[引子] 在华强北跑了半年客户机器，我把两台 Air 都用出了包浆
作为长期在华强北跑客户机器的博主，我自己手上两台 Air 同时在用——一台 M2 主力出差，一台 M3 拿来给客户做演示。这半年里，M2 跟着我飞了四趟差、进了十几家客户机房，M3 则被塞在咖啡厅、会议室、共享办公空间之间来回折腾。最直观的感受是：账面数据几乎一模一样，但只要你真的把它装进背包、端在手上、连续开会三小时，就能感受到 M2 和 M3 之间那些藏在细节里的差距。这篇文章不讲跑分天花乱坠，只讲三个问题：到底轻不轻、接口够不够、CUDA 不能用时怎么救。同时也会顺便聊聊续航、AI 算力调度、扩展坞搭配这些实战场景。
一、轻薄便携：账面数字差不多，体感差异在哪儿
1.1 三围账面数据
M2 Air 和 M3 Air 的官方三围几乎一模一样：厚度 11.3mm，重量 1.24kg，13.6 英寸 Liquid 视网膜屏，2560×1664 分辨率。理论上你闭着眼睛摸，分不出谁是谁。两者都通过铝合金属 Unibody 一体成型工艺制造，外观 ID 设计语言完全一致，仅在芯片标识和底部散热开孔细节上有微小差异。
1.2 实际体感差异
但我自己背了半年，确实能感觉到 M3 在几个细节上比 M2 顺一点：
- 铰链手感更顺：单手开合不晃，M2 偶尔会”咯噔”一下有个小顿挫。M3 在不同角度下都更顺滑一点，这种差别用久了才有感觉。
- 屏幕最大开合角度稍微大一些：咖啡厅那种矮桌、低视角的场合，M3 抬得更高一些，对脖子友好。
- 散热出风口位置没变，但 M3 长时间视频会议时机身表面温度确实低一点（纯主观感受，没用仪器测过）。这大概率是 3nm 工艺带来的能效比红利。
- 键盘手感略有不同：M3 反馈稍微脆一点点，长时间码字疲劳感低一些。官方没公布键程具体差异，只是我自己敲下来有主观感受。
1.3 选购建议
说白了，如果你只是通勤地铁+会议室两点一线，M2 完全够用，差价省下来买个好点的内胆包更实在。但如果你经常单手端着笔记本给客户看方案，M3 的铰链和温控会让你舒服不少。另外 M3 起步就是 16GB 内存，这对现版本 macOS 的多任务调度更友好，同时跑 IDE、Chrome、Zoom 不容易触发 swap。
二、接口够用吗：两个 USB-C + 一个 MagSafe，2026 年还够不够
2.1 接口规格对比
| 接口 | M2 Air | M3 Air |
|---|---|---|
| USB-C（USB 4 / 雷雳） | 2 个 | 2 个 |
| MagSafe 充电 | 有 | 有 |
| 3.5mm 耳机 | 有 | 有 |
| HDMI / SD / USB-A | 无 | 无 |
| 外接显示器上限 | 1 台 6K@60Hz | 2 台 6K@60Hz（合盖状态） |
老实讲，接口是 Air 系列的老大难。两个 USB-C 意味着你插一个充电器就只剩一个口，外接显示器基本就堵死了。M3 这代最大的进步是支持合盖状态下外接两台 6K 显示器，这对多屏党是个实打实的福利。
2.2 三套实战方案
我的解决方案实测过三套：
- 贝尔金七合一扩展坞：HDMI + SD + 3×USB-A + PD，摆在工位固定用，300 出头。缺点是发热较大，建议搭配散热底座。
- 安克 Nano 65W 氮化镓：出差带这个+原装线，体积比苹果原充小一圈。65W 充电半小时能从 0% 到 50% 左右。
- 无线键鼠优先：能蓝牙就蓝牙，省出 USB-C 给 U 盘或外接硬盘。蓝牙键鼠功耗都还 OK，几乎不影响续航。
2.3 显示器外接实测
外接 4K 显示器两家都能跑，但 M3 因为带宽调度稍好一些，多接一个 USB-C 外设时整体掉速没那么夸张。预算紧选 M2 单屏够用；要接多屏直接上 M3 合盖模式。
三、CUDA 不可用处理：这是重点中的重点
很多人买 Air 做机器学习，结果一跑 PyTorch 直接报错：
RuntimeError: Found no NVIDIA driver on your system.不是你的问题，是 Apple Silicon 压根没有 CUDA。Apple 自家的 MLX 框架和 PyTorch 的 MPS 后端才是出路。下面这套流程我自己帮客户跑通过不下十次：
3.1 步骤 1：确认 PyTorch 支持 MPS
python -c "import torch; print(torch.backends.mps.is_available())"返回 True 即可。PyTorch 1.12 之后的版本官方支持 MPS，建议直接装 2.x 最新稳定版。我目前在客户机器上统一装的是 PyTorch 最新稳定版 + Python 3.11 这个组合，整体稳定性最好。
3.2 步骤 2：代码里替换 device
把：
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")改成：
device = torch.device("mps" if torch.backends.mps.is_available() else "cpu")如果模型里写死了 .cuda()，可以全局搜索替换，或者加一个 monkey patch：
import torch
torch.Tensor.cuda = lambda self, *args, kwargs: self.to('mps')3.3 步骤 3：常见报错及解决方案
- NumPy 操作没加速：正常，MPS 暂不支持部分 NumPy 算子，回退到 CPU 即可。
Cannot convert a MPS Tensor to a float64 Device错误：强制.float()转 32 位。MPS backend out of memory：MPS 默认会占用系统大量显存，需要手动设置torch.mps.set_per_process_memory_fraction(0.5)之类参数做限制。- TensorFlow：较新版 TF 通过
tf.config.list_physical_devices('GPU')能识别到 Apple GPU，但算子覆盖比 PyTorch 差，复杂模型容易踩坑。
3.4 步骤 4：CUDA 生态实在绕不开
比如某些老论文的代码硬编码 cuda()，或者要跑 Stable Diffusion 的某些插件。这时候我的建议是：
- 小模型直接上云（AutoDL、恒源云、阿里云 PAI），按小时计费，单卡 A100 大概十几块一小时，跑完关掉不心疼。
- 本地硬跑就转战 Mac mini M2/M3 Pro，散热和持续性能比 Air 好太多。同样芯片下，Mac mini 持续性能释放比 Air 高一截，长时间任务不容易撞温度墙。
- 彻底需要 CUDA，老老实实搞一台二手 RTX 3060 / 4060 主机，四五千块能搞定，性能碾压 M3 的 GPU 算力。
3.5 进阶方案：MLX 框架
除了 PyTorch MPS，Apple 在 2023 年底推出了专为 Apple Silicon 设计的 MLX 框架，对于 M3 Air 用户来说是个更好的选择。MLX 支持统一内存架构（UMA），CPU 和 GPU 可以直接共享内存，避免了数据拷贝开销。安装命令：
pip install mlx简单示例：
import mlx.core as mx
a = mx.random.normal((1024, 1024))
b = mx.random.normal((1024, 1024))
c = a @ b # GPU 加速的矩阵乘法MLX 在 LLaMA、Mistral 等大模型推理上表现尤其出色，配合 M3 Air 的 16GB 统一内存，可以本地跑 7B 参数模型。
四、续航实测对比
4.1 续航数据
| 场景 | M2 Air | M3 Air |
|---|---|---|
| 网页+文档，亮度 60% | 约 13h | 约 14h |
| 视频会议（1080p） | 约 8h | 约 9h |
| 本地编译 PyTorch 简单模型 | 约 5h | 约 5.5h |
| 本地视频播放（1080p） | 约 17h | 约 18h |
| 待机（合盖过夜掉电） | 约 2% | 约 1% |
4.2 续航差异分析
差距不大，M3 的 3nm 工艺主要省电在视频解码和待机唤醒上。如果你经常飞长途，这 1–1.5 小时够你多看两部电影。
五、性能差异：除了跑分还有这些
5.1 CPU 性能
M3 相比 M2，CPU 单核性能提升约 15-20%，多核性能提升类似幅度。在 Xcode 编译、Final Cut Pro 视频导出等场景下，M3 大约能省 15-20% 的时间。
5.2 GPU 性能
GPU 部分是 M3 升级的重点：同样 8 核 GPU 配置下，M3 相比 M2 性能提升约 20-25%。如果选配 10 核 GPU 版本，差距会更大。更重要的是 M3 加入了硬件级光线追踪和网格着色支持，这对未来的游戏和 3D 应用是个利好。
5.3 AI 算力
Neural Engine 部分，M3 算力从 M2 的 15.8 TOPS 提升到 18 TOPS，提升约 14%。这个提升对于 macOS 里的”实时语音转录”、”智能抠像”、”照片主体识别”等功能有明显加速效果。
5.4 内存带宽
M2 和 M3 基础款 Air 的内存带宽都是 100GB/s，这点上 M3 没有明显升级。统一内存架构的优势主要在 CPU/GPU 可以共享同一块内存，避免数据拷贝。跑大模型推理时，真正的瓶颈通常是显存容量而不是带宽。
六、结论：买谁？
6.1 选购决策树
- 选 M2 Air：预算敏感（5000 元以内二手价格），主要办公+轻度学习，对铰链、温控无感，省下的钱买外设。M2 Air 在 2026 年依然是一台非常能打的轻薄本，性价比突出。
- 选 M3 Air：常出差+演示，铰链手感值回票价，未来想跑更大的模型（16GB 起步版本选 M3 更保值）。M3 Air 是目前科技数码圈公认的 macOS 轻薄本甜品级选择。
- 别买 Air 跑 CUDA：这是铁律。ML 训练请上云或换 Win/Linux 机器，Air 的定位是”能跑得动小模型”而不是”训练基地”。如果你主力是 AI 训练，Pro 系列或者直接上 NVIDIA 平台才是正确路径。
6.2 一句话总结
说真的，这两台机器我都满意，但永远别指望 Air 干 Pro 的活。定位不同，踩准需求才能拿捏住。M2 Air 适合追求性价比的实用派，M3 Air 适合追求新特性、长续航、未来兼容性的科技数码爱好者。
你手上用 Air 跑模型踩过什么坑？或者有更便宜的扩展坞方案？评论区聊聊，我下期挑高频问题出实测。
如需选购适合的笔记本电脑，可参考 Thinkpad深圳报价。