🇨🇳cnBeta (Full RSS)•較早收集於 13h
Apple M4 神經引擎限制被逆向工程解鎖
![Apple M4 神經引擎限制被逆向工程解鎖](https://platform.twitter.com/embed/Tweet.html?creatorScreenName=omarsohail90&dnt=true&embedId=twitter-widget-0&features=eyJ0ZndfdGltZWxpbmVfbGlzdCI6eyJidWNrZXQiOltdLCJ2ZXJzaW9uIjpudWxsfSwidGZ3X2ZvbGxvd2VyX2NvdW50X3N1bnNldCI6eyJidWNrZXQiOnRydWUsInZlcnNpb24iOm51bGx9LCJ0ZndfdHdlZXRfZWRpdF9iYWNrZW5kIjp7ImJ1Y2tldCI6Im9uIiwidmVyc2lvbiI6bnVsbH0sInRmd19yZWZzcmNfc2Vzc2lvbiI6eyJidWNrZXQiOiJvbiIsInZlcnNpb24iOm51bGx9LCJ0ZndfZm9zbnJfc29mdF9pbnRlcnZlbnRpb25zX2VuYWJsZWQiOnsiYnVja2V0Ijoib24iLCJ2ZXJzaW9uIjpudWxsfSwidGZ3X21peGVkX21lZGlhXzE1ODk3Ijp7ImJ1Y2tldCI6InRyZWF0bWVudCIsInZlcnNpb24iOm51bGx9LCJ0ZndfZXhwZXJpbWVudHNfY29va2llX2V4cGlyYXRpb24iOnsiYnVja2V0IjoxMjA5NjAwLCJ2ZXJzaW9uIjpudWxsfSwidGZ3X3Nob3dfYmlyZHdhdGNoX3Bpdm90c19lbmFibGVkIjp7ImJ1Y2tldCI6Im9uIiwidmVyc2lvbiI6bnVsbH0sInRmd19kdXBsaWNhdGVfc2NyaWJlc190b19zZXR0aW5ncyI6eyJidWNrZXQiOiJvbiIsInZlcnNpb24iOm51bGx9LCJ0ZndfdXNlX3Byb2ZpbGVfaW1hZ2Vfc2hhcGVfZW5hYmxlZCI6eyJidWNrZXQiOiJvbiIsInZlcnNpb24iOm51bGx9LCJ0ZndfdmlkZW9faGxzX2R5bmFtaWNfbWFuaWZlc3RzXzE1MDgyIjp7ImJ1Y2tldCI6InRydWVfYml0cmF0ZSIsInZlcnNpb24iOm51bGx9LCJ0ZndfbGVnYWN5X3RpbWVsaW5lX3N1bnNldCI6eyJidWNrZXQiOnRydWUsInZlcnNpb24iOm51bGx9LCJ0ZndfdHdlZXRfZWRpdF9mcm9udGVuZCI6eyJidWNrZXQiOiJvbiIsInZlcnNpb24iOm51bGx9fQ%3D%3D&frame=false&hideCard=false&hideThread=false&id=2066629930889474333&lang=en&origin=https%3A%2F%2Fwccftech.com%2Fapple-m4-software-restrictions-bypassed-unlocking-15-8tfops-of-ai-power%2F&sessionId=ea30f4e8f6239b07ac0c484888655b2e1600c81c&siteScreenName=wccftech&theme=light&widgetsVersion=6a3ad42b224df%3A1778106238597&width=500px" data-tweet-id="2066629930889474333" style="box-sizing: border-box;border-width: 0px;border-style: none;position: static;visibility: visible;width: 500px;height: 943px;display: block;flex-grow: 1"></iframe></p><p>相关人员在 GitHub 上公开了代码，并在 X 平台分享了演示结果，称其做法是直接在 M4 的 ANE 上执行完整反向传播和 Transformer 训练 。为了避免训练过程卡死后中断，方案中还使用了 exec() 机制在需要时“重启”进程继续训练 。</p><p>报道进一步称，这一过程完全没有写入 NAND 闪存，而是把数据和状态都保留在 RAM 中，从而显著提升速度 。在绕开软件限制后，M4 在 iPad 或 Mac 上可达到约 15.8TFLOPS 的 AI 处理性能，足以进行模型训练，而无需依赖昂贵的独立电脑或高端 NVIDIA GPU 。</p><p><img src="https://static.cnbetacdn.com/article/2026/0616/9d8ceec3c3fd536.jpg)
💡繞過 Apple 的軟體限制，解鎖 M4 晶片高達 15.8 TFLOPS 的 AI 算力。
⚡ 30-Second TL;DR
有什麼變化
成功繞過 Apple 的軟體鎖定神經引擎。
為什麼重要
這一突破使開發者能夠在不使用 Apple 專有軟體堆疊的情況下，直接在 M4 硬體上運行高性能 AI 模型。這為 Mac 設備上的本地 LLM 推理和邊緣計算開闢了新可能。
下一步行動
探索該自定義 MIL 實現，以測試您的 M4 Mac 硬體上的本地模型推理性能。
誰應關注：Developers & AI Engineers
關鍵要點
- •成功繞過 Apple 的軟體鎖定神經引擎。
- •實現了 15.8 TFLOPS 的原始 AI 計算性能。
- •開發了自定義 MIL 以繞過 CoreML 和 Metal 的依賴。
🧠 深度解析
背景與延伸：來自公開資料，非原文內容。引用 35 個來源。
🔑 增強重點摘要
- •此次解鎖特別使 M4 晶片的神經網路引擎能夠進行 AI 模型訓練，包括完整的正向傳播和反向傳播，這與蘋果官方原先僅開放推理使用的限制形成對比。
- •所實現的 15.8 TFLOPS 算力是在 FP16 精度下測得，這與蘋果官方宣稱的 38 TOPS (INT8) 存在精度差異，且 M4 ANE 的底層架構主要針對卷積運算進行優化，而非通用矩陣乘法。
- •該實作方案將所有資料和狀態保留在 RAM 中運行，以避免 NAND 快閃記憶體寫入速度較慢的瓶頸，並採用了
exec()機制，在訓練過程卡住時能重新啟動進程以繼續訓練。 - •開發者已將相關程式碼開源至 GitHub，為社群提供了直接與 M4 硬體底層互動的技術參考。
- •M4 神經網路引擎在訓練單層 Transformer 模型時展現出高效能功耗比，能效比高達 6.6 TFLOPS/W，且功耗低於 1 瓦。
📊 競品分析▸ Show
| 晶片/平台 | AI 算力 (NPU) | 備註 |
|---|---|---|
| Apple M4 | 38 TOPS (INT8, 官方) / 15.8 TFLOPS (FP16, 解鎖) | 官方主要用於推理，解鎖後可進行訓練。 |
| Qualcomm Snapdragon X Elite | 45 TOPS (NPU, INT4/INT8) | 總平台 AI 算力可達 70 TOPS。 |
| Intel Lunar Lake | 48 TOPS (NPU, INT8) | 總平台 AI 算力超過 100 TOPS (CPU+GPU+NPU)。 |
| NVIDIA Jetson AGX Orin | 高達 275 TOPS (INT8) | 針對邊緣 AI 和機器人應用。 |
| NVIDIA Jetson Orin Nano Super | 100 TOPS (INT8) | 針對入門級邊緣 AI 應用。 |
🛠️ 技術深入
- 該實作方案透過從零開發的自定義 Model Intermediate Language (MIL) 直接與 M4 晶片硬體通信，繞過了蘋果的 CoreML 和 Metal API 依賴。
- 為了提高速度和穩定性，所有資料和狀態在訓練過程中都保留在 RAM 中，避免了對速度較慢的 NAND 快閃記憶體的寫入操作。
- 方案中包含一個
exec()機制，用於在訓練進程卡住時重新啟動，確保訓練的連續性。 - M4 神經網路引擎的底層架構主要針對卷積運算進行優化，而非通用的矩陣乘法單元，這意味著它在處理 Transformer 注意力機制等特定 AI 任務時表現出色，但在其他場景可能受限。
- M4 ANE 內建約 32MB 的片上 SRAM，需要透過計算圖編譯（16-64 個操作鏈）才能達到約 94% 的硬體利用率。
- 該技術已透過 GitHub 開源，允許其他開發者檢視和利用其底層實現。
🔮 前景展望AI analysis grounded in cited sources
開發者將獲得更大的裝置端 AI 訓練自由度。
繞過蘋果的軟體限制，使開發者能夠直接利用 M4 晶片的全部 AI 訓練能力，從而促進新的本地 AI 應用程式開發和創新。
蘋果可能面臨壓力，需官方開放更多 NPU 功能。
此次成功解鎖證明了硬體潛在的訓練能力，這可能會促使蘋果在未來的 M 系列晶片（如 M5）或 CoreML 更新中提供更靈活的官方 API。
AI 模型訓練將變得更加普及和易於存取。
在 iPad 或 Mac 等消費級裝置上實現 15.8 TFLOPS 的 AI 訓練能力，降低了對昂貴專用電腦或高階 NVIDIA GPU 的依賴，使 AI 開發更加平民化。
⏳ 時間線
2017-09
Apple A11 Bionic 晶片首次引入神經網路引擎 (Neural Engine)。
2020-11
Apple M1 晶片發布，將神經網路引擎帶入 Mac 產品線。
2022-06
Apple M2 晶片發布，其神經網路引擎提供 15.8 TOPS (INT8) 算力。
2024-05-07
Apple M4 晶片正式發表，其神經網路引擎宣稱可達 38 TOPS (INT8) 算力。
2024-10-30
Apple M4 Pro 和 M4 Max 晶片發布。
2026-03
開發者（如 Manjeet Singh）初步成功逆向工程 M4 ANE，首次在 Mac 裝置上實現本地 AI 模型訓練。
2026-06-16
新聞報導開發者（如 @0x0SojalSec）成功繞過 Apple M4 神經引擎軟體限制，解鎖 15.8 TFLOPS 的 AI 訓練算力，並公開自定義 MIL 方案。
📎 來源 (35)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
- cnbeta.com.tw
- aixq.cc
- pconline.com.cn
- smzdm.com
- c114.net.cn
- sina.cn
- wxydoors.com
- apple.com.cn
- apple.com
- apple.com
- wccftech.com
- tomshardware.com
- notebookcheck.net
- hothardware.com
- techpowerup.com
- tomshardware.com
- cnet.com
- techradar.com
- wikipedia.org
- wccftech.com
- leadtek.com.cn
- nvidia.cn
- csdn.net
- premioinc.com
- makerpro.cc
- jctechspace.com
- wikipedia.org
- unifuncs.com
- apple.com
- wikipedia.org
- apple.com
- wikipedia.org
- apple.com
- 163.com
- sina.cn
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： cnBeta (Full RSS) ↗
每週 AI 簡報
每週一封，可隨時退訂。