应性

• 许多抱怨指向 Slack 和 Electron 风格的应用，即使在 M2 上也感觉卡顿。
• 争论焦点是 JavaScript 是否本质上太慢，还是主要问题在于糟糕的工程实现和臃肿的框架。
• 有人认为基于浏览器的跨平台 UI 在经济上几乎不可抗拒，但会注定带来平庸的用户体验；也有人以高度优化的 JS（例如 GNOME）为例，说明问题不在 JS 本身。
• 讨论中还提到多种原生、声明式、跨平台 UI 工具包（Qt/QML、Flutter、Slint 等）；对哪一个是明确“赢家”并无共识。

设备端 AI vs 云端与本地 LLM 使用

• 一种观点认为：硬件快速进步和异构化会把大多数先进 AI 推向云端，设备端只保留少量工作。
• 反对观点认为：云端 GPU 成本的经济压力会强烈激励把尽可能多的推理下放到边缘设备，因此需要混合框架。
• 多位用户报告在 M1/M2 上运行本地 LLM 和图像模型体验良好（尤其是高带宽的 M2 Pro），并使用了各种面向 Mac 的工具链。
• 也有人担心无风扇 MacBook 在持续的 LLM 或 OBS 负载下会出现稳定性和散热问题；另一些人则表示，只要不超出 RAM 限制、也不把大模型锁进内存，就能稳定运行。

macOS 卡顿尖峰与企业工具

• 有不少关于 M1/M2 上 macOS UI“卡顿尖峰”的报告：
  • 常与低 RAM（8 GB）和激进交换分区有关。
  • 企业安全/管理套件（JAMF、CrowdStrike 等）以及激进的文件扫描也被反复归咎为严重变慢的原因。
• 其他使用负载较轻或个人 Mac 的用户表示几乎看不到卡顿，这说明环境和工具链可能比芯片本身更重要。

升级与以旧换新考量

• 一些用户在讨论从 M1 升级到 M2/M3，还是等待 M3 Air。
• 建议趋势倾向于：
  • 对重度多任务/容器场景来说，优先考虑 RAM 和 SSD 容量，而不是小幅的 CPU 代际提升。
  • 注意新入门机型上容量较低的 SSD 可能更慢。
• 关于 Apple 以旧换新的体验各不相同：
  • 在线估价可能“还不错”；店内评估可能更严格。
  • 也有人报告邮寄以旧换新过程顺利，并强调如果调整后的报价不满意，始终可以拒绝并保留设备。

技术补充

• 有一段简短的技术插话讨论是否可以用 float16 来模拟 bfloat16：共识是两者的数值范围不同，因此可以存储但不能安全地那样计算；建议通过 float32 进行转换。
• 一位评论者指出，基准测试数据显示 M2→M3 的单线程提升比 M1→M2 更大，这与把 M2 仅描述为“演化式”有些矛盾。