Технический контекст
Я посмотрел на утекшие цифры по NVIDIA RTX Spark, он же N1X, и меня здесь зацепил не сам факт проигрыша Apple. Для тех, кто строит AI automation на локальных машинах, важнее другое: NVIDIA явно двигает Arm-платформу не как просто CPU для ноутбука, а как базу под гибридные AI-сценарии.
По утечке из Cinebench 2026 инженерный образец набрал около 540 в single-core и 5771 в multi-core. Apple M4 Pro 14-core в тех же сравнениях идет примерно на 661 и 6602. То есть по чистой CPU-вычислительной части картина для NVIDIA пока некрасивая.
Но я бы вообще не делал из этого финальный вердикт. Это не релизные цифры, а инженерный образец, и такие штуки я много раз видел в сыром состоянии: прошивка, лимиты питания, планировщик, охлаждение, драйверы, все это может сильно сдвинуть результат.
Еще один важный момент: утечка пришла не от NVIDIA, а из тестов предсерийного железа. Судя по обсуждениям, там мог быть скрытый performance-режим до 50W, плюс сам девайс был не референсом для рынка, а прототипом. Так что headline в стиле «NVIDIA проиграла Apple» слишком ленивый.
Я бы сформулировал иначе: если вам нужен CPU-first ноутбук под компиляцию, тяжелую многопоточность и просто максимальный perf per watt, Apple все еще выглядит сильнее. Если же смотреть на платформу как на основу для локальных агентов, inference и AI-пайплайнов, то сравнивать надо уже не только CPU.
Влияние на бизнес и автоматизацию
Для бизнеса тут ровно три вывода. Первый: при AI implementation на edge-устройствах нельзя покупать платформу по одному Cinebench. Если у вас RAG, vision, speech и локальный inference, GPU и AI-блоки могут оказаться важнее, чем минус 10-15% в CPU.
Второй: производителям Windows-ноутбуков наконец дают шанс собрать нормальную альтернативу Apple Silicon, но только если NVIDIA дотянет энергоэффективность и софт. Иначе железо будет выглядеть эффектно на слайдах, но не в реальной эксплуатации.
Третий: выигрывают команды, которые проектируют AI solutions for business под реальную нагрузку, а не под маркетинговые таблицы. Мы в Nahornyi AI Lab как раз на таких развилках и помогаем: считаем архитектуру, проверяем узкие места и решаем, где нужен локальный AI, а где дешевле и быстрее вынести все в облако.
Если у вас назрел выбор платформы под внутренние инструменты, copilots или автоматизацию процессов, можно не гадать по утечкам. Приходите с задачей, и мы с Nahornyi AI Lab спокойно разложим ее на архитектуру, железо и AI automation, чтобы вы не переплатили за красивый, но бесполезный стек.