O czym jest ten film
- Powrót do styczniowej tezy Alexa Finna, że Mac mini zostanie „królem” lokalnego AI, a Apple wygra ten wyścig — tym razem z dowodami na nowym Macu mini M6 z 32 GB RAM.
- Najprostsza droga do lokalnego modelu: darmowy agent open source Hermes Desktop; instalacja w ~45 sekund, bez żadnych umiejętności technicznych.
- Agent sam dobiera model do sprzętu — w teście wybrał Qwen 3.6 35B (ok. 21 GB do pobrania), porównywany do Claude’a Opus 4.5.
- Wyjaśnienie przewagi Apple: zunifikowana pamięć pozwala modelowi wykorzystać cały RAM, więc nawet tańsza maszyna udźwignie większą sieć.
- Testy szybkości: odpowiedzi w mniej niż minutę, w odczuciu porównywalne z chmurą; agent sam buduje pamięć o użytkowniku.
- Testy praktyczne: gra w węża (78 linii kodu) i trójwymiarowa strzelanka z widoku pierwszej osoby, obie w jednym pliku HTML — wszystko lokalnie.
- Przejrzystość lokalnych modeli: widać cały tok myślenia, nic nie wędruje do chmury — argument za prywatnością.
- Werdykt: Mac mini udźwignie lokalne AI, ale to poziom czołowych modeli sprzed roku, nie dzisiejszych flagowców (np. Opusa 5.5).
- Argumenty ekonomiczne: przy subskrypcji 200 dolarów miesięcznie sprzęt za 800–900 dolarów zwraca się w około cztery miesiące.
- Przekaz ponadtechniczny: nie wszystko musi mieć zwrot z inwestycji — zabawa i edukacja to samoistna wartość nauki o AI.
10 najważniejszych takeaways — z kontekstem zastosowania
1.Mac mini z 32 GB RAM uruchamia lokalnie modele klasy czołówki sprzed roku
Na czym polega: Hermes sam dobrał Qwen 3.6 35B (plik ~21 GB) — model, który wielu porównuje do Claude’a Opus 4.5. Cała droga od pustego komputera do działającego czatu zajęła kilka minut.
Jak stosować: Jeśli masz Maca z co najmniej 32 GB pamięci, zainstaluj Hermes Desktop, wejdź w ustawienia → dostawcy → modele lokalne i użyj opcji automatycznego doboru. Nie musisz sam wybierać wersji ani kwantyzacji.
Na co uważać: Pierwsze zapytanie zawsze trwa dłużej, bo model ładuje się do pamięci; na dysku potrzebujesz ponad 20 GB wolnego miejsca, a 32 GB RAM to dla modeli tej wielkości rozsądne minimum, nie komfort.
2.Hermes Desktop to najkrótsza ścieżka od zera do lokalnego AI
Na czym polega: Darmowy, otwartoźródłowy agent, który działa na twoim komputerze, sam znajduje i pobiera najlepszy model na twój sprzęt i obsługuje też modele chmurowe. Instalacja zajmuje mniej niż minutę.
Jak stosować: Traktuj Hermes jako jedną warstwę pośrednią do wszystkich modeli — lokalnych i chmurowych — zamiast uczyć się osobnych narzędzi do każdego trybu.
Na co uważać: Agent ma dostęp do komputera i może na nim operować, więc warto wiedzieć, co mu pozwalasz robić; automatyczny dobór modelu kieruje się ogólną wydajnością, a nie twoim konkretnym zastosowaniem.
3.Zunifikowana pamięć Apple to realna przewaga przy dużych modelach
Na czym polega: W Macach ten sam RAM zasila procesor i grafikę, więc model może korzystać z całej pamięci. W klasycznym zestawie z kartą graficzną model dostaje głównie pamięć karty, która bywa dużo mniejsza niż RAM komputera.
Jak stosować: Przy planowaniu lokalnego AI na Macu inwestuj przede wszystkim w pamięć — to ona, a nie procesor, decyduje, jak duży model zmieści się na maszynie.
Na co uważać: System też korzysta z tej samej pamięci, więc nie planuj modelu, który zjada praktycznie całość; autor sam przyznaje, że 32 GB to „przyzwoita, a nie imponująca” ilość.
4.Szybkość: Apple wciąż goni Nvidię, ale do codziennej pracy wystarcza
Na czym polega: Odpowiedzi przychodziły w mniej niż minutę, a subiektywnie działało to jak model chmurowy. Na karcie RTX 5090 inferencja jest wyraźnie szybsza; czipy Apple są w tym wyścigu kilka długości za Nvidią.
Jak stosować: Do czatu, streszczeń i budowania prototypów szybkość Maca w zupełności wystarcza. Jeśli planujesz masowe generowanie na dużą skalę, wydajniejszym wyborem pozostaje sprzęt z Nvidią.
Na co uważać: Nie porównuj lokalnego modelu z najnowszymi chmurowymi flagowcami — jego poziom to czołówka sprzed około roku.
5.Pełna prywatność i praca bez internetu
Na czym polega: Zapytania do modelu lokalnego nie opuszczają komputera; sieć działa nawet po odcięciu internetu. W chmurze każda rozmowa trafia do centrów danych i nie jest w pełni twoja.
Jak stosować: Poufne analizy — dane firmowe, prywatne dokumenty, wrażliwy kod — przenoś na model lokalny, a chmurę zostaw do zadań publicznych.
Na co uważać: Model offline nie ma dostępu do bieżących informacji z sieci; tam, gdzie liczy się aktualna wiedza, tryb lokalny sam nie wystarczy.
6.Przejrzystość: widać, jak model myśli
Na czym polega: Przy modelu lokalnym cały łańcuch rozumowania jest na wyciągnięcie ręki, bo obliczenia dzieją się na twoim sprzęcie. W chmurze ten proces bywa ukryty.
Jak stosować: Obserwuj tok myślenia, żeby uczyć się formułować lepsze prompty i szybciej diagnozować, dlaczego model coś pomieszkaniu — hmm, czemu model zawiódł.
Na co uważać: Długi wstępny ciąg „myślenia” wydłuża całą odpowiedź — przy banalnych zadaniach bywa zbędny.
7.Prototypy aplikacji bez licznika tokenów
Na czym polega: Model zbudował lokalnie grę w węża w 78 liniach kodu, a potem trójwymiarową strzelankę z widoku pierwszej osoby — z silnikiem 3D, przeciwnikami, przeładowaniem i błyskiem wystrzału — wszystko w pojedynczym pliku HTML.
Jak stosować: Wykorzystuj lokalny model do szybkich prototypów, eksperymentów i nauki programowania; każda iteracja jest darmowa, więc można próbować bez skrępowania.
Na co uważać: Poziom to „działa, ale wymaga poprawek” — drobne usterki (jak pozostający na ekranie tytuł gry) trzeba naprawiać kolejnym promptem albo ręcznie; do produkcyjnego kodu przyda się mocniejszy model.
8.Rachunek ekonomiczny: sprzęt zwraca się w około cztery miesiące
Na czym polega: Komputer za 800–900 dolarów kontra subskrypcja 200 dolarów miesięcznie. Jeśli lokalny poziom inteligencji ci wystarcza, inwestycja zwraca się w ~4 miesiące, a potem model liczy „za darmo”.
Jak stosować: Zrób prosty rachunek: ile realnie wydajesz na subskrypcje AI i które z tych zadań da się przenieść lokalnie — tylko ta część liczy się jako oszczędność.
Na co uważać: Lokalny model nie pokryje wszystkich zastosowań płatnej chmury; nie kasuj subskrypcji hurtem, tylko tam, gdzie faktycznie przenosisz pracę.
9.Kontrola i personalizacja: model można dotrenować pod siebie
Na czym polega: Model lokalny można dostosowywać i dotrenowywać, np. techniką LoRA, oraz nadać mu własny charakter. (Informacja dodatkowa: LoRA to metoda dostrajania gotowej sieci na własnych danych, znacznie tańsza niż trenowanie od zera.)
Jak stosować: Zacznij od samego uruchomienia modelu i poznania jego możliwości; dostrajanie dokładaj dopiero, gdy wiesz, czego brakuje.
Na co uważać: Trenowanie wymaga wiedzy, danych i sprzętu — to kolejny poziom wtajemniczenia, nie pierwsza lekcja.
10.Nie wszystko potrzebuje zwrotu z inwestycji
Na czym polega: Autor przekonuje, że poza oszczędnościami i prywatnością lokalne AI ma wartość samą w sobie: to świetna zabawa i najbardziej praktyczny sposób nauki o technologii, która — jego zdaniem — będzie kształtować gospodarkę.
Jak stosować: Traktuj lokalne AI jako warsztat zamiast wydatku do usprawiedliwienia; ręce na klawiaturze uczą o modelach więcej niż artykuły.
Na co uważać: Entuzjazm nie zwalnia z trzeźwej oceny — gdy zadanie wymaga najmocniejszych modeli, lokalnie ich nie znajdziesz.
Redakcyjne tłumaczenie
Zakład ze stycznia do rozliczenia
W styczniu ogłosiłem światu, że Mac mini zostanie królem lokalnego AI i że Apple wygra ten wyścig. Internet uznał, że oszalałem — lepiej traktowali mnie hejterzy na sieciówkach niż kiedykolwiek. A teraz mam na biurku świeżutkiego Maca mini z czipem M6 i czas dowieść, że mieli nie racji. Zepchnę tę maszynę na samą granicę możliwości, pokażę najprostszą istniejącą metodę uruchamiania lokalnych modeli — bez cienia wiedzy technicznej — a potem sprawdzę, ile ten sprzęt realnie udźwignie. Można się pozbyć subskrypcji chmurowych? Wystarczy sam Mac mini, żeby rozstać się z ChatGPT? Zaraz się przekonamy. Albo wyjdę z tego zwycięsko, albo wyjdę na kompletnego idiotę. Podłączamy i do dzieła.
Konfiguracja: Hermes Desktop w 45 sekund
Komputer podłączony, specyfikacja na ekranie: M6 z 32 GB RAM. Zacznijmy od najłatwiejszego sposobu postawienia lokalnego modelu.
Bierzemy Hermes Desktop. Dla niezorientowanych: Hermes Agent to znakomity agent open source, który działa na twoim komputerze — prywatny asystent, własny cyfrowy pracownik — i współpracuje z dowolnym modelem, chmurowym albo lokalnym. Pobieramy (całkowicie za darmo — wszystko, co dziś pokazuję, jest darmowe), przenosimy ikonkę do folderu z aplikacjami, bo takie rzeczy na Macu wciąż robi się ręcznie, i uruchamiamy. Cała instalacja zajęła jakieś 45 sekund; program sam pobrał i przygotował wszystko, co potrzebne. Naprawdę nie trzeba tu żadnych kompetencji — jeśli nigdy wcześniej nie wczytywałeś lokalnego modelu, możesz po prostu powtarzać za mną krok po kroku. Link do Hermes Desktop zostawiam w opisie filmu.
A, i dla jasności: nikt za ten materiał nie płaci. Polecam to narzędzie, bo uważam je po prostu za najlepsze w swojej klasie.
Dobór modelu: Qwen 3.6 35B bez ręcznego kombinowania
Otwieramy ustawienia w prawym górnym rogu Hermes Agent, wchodzimy w sekcję dostawców i wybieramy opcję uruchamiania modeli lokalnie. Program sam oceni sprzęt i dobierze najlepszą sieć, jaką da się na nim odpalić. U mnie padło na Qwen 3.6 35B.
To poważny zawodnik — wielu porównuje go z Opusem 4.5. (Informacja dodatkowa: Opus to flagowa rodzina modeli Claude firmy Anthropic; wersja 4.5 robiła furorę w dniu premiery.) Coś, co kilkanaście miesięcy temu wywracało ludziom kciuki w chmurze, za chwilę będzie liczyć na moim biurku. Klikam „ustaw za mnie” i pobieranie rusza. Model waży około 21 GB — tyle trzeba mieć wolnego na dysku — i po mniej więcej czterech minutach będziemy mieli inteligencję klasy zeszłorocznej czołówki działającą w całości lokalnie: bez internetu, bez chmury, bez opłat. Pytanie tylko, czy będzie z niej jakikolwiek pożytek. Zaraz sprawdzimy.
Dlaczego Apple: pamięć, cena i wygoda
Skoro model się pobiera, wyjaśnię, czemu w ogóle stawiam na Apple w lokalnym AI.
Po pierwsze: pełne wykorzystanie pamięci urządzenia. Komputery Apple mają tak zwaną zunifikowaną pamięć — ta sama pulpa zasila obliczenia procesora i grafiki. W praktyce oznacza to, że całe 32 GB tego Maca może pójść na model. I to naprawdę dużo, bo nawet topowe układy Nvidii — a Nvidia robi niewiarygodne, świat zmieniające karty, o DGX Spark nagrałem osobne filmy, koniecznie zobaczcie — w tym kontekście mają jedną słabość: model dostaje do dyspozycji głównie pamięć karty graficznej, a nie cały RAM komputera. Na Apple da się więc załadować większą sieć właśnie dlatego, że do wykorzystania jest każdy gigabajt. Nawet na maszynie za mniej niż tysiąc dolarów.
Po drugie: strona programowa. macOS jest po prostu wygodny i miliony osób pracują na nim codziennie. Skoro i tak siedzisz przy tym komputerze, lokalne AI działa dokładnie tam, gdzie twoja robota — twórcy mogą na przykład generować obrazy na tym samym sprzęcie, na którym powstają ich materiały.
Uczciwie jednak: na czystej szybkości Apple wciąż trochę goni Nvidię. Mam kartę 5090 i tam modele śmigają jak oszalałe; na czipach Apple będzie odrobinę spokojniej. Zobaczymy, co wniesie M5 Ultra w Mac Studio z 512 GB pamięci — ten sprzęt pokażę za niecałe dwa tygodnie i zapowiada się na materiał, którego nie chcesz przegapić, więc zasubskrybuj i włącz powiadomienia. Do tego dochodzi cena: komputer za 800–900 dolarów, na którym działa lokalny model, to wciąż brzmi absurdalnie dobrze.
Pierwszy kontakt: szybkość jak z chmury i własna pamięć asystenta
Model pobrany. Wracamy do Hermes, zjeżdżamy listą na dół i wybieramy lokalny Qwen 3.6 35B. Od teraz Hermes Agent — czyli twój cyfrowy pracownik z dostępem do komputera, który potrafi budować, odpowiadać na pytania i działać na polecenia — napędzany jest siecią liczącą u ciebie na biurku.
Pierwsze pytanie testu mamy więc odpowiedziane: da się wczytać lokalny model na Maca mini. Ale gdyby był powolny i głupi, samo „da się” nic by nie znaczyło. Testujemy.
Wysyłam pierwsze zapytanie. Uwaga dla początkujących: pierwszy prompt zawsze trwa najdłużej, bo model musi się wgrać do pamięci — od tej chwili wszystko rusza znacznie szybciej. I jeśli właśnie powtarzałeś te kroki ze mną — gratulacje, złożyłeś sobie klepnięcie w plecy. Wgrałeś na własny komputer najważniejszą technologię w historii naszego gatunku i ona teraz działa na twoim biurku. To niezłe uczucie.
Agent odpowiada: „Hej, tu jestem. W czym mogę pomóc? Skoro to nasza pierwsza rozmowa, założę szybki profil, żeby być bardziej użyteczny”. Przedstawiam się: Alex Finn, twórca treści i przedsiębiorca, robię materiały o AI — i proszę, żeby przywitał się z widzami. I teraz patrzcie: widać cały proces myślenia, widać, jak zapisuje moje odpowiedzi do pamięci. Podkreślam — nic tu nie było nagrane wcześniej ani zmontowane. To mój pierwszy kontakt z tą maszyną, na żywo. Agent proponuje gotowe powitanie — „Hej wszystkim, jestem Alex Finn, twórca zagłębiający się w świat AI. Bądźcie czujni” — i pyta, gdzie publikuję: YouTube, X, te miejsca. Odpowiedź przyszła w kilkanaście sekund; znaczniki czasu pokazują 12:34 przy zapytaniu i 12:34 przy odpowiedzi. Mniej niż minuta. To tempo, jakie znałem dotąd z chmury. Sieć sama buduje sobie wspomnienia o użytkowniku, sama dba o kontekst. Inteligencja, która rok–dwa lata byłaby szokującym frontierem, liczy się teraz lokalnie. Mam zresztą jakieś dwadzieścia tych komputerów — jestem maniakiem Maców mini.
Test praktyczny 1: gra w węża w jednym pliku
Czas na konkret: „Zbuduj mi grę w węża w jednym pliku HTML”. Zaczynamy od małego kroku, żeby zaraz podnieść poprzeczkę. Znów widać tok myślenia: „Użytkownik chce grę w węża w jednym pliku HTML. Zrobię dopracowaną wersję”. Ta przezroczystość to jedna z zalet modeli lokalnych. W chmurze proces myślenia bywa ukryty i nie wiesz tak naprawdę, jak narzędzie pracuje. Lokalnie wszystko dzieje się na twoim komputerze: nic nie wychodzi do sieci, widzisz krok po kroku, co model robi, i masz nad tym pełną kontrolę. To zresztą jeden z powodów, dla których uważam, że lokalne modele językowe to przyszłość — prywatność, pełne dane na miejscu, zero wysyłania czegokolwiek do centrów danych. Cała ta potęga obliczeniowa liczy się centymetr od klawiatury.
Gadając do kamery, zdążyłem dostać gotową grę — 78 linijek kodu, bums. Otwieram plik w przeglądarce: działa. Wąż rośnie po zjedzeniu ciasteczka, plansza żyje, po zderzeniu ekran końca gry z wynikiem. Przy okazji wykazałem się klasą światowego gracza, zjadając ciasteczko w samym rogu plansza — mało kto by to potrafił. Jedyny kosmetyczny zgrzyt: tytuł gry został na ekranie, ale to poprawia się jednym promptem. Wszystko zbudowane w stu procentach lokalnie.
Test praktyczny 2: trójwymiarowa strzelanka
Podnosimy stawkę: „Zbuduj mi w jednym pliku HTML trójwymiarową strzelankę z widoku pierwszej osoby”. Wciąż całkowicie lokalnie, na komputerze, który kupisz za mniej niż tysiąc dolarów. Model dał radę: w jednym pliku zmieścił cały silnik 3D, przeciwników, strzelanie, przeładowanie, błysk wystrzału. Uruchamiam. Jak obiecał — klimat Wolfensteina, i faktycznie gra się jak Wolfenstein. Strzelam do wrogów, zbieram punkty doświadczenia, w rogu ekranu mapka.
Czy to najładniejsza strzelanka w dziejach? Nie — ale to nie jest punkt. To nie jest chmurowy model ze światowej czołówki; to sieć działająca w całości lokalnie, na najtańszym sensownym komputerze, jaki można kupić. Gdybym pokazał wam tę demkę dwa lata temu jako dorobek modelu chmurowego, szczęka opadłaby wam do podłogi. Czy to poziem dzisiejszego Opusa 5.5? Nie, nie jest. Ale jest prywatne, bezpieczne i działa na twoim własnym sprzęcie.
Werdykt: teza potwierdzona
Czas na wnioski. Czy Mac mini udźwignie lokalne AI? Tak — moim zdaniem bez dyskusji. I to nie jakaś uboga sieć, tylko inteligencja klasy Qwen 3.6, czyli poziom czołówki sprzed roku, przy szybkości jak najbardziej używalnej. Więc teza „na Macu mini się nie da, Finn gada bzury” właśnie umarła. Nie zgadujcie — mam dowody, przed chwilą je pokazałem.
Dlaczego lokalnie, skoro mam ChatGPT
Zanim ktoś zapyta: po co kupować komputer, skoro mogę płacić za ChatGPT albo Opusa? Kilka rzeczy.
Pierwsza: długoterminowo wychodzi taniej. Tak, komputer kosztuje — ten wyszedł jakieś 800–900 dolarów — ale jeśli płacisz dziś 200 dolarów miesięcznie za subskrypcję i lokalny poziom inteligencji ci wystarcza, sprzęt zwraca się w około cztery miesiące. Potem model jest w praktyce darmowy: liczy na maszynie, którą już masz.
Druga: prywatność. Każdy prompt wysyłany do modelu chmurowego wędruje do centrów danych i serwerów. Nie zostaje u ciebie — to, co piszesz, nie jest w pełni twoje. Model lokalny to co innego: dane zostają na twoim komputerze, a sieć działa nawet po odcięciu internetu. Zero informacji na zewnątrz.
Trzecia: pełna kontrola. Model można dostosować pod siebie, dotrenować — choćby w technice LoRA — i nadać mu własny głos. Jeśli chcecie materiały o zaawansowanym lokalnym AI, o trenowaniu modeli i LoRA, dajcie znać w komentarzach — nagrywa się samo.
Nie wszystko musi mieć ROI
I najważniejsze, moim zdaniem. Za każdym razem, gdy mówię „wypróbuj to AI, wypróbuj tamto”, pierwszy komentarz pod spodem brzmi: „A jaki zwrot z inwestycji? Kiedy mi się to zwróci?”. Nie wszystko w życiu musi być ćwiczeniem z liczenia ROI. Nie musisz prowadzić arkusza, w którym każdy grosz ma się zwrócić do szóstego tygodnia, bo inaczej rezygnujesz. Wolno ci robić rzeczy dla samej przyjemności. A uruchomienie własnej, prywatnej inteligencji na własnym komputerze to wspaniała zabawa. Jeśli oglądasz ten kanał, należysz do FinnFam — a ja oficjalnie daję ci pozwolenie, żeby się bawić. Chcesz to zrobić i nie obchodzi cię ROI? Rób. Baw się dobrze.
Jest też wymierna korzyść edukacyjna. Uczysz się o najważniejszej technologii naszych czasów w najbardziej praktyczny sposób, jaki istnieje — własnymi rękami, na własnym sprzęcie. AI zostanie z nami na długo, moim zdaniem urośnie jeszcze o rzędy wielkości i prędzej czy później urządzi sobie światową gospodarkę. Warto to znać od podszewki, a to najlepszy możliwy trening.
Zakończenie
Dowiedziałeś się czegoś nowego? Zostaw łapkę w górę. Prowadzę najlepszy newsletter o AI na tej planecie — „Ship It Weekly”; link w opisie. Napiszcie też, co pokazać następnym razem: więcej lokalnego AI? Więcej Claude Code? Więcej budowania? Czekam na komentarze. Dziękuję, że wybieracie naukę ze mną — to dla mnie dużo znaczy. Do zobaczenia w kolejnym materiale.