MacBook Pro M1 24G AI学习环境搭建方案

1. 硬件评估：M1 24G能做什么

你的 MacBook Pro M1 24GB 是一台相当不错的AI学习设备。关键在于理解它的统一内存架构：CPU和GPU共享同一块24GB内存，没有独立显卡的"显存墙"问题，模型加载容量直接取决于内存大小^[1]。

2. 整体策略：三层环境架构

针对你的学习计划，我设计了三层环境架构，让你在不同阶段无缝切换：

flowchart TB
    subgraph L1["第一层：Mac本地环境（阶段1-8、13-15主力）"]
        A1["Python / Miniforge
编程基础 + 算法练习"]
        A2["PyTorch MPS
深度学习训练（GPU加速）"]
        A3["MLX Framework
Apple原生AI框架"]
        A4["Ollama
本地LLM推理（7B模型）"]
    end
    subgraph L2["第二层：Linux/Docker环境（阶段1,4,16）"]
        B1["OrbStack
Docker容器 + Linux VM"]
        B2["Ubuntu ARM64
Linux命令/Shell/部署练习"]
        B3["Docker实践
容器化、镜像构建、CI/CD"]
    end
    subgraph L3["第三层：云GPU环境（阶段9-12、16按需）"]
        C1["AutoDL
RTX 4090 / A100 按小时租"]
        C2["Google Colab
免费T4 GPU（学习用）"]
        C3["vLLM部署实践
需CUDA环境"]
    end

    L1 -->|"阶段9、11-12需大显存"| L3
    L1 -->|"阶段1,4,16需Linux"| L2
    L2 -->|"阶段16部署实践"| L3

3. 基础开发环境搭建

3.1 Homebrew -- macOS包管理器

# 安装 Homebrew
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

# 验证
brew --version

3.2 Miniforge -- Python环境管理（推荐）

在Apple Silicon上，强烈推荐Miniforge而非Anaconda。Miniforge默认使用conda-forge频道，对ARM架构支持最好^[2]。

# 下载 Apple Silicon 版本
brew install miniforge

# 初始化
conda init zsh
source ~/.zshrc

# 创建AI学习专用环境
conda create -n ai-learning python=3.11
conda activate ai-learning

# 验证 ARM 架构
python -c "import platform; print(platform.machine())"
# 输出 arm64 才正确

3.3 VS Code -- 主力IDE

# 安装
brew install --cask visual-studio-code

# 推荐扩展
code --install-extension ms-python.python
code --install-extension ms-toolsai.jupyter
code --install-extension github.copilot
code --install-extension ms-azuretools.vscode-docker
code --install-extension redhat.vscode-yaml

3.4 Git -- 版本控制

# macOS自带Git，升级到最新版
brew install git

# 配置
git config --global user.name "你的名字"
git config --global user.email "你的邮箱"
git config --global init.defaultBranch main

3.5 其他实用工具

4. Linux/Docker环境方案

4.1 OrbStack -- 首选方案（强烈推荐）

在M1 Mac上，OrbStack是Docker Desktop的最佳替代品。它专为Apple Silicon深度优化，资源占用极低^[3][4]。

# 安装 OrbStack
brew install orbstack

# 启动后直接使用 Docker 命令（完全兼容）
docker --version
docker run -d -p 8080:80 --name mynginx nginx

# 创建 Linux VM（额外功能）
orb create ubuntu:24.04 my-linux
orb enter my-linux  # 进入Linux环境

# 在Linux VM中，你可以像真实Linux服务器一样操作
apt update && apt install -y python3 python3-pip vim git

4.2 UTM -- 备选方案（免费）

如果需要更完整的Linux桌面环境（如练习GUI工具），可以用UTM创建ARM版Ubuntu虚拟机^[5]。

# 安装 UTM
brew install --cask utm

# 下载 Ubuntu 24.04 ARM64 ISO
# https://cdimage.ubuntu.com/releases/24.04/release/ubuntu-24.04-desktop-arm64.iso

# UTM中新建虚拟机：
# - 类型：Virtualize（原生ARM虚拟化，性能好）
# - 系统：ARM64 (aarch64)
# - 内存：分配 8GB
# - CPU：4核
# - 磁盘：40GB

4.3 方案对比

5. AI本地训练环境

5.1 PyTorch + MPS后端 -- 深度学习主力

PyTorch从v1.12开始原生支持Apple Silicon的MPS（Metal Performance Shaders）后端，可调用M1的GPU进行加速训练^[6][7]。你可以把MPS理解为"苹果版的CUDA"。

# 在 ai-learning 环境中安装
conda activate ai-learning
pip install torch torchvision torchaudio

# 验证 MPS 是否可用
python -c "
import torch
print(f'PyTorch版本: {torch.__version__}')
print(f'MPS可用: {torch.backends.mps.is_available()}')
print(f'MPS已构建: {torch.backends.mps.is_built()}')
"

# 在代码中使用 MPS（和CUDA写法几乎一样）
import torch

device = torch.device("mps" if torch.backends.mps.is_available() else "cpu")
print(f"使用设备: {device}")

# 模型搬到GPU
model = MyModel().to(device)

# 数据搬到GPU
data, target = data.to(device), target.to(device)

# 正常训练
output = model(data)
loss = criterion(output, target)
loss.backward()
optimizer.step()

5.2 MLX Framework -- Apple原生AI框架

MLX是Apple专门为Apple Silicon设计的机器学习框架，支持LLM推理和微调^[8][9]。在M1 Mac上，MLX可以完成QLoRA微调7B模型，这是你阶段9的重要工具。

# 安装 MLX
pip install mlx
pip install mlx-lm  # LLM训练和推理

# 本地运行 7B 模型
python -c "
from mlx_lm import load, generate

model, tokenizer = load("mlx-community/Qwen2.5-7B-Instruct-4bit")
response = generate(model, tokenizer, prompt="解释Transformer架构", max_tokens=500)
print(response)"

# MLX LoRA 微调（阶段9实践）
# 使用 mlx-lm 的 LoRA 训练
python -m mlx_lm.lora \
    --model mlx-community/Qwen2.5-7B-Instruct-4bit \
    --data ./data/ \
    --iters 500 \
    --batch-size 2 \
    --lora-layers 16

5.3 Ollama -- 本地LLM一键运行

Ollama让你像Docker拉取镜像一样简单地在本地运行大模型^[10][11]。在M1 24GB上，7B量化模型运行流畅。

# 安装
brew install ollama

# 启动服务
ollama serve

# 拉取并运行模型（第一次会自动下载）
ollama run qwen2.5:7b          # 通义千问7B（推荐，中文好）
ollama run llama3.2:3b          # Llama 3.2 3B（更轻量）
ollama run nomic-embed-text     # Embedding模型（RAG用）

# 查看已安装模型
ollama list

# 通过API调用（阶段13-14开发用）
curl http://localhost:11434/api/chat -d '{
  "model": "qwen2.5:7b",
  "messages": [{"role": "user", "content": "什么是RAG?"}]
}'

docker run -d -p 3000:8080 \
  --add-host=host.docker.internal:host-gateway \
  -v open-webui:/app/backend/data \
  --name open-webui \
  ghcr.io/open-webui/open-webui:main

5.4 Jupyter Notebook -- 交互式学习

# 安装
pip install jupyter jupyterlab notebook

# 启动
jupyter lab

# 或在 VS Code 中直接使用 .ipynb 文件（推荐）

5.5 完整AI环境一键安装

# 激活环境
conda activate ai-learning

# 核心AI库
pip install torch torchvision torchaudio    # PyTorch + MPS
pip install mlx mlx-lm                       # Apple MLX
pip install transformers datasets accelerate # HuggingFace生态
pip install langchain langchain-community    # LLM应用开发
pip install langgraph                        # Agent开发
pip install chromadb                         # 向量数据库
pip install fastapi uvicorn                  # API服务
pip install jupyter jupyterlab               # 交互式notebook
pip install numpy pandas matplotlib seaborn  # 数据科学
pip install scikit-learn                     # 机器学习
pip install peft trl                         # 微调工具（阶段9）

6. 云GPU方案（阶段9-12、16按需使用）

M1 Mac 不支持 CUDA，而阶段 9（后训练/微调）的全参训练、阶段 11–12（多模态/世界模型）的大规模训练，以及阶段 16（部署）的 vLLM 推理都需要 NVIDIA GPU。这时需要按需租用云GPU^[12][13]。

6.1 平台对比

6.2 AutoDL 实操指南（推荐）

# 1. 注册：访问 autodl.com，充值50元即可开始

# 2. 选择实例
#    - QLoRA微调7B -> RTX 4090（约2.5元/时）
#    - 全参微调7B  -> 4xA100 80GB（约40元/时）
#    - vLLM部署    -> RTX 4090 或 A100

# 3. 环境配置（AutoDL预装PyTorch镜像）
pip install llama-factory flash-attn
pip install vllm  # 阶段16部署用

# 4. 数据传输
scp -P 端口号 ./data/ root@region.autodl.com:/root/data/

# 5. 省钱技巧
#    - 凌晨训练更便宜
#    - 训练完立即关机
#    - 无卡模式调试（0.1元/时）
#    - CPU实例做数据预处理

6.3 何时用本地 vs 云GPU

7. 分阶段环境配置映射

以下是 17 个学习阶段与环境的完整映射关系（2026 前沿版 v4.0）：