Mac Mini M4 跑 AI 模型全攻略：从 Ollama 到 Stable Diffusion 的保姆级配置指南

优质文章学习记录

— 4 min read

Mac Mini M4 本地AI模型实战：从零构建你的个人智能工作站

最近身边不少朋友都在讨论，能不能用一台小巧的Mac Mini M4，搭建一个属于自己的AI开发环境。毕竟，不是每个人都有预算去租用云端的高性能GPU，也不是所有项目都适合把数据传到云端处理。我折腾了大概两周，从Ollama到Stable Diffusion，把整个流程走了一遍，发现M4芯片的潜力远超预期。这篇文章，就是把我踩过的坑、验证过的有效配置，以及一些提升效率的小技巧，毫无保留地分享给你。无论你是想本地运行大语言模型进行对话和创作，还是想离线生成高质量的AI图像，这篇指南都能帮你把Mac Mini M4变成一个得力的AI伙伴。

1. 环境准备与基础配置

在开始安装任何AI工具之前，确保你的系统环境是干净且高效的，这能避免后续无数莫名其妙的依赖冲突。Mac Mini M4出厂预装的是较新的macOS版本，但这还不够。

首先，打开“系统设置” -> “通用” -> “软件更新”，确保你的macOS已经更新到可用的最新版本。苹果对Metal图形API和神经网络引擎的优化通常会随着系统更新而提升，这对于后续运行Stable Diffusion这类需要图形加速的模型至关重要。

接下来是包管理工具Homebrew。你可以把它理解为macOS上的“应用商店命令行版”，绝大多数开发工具都能通过它一键安装。打开终端（Terminal），输入以下命令来安装或更新Homebrew：

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

安装完成后，建议运行一下更新，确保brew本身和它的核心库是最新的：

brew update && brew upgrade
提示：如果你的网络环境导致从GitHub拉取代码缓慢，可以尝试更换Homebrew的源。不过，对于后续从Hugging Face等平台下载模型权重，网络速度可能仍是主要瓶颈，可以考虑在夜间进行大型文件下载。

Python环境是AI世界的基石。虽然系统自带了Python 3，但为了隔离项目依赖，强烈建议使用虚拟环境。我推荐使用conda或miniconda来管理Python环境，因为它能更好地处理非Python的二进制依赖（比如某些C++编译的库）。通过Homebrew安装Miniconda：

brew install --cask miniconda

安装后，关闭并重新打开终端，然后创建一个专用于AI项目的环境，比如命名为ai_m4，并指定Python版本为3.10（这是一个在兼容性和新特性之间比较平衡的版本）：

conda create -n ai_m4 python=3.10 -y conda activate ai_m4

看到命令行提示符前面出现(ai_m4)，就说明你已经在这个虚拟环境里了。之后所有pip安装的包，都只会影响这个环境，不会搞乱系统或其他项目。

2. 大语言模型引擎：Ollama的部署与精调

Ollama的出现，极大地简化了在本地运行大型语言模型的过程。它就像一个模型容器，帮你处理好了模型加载、对话上下文管理这些繁琐的事情。在M4芯片的Mac Mini上安装Ollama非常简单。

如果你的系统是macOS，可以直接从Ollama官网下载.dmg安装包进行图形化安装，这对于新手来说最友好。但对于喜欢命令行控制一切的朋友，依然可以通过Homebrew安装：

brew install ollama

安装完成后，不需要复杂的配置，直接在终端启动Ollama服务：

ollama serve

服务会在后台运行。此时，打开另一个终端窗口，你就可以拉取并运行模型了。Ollama支持众多模型，从轻量级的到超大规模的都有。对于Mac Mini M4（我们假设是8GB或16GB统一内存的版本），起步可以从7B参数量的模型开始。例如，拉取并运行Mistral 7B模型：

ollama run mistral

第一次运行会先下载模型文件，之后就会进入一个交互式对话界面。你可以直接输入问题，比如“用Python写一个快速排序函数”。模型会开始生成回答。要退出对话，输入/bye。

但Ollama的能力远不止于此。你可以创建自定义的模型文件（M

Read more

5步实现ESP32无人机合规识别：ArduRemoteID开源方案详解

5步实现ESP32无人机合规识别：ArduRemoteID开源方案详解 【免费下载链接】ArduRemoteIDRemoteID support using OpenDroneID 项目地址: https://gitcode.com/gh_mirrors/ar/ArduRemoteID 面临FAA无人机识别法规的合规难题？ArduRemoteID为您提供完整的开源无人机识别解决方案。这个基于ESP32芯片的开源项目，通过实现MAVLink和DroneCAN协议的OpenDroneID发射器，帮助无人机爱好者轻松满足RemoteID法规要求。 硬件选择与连接指南 ArduRemoteID支持ESP32-S3和ESP32-C3两种主流芯片，兼容7种开发板。推荐使用ESP32-S3开发板，其引脚配置如下： * UART TX引脚：18 * UART RX引脚：17 * CAN TX引脚：47 * CAN RX引脚：38 通过USB连接到标有"UART"的端口用于MAVLink通信和调试，或通过UART连接到飞行控制器的RX(17)/TX(18)/GND引脚。CAN连
Ubuntu搭建PX4无人机仿真环境(5) —— 仿真环境搭建(以Ubuntu 22.04,ROS2 Humble,Micro XRCE-DDS Agent为例)

Ubuntu搭建PX4无人机仿真环境(5) —— 仿真环境搭建(以Ubuntu 22.04,ROS2 Humble,Micro XRCE-DDS Agent为例)

目录 * 前言 * 1. 准备 * 1.1 下载 PX4 源码 * 方式一： * 方式二： * 1.2 安装仿真依赖 * 1.3 安装 Gazebo * 2. 安装 Micro XRCE-DDS Agent * 3. 编译 PX4 * 4. 通信测试 * 5. 官方 offboard 程序 * 6. offboard 测试 * 参考 前言 本教程基于 ROS2 ，在搭建之前，需要把 ROS2、QGC 等基础环境安装配置完成。但是这块的资料相比较于 ROS1 下的少很多，不利于快速上手和后期开发，小白慎选！ 小白必看：

通俗解释液位传感器在智能家居灌溉系统中的使用

液位传感器如何让家里的花草“自动喝水”？——一次讲透智能灌溉背后的硬核细节 你有没有过这样的经历：出差一周回家，阳台上心爱的绿植已经蔫头耷脑，只因为没人浇水？或者明明记得浇了水，却发现水箱早就空了，水泵还在干转，发出刺耳的噪音？ 这些问题，在传统人工养护模式下几乎无解。但今天，借助一个不起眼的小器件—— 液位传感器 ，我们完全可以构建一套能“自己看水、自己报警、甚至自己加水”的智能灌溉系统。 这听起来像是高科技实验室的产物，其实它早已悄然走进千家万户。接下来，我们就用最接地气的方式，带你一步步揭开它的神秘面纱。 为什么智能灌溉不能没有液位传感器？ 很多人以为，智能灌溉就是“定时浇水”。比如每天早上8点，水泵自动开5分钟。听起来很智能，实则漏洞百出： * 如果水箱没水了怎么办？泵会一直空转，烧坏电机； * 如果上次没用完水，这次又补上一整箱，容易溢出浪费； * 外出时无法查看状态，只能靠猜。 真正的智能，不是按时间做事，而是 根据实际情况做决策 。而要做到这一点，系统必须先“看得见”水在哪里。
论文阅读笔记（一）：《深度学习在自主导航中的应用与方法最新进展：全面综述》

论文阅读笔记（一）：《深度学习在自主导航中的应用与方法最新进展：全面综述》

最近想要学习一下关于AI的知识，准备读一个综述《RECENT ADVANCEMENTS IN DEEP LEARNING APPLICATIONS AND METHODS FOR AUTONOMOUS NAVIGATION: A COMPREHENSIVE REVIEW》，并将学习内容记录在此，本笔记主要内容为记录并梳理文献中介绍的基础神经元网络部分，欢迎大家讨论并批评指正。 Artiffcial Neuron（人工神经元） 文献中提到，人工神经元是一个数学函数，用于模拟生物神经元的行为。它接收一个输入信号x，这个信号被一个权重w加权，并加上一个偏置b，然后通过一个激活函数 f来产生输出信号y。 上图展示了一个神经元的结构：它有多个输入，对应多个权重 。这些加权输入在传输函数（通常是求和函数Σ）中合并，然后通过激活函数ϕ产生最终的输出Y 神经网络就是将这些单个的神经元以不同的方式连接起来组成的层级结构（例如，一个神经元的输出可以作为另一个神经元的输入）。通过调整神经元之间的连接权重，神经网络可以学习并模拟复杂的非线性关系，从而实现模式识别、决策等功能，是深度学习的基础。