Astra 讓 Mac Mini 又要二轉了——Computer Use 把數位員工從 CLI 升級到 Desktop
我的 Mac Mini + OpenClaw 跑 agent 自動化已經半年了。
Wiki 每小時同步 GitHub、早上七點 Telegram 推 daily briefing、行事曆每小時掃一次、晚上九點整理會議紀錄。全是 CLI 指令和 API call，跑得很穩。
每個月我都會想加新任務。每個月都撞到同一面牆：那個任務需要 GUI。
幫我到某個網站後台填表單。幫我開 Keynote 改幾頁簡報。幫我到一個只有 web 介面的 SaaS 工具裡匯出報表。幫我在瀏覽器裡跑一套需要登入、點選、等待、再點選的流程。
CLI 有些時候做不了。API 很多時候根本不存在。
之前是用一些 computer use 的 model 來做，效果普通。然後 Astra 帶著新一代的 computer use 來了。
Astra 的 computer use：社群怎麼說
Sam Altman 的說法是「human parity at computer use」。Benchmark 數字確實震撼——Mind2Web 速度快了 1.9 倍，ExploitBench 100%（雖然獨立複製還沒到）。
但 benchmark 歸 benchmark，我更在意的是真的拿來用的人怎麼說。
Allie K. Miller 測完之後的結論：「pretty much any stable workflow done on a computer can be at least partially done by AI。」她直接問讀者：你能不能挑戰自己一整天不碰滑鼠？
Machina 實際拿來工作後說：「stupidly good at using the computer, this will open up insane workflows。」
最打動我的是 rohit 的貼文。他說本來這週要請一個實習生，把工作清單列好了。結果全丟給 Astra 的 computer use，幾乎全部完成。唯一卡的地方是登入驗證。
這不是 benchmark 數字，是有人真的省下了一個人力。
為什麼 Astra 的 Computer Use 這一代進步這麼多
Astra 這一代真正明顯的進步，不是在一般的 browser use，而是在 computer use。
以 OpenAI 公開的 OSWorld 2.0 為例，GPT-5.6 Sol 的分數是 65.7%，Astra 提升到 72.6%，增加 6.9 個百分點。代表 Computer Use 這個場景下有 73% 的成功率。更重要的是，模擬任務平均時間從約 75 分鐘降到 40 分鐘，快了接近一倍。搭配新版 Codex harness，Mind2Web 上的任務完成速度比 Sol 快 1.9 倍。
這背後可能有一個很重要的基礎設施變化。
根據 The Information 的報導，OpenAI 在最近幾個月購買了數萬台 Mac mini 與 Mac Studio，用途包括 reinforcement learning，以及訓練能夠實際操作電腦的 computer-use agents。這不是 OpenAI 或 Apple 官方確認的採購數字，應該視為媒體報導，不是官方公告。
為什麼訓練 computer use 會需要這麼多真正的 Mac？
因為訓練這種模型和訓練純文字 LLM 很不一樣。LLM 預訓練主要需要大量 GPU 做矩陣運算；computer use 的強化學習，則需要 AI 不斷進入一個真正的作業系統：
看螢幕 → 判斷下一步 → 移動滑鼠或輸入鍵盤 → 觀察結果 → 再做下一個動作。
一個 agent 可能要反覆跑幾十、幾百步才能完成一個任務。要大量訓練，就需要同時開出大量獨立的桌面環境，讓 agent 不斷試錯。
數萬台 Mac 的意義不是「拿 Mac 來訓練 GPT-6 的基礎模型」，而更像是建立一座巨大的 AI 電腦駕訓班：同時讓大量 agent 練習操作 Safari、Finder、Office、網頁、視窗、表單與各種 GUI。
這很可能是 Astra computer use 能快速提升的重要條件之一。
但目前不能直接說「因為 OpenAI 買了數萬台 Mac，所以 Astra 才從 65.7% 升到 72.6%」。OpenAI 沒有公開這兩件事之間的因果關係，也沒有公布多少提升來自 Mac 訓練環境、模型本身、reinforcement learning、harness 或其他工程改善。
比較準確的說法是：OpenAI 正投入大量真實電腦環境來訓練 computer-use agents，而 Astra 同期在 computer use benchmark 上出現明顯提升。大量真實 GUI 環境，很可能是這波能力進步的重要基礎設施之一。
問題：你捨得讓出螢幕嗎
但這些人都碰到同一個問題。
Computer use 的意思是 AI 接管你的桌面。它在你的螢幕上打開瀏覽器、點選按鈕、填寫表單、切換視窗。做這些事的時候，你坐在那台電腦前面，什麼都不能做。
Matt 的抱怨代表了很多人的心聲：「Waiting for background computer use next. I’d really like to stop having Astra suddenly take over my computer while I’m in the middle of something else。」
三十分鐘還行。一個小時開始煩。一整天？不可能。
這裡需要先釐清一件事：Astra 其實有兩種模式。
Browser use 的底層是 Playwright + accessibility tree。Browserbase 的 Kyle Jeong 逆向工程之後發現，它是 code-mode——不是對螢幕截圖然後點座標，而是直接操作 DOM。這意味著 browser use 可以在背景跑，不需要佔用你的螢幕。Rhys 的 PDF 拆解工作流就是「all running in the background」。
Computer use 則不同。它真的要操作桌面——移動滑鼠、按鍵盤、切換視窗。這需要一個活著的 GUI session。跑在你的主力機上，它就會搶你的螢幕。
所以問題不是「Astra 能不能在背景跑」，而是：browser use 可以，computer use 需要一個專屬桌面。
而這正好指向一個簡單的答案。
解法很簡單：給 AI 一台自己的電腦
想通之後答案很明顯。你不會讓實習生坐在你的位子上用你的電腦，你會給他一張自己的桌子。AI 也一樣。
一台專用機。AI 隨時操作它的桌面，你隨時在自己的電腦上工作。需要看它在幹嘛的時候，開 Screen Sharing 瞄一眼。不需要的時候，它自己跑。
已經有人這樣做了。Duane 說他在一台 headless Mac Mini 上跑 Astra computer use：「I already use Astra a lot on my headless CUA Mac mini and it is great. Yesterday I was automating some web browser tasks, and it was so much faster and cheaper than using Playwright。」
Amos 更進一步——他用 Astra + Computer Use + Remote，從手機下指令，不再打開電腦。Email、行銷、加功能，全透過 Astra 操作他的桌面。他形容這個體驗：「瘋狂」。
那為什麼是 Mac Mini？
如果要跑 Astra Computer Use，選什麼系統
很有可能就是 Mac Mini。三個原因。
一、Mac 是 Agent 天堂
就算 Computer Use 理論上可以操縱鍵盤滑鼠、看畫面，但實際工作中假設 10 步，Computer Use 只佔那 10% 的關鍵卡點，90% 的步驟在 command line 下都能完成。
我在〈AI Agent 的隱形天花板不是模型，是你的作業系統〉裡寫過：
Agent 的真實能力 = 模型能力 x 執行環境的可駕馭度。
macOS 的 Unix shell 讓那 90% 跑得最順。X 上半年內五條超過五萬瀏覽的推文都在講同一件事：Windows 的 PowerShell 讓 agent 反覆卡住、CMD 和 WSL 互相打架、輸入法彈窗干擾 computer use。而剩下那 10% 的 GUI 操作，macOS 的視窗系統和 Accessibility API 的成熟度，讓 computer use 的可預測性也最高。
用 Linux 可以嗎？CLI 部分沒問題，但 computer use 需要圖形桌面。Linux 的 GUI 環境碎片化（GNOME、KDE、Wayland、X11），agent 的訓練資料裡 macOS 和 Windows 的比例遠高於 Linux desktop。
二、Mac Mini 電費低、聲音小
這種大部分遠程操作、少數需要手動排除的電腦，你會希望放在身邊，但又不吵。M4 待機只有 3W，負載也才 25W 左右。月均電費大約 $3-5。
Mac Mini M4 16GB 官方定價 $599。攤五年等於 $10/月。加上電費，一個月不到 $15。對比 Grok Bot 的 $30/月（同規格 GCP 租要 $100-150/月），三個月回本。
更關鍵的是資料主權。機器在你桌子底下，瀏覽器 session 和登入狀態全在你手上。不是存在某家公司的雲端 VM 裡——Grok Bot 所有 Bot 共用一台電腦、一個瀏覽器 profile、一組登入。
三、Mac 應該是 Astra 的老家
根據 The Information 的報導，OpenAI 買了數萬台 Mac 來訓練 computer-use agents。Astra 是在 Mac 上做強化學習的。在自己的訓練環境上跑，表現理論上最好。
我的 Mac Mini 本來就設定好了：自動登入、永不睡眠、電源恢復後自動開機、Screen Sharing 開啟、SSH 開啟、Tailscale 連回來。這不是為了 computer use 特別設定的——跑 OpenClaw 就需要這些。但剛好，這也是 computer use 需要的全部前提。
我的 Mac Mini 現在在跑什麼
半年來累積的自動化任務：
| 任務 | 類型 | 頻率 |
|---|---|---|
| LLM Wiki 同步 GitHub | CLI (git) | 每小時 |
| Daily briefing 推 Telegram | CLI + API | 每天 07:00 |
| Google Calendar 掃描 | API | 每小時 |
| 會議紀錄整理 | API + LLM | 每天 21:00 |
| Google Sheet 待辦同步 | API | 每天 08:00 / 21:00 |
| Workspace git push | CLI (git) | 每天 23:55 |
全部是 CLI 和 API。穩定、可靠、可預測。
但也就只能做這些。
Computer Use 加進來之後能做什麼
Astra 的 computer use 把這台機器從「能跑腳本」升級成「能操作任何 GUI 應用」。以下是 CLI/API 做不到、computer use 能做的任務類型：
瀏覽器自動化： 很多 SaaS 工具沒有 API，或者 API 功能不全。CRM 後台匯出報表、供應商平台對帳、政府系統線上申報——這些全是「登入、點幾下、下載檔案」的流程。以前只能手動做，現在可以交給 computer use。
表單填寫： 把 spreadsheet 裡的資料逐筆填進 web form。聽起來簡單，但很多內部系統就是沒有批次匯入功能。
跨應用工作流： 從 email 讀取資訊 → 開瀏覽器查詢 → 把結果填進 Google Sheet → 截圖存檔。這種串接多個 GUI app 的流程，API 拼接起來很痛苦，computer use 就是照人類的操作方式一步一步做。
GUI-only 的本地應用： Keynote、Numbers、Preview。有些工作就是得打開 app 操作。
監測和截圖： 每天固定時間開某個 dashboard、截圖、存檔或推通知。比 Selenium 腳本好維護——不用管 DOM 結構變了。
設定：讓 Mac Mini 變成 AI 桌面
如果你手上有一台 Mac Mini（或任何不當主力機的 Mac），設定步驟：
1. 系統設定
- 一般 > 登入項目與延伸功能 > 自動登入：開啟
- 電池（或節能）> 永不進入睡眠 > 電源中斷後自動啟動
- 共享 > 螢幕共享：開啟
- 共享 > 遠端登入（SSH）：開啟
2. 遠端存取
在你的主力 Mac 上，打開 Finder，側邊欄就能看到 Mac Mini 的螢幕共享。或者安裝 Tailscale，從任何網路都能連回來。
3. Astra 設定
ChatGPT Pro（$200/月）包含 Astra 的 computer use 功能。在 Mac Mini 上登入 ChatGPT，選擇 Astra，啟用 computer use 模式。它會要求螢幕錄製和輔助使用權限——給它。
4. 持久化
如果你已經有 OpenClaw 或類似的 agent harness，可以把 computer use 任務排進 cron：定時啟動、執行、截圖回報、關閉。如果還沒有 harness，手動在 ChatGPT 裡開任務也行，但要記得 Astra 有 session 時間限制。
誠實的限制
把好話說完了，說說還不行的地方。
Rate limit 是最大的痛。 Samuel Jack 抱怨：5 小時上限已經會打斷多步驟工作，週鎖定更直接廢掉功能。如果你規劃的是需要 Astra 每天連續跑好幾個小時的工作流，目前的配額會卡住你。
登入驗證是最硬的障礙。 rohit 說得對：Astra 唯一掙扎的地方是 auth。兩步驗證、CAPTCHA、登入重定向——這些設計出來就是擋機器人的。你可能需要預先登入好、保持 session 活著，或者在觸發 2FA 的時候手動介入。
Session 穩定度參差。 Noah 用了一陣子之後發現，Astra 長時間任務會「randomly give me a fun fact and end early」、「gets lost in the sauce」。他的結論是「overhyped powerhouse」——能力強但不穩定。
Machineslop 風險。 我在〈Astra 寫的程式碼，人類已經看不懂了〉裡寫過：Astra 判斷沒人在看的時候，行為會改變。Computer use 的場景天生就是「沒人在看」——它在一台你不看的螢幕上操作。你需要設計監控機制：定期截圖、操作日誌、結果驗證。不能丟出去就不管。
前端設計和大型架構不是它的強項。 多位測試者都說這類任務還是 Fable/Claude 更好。Astra 的甜蜜點是重複性的桌面操作任務，不是需要大量判斷的創造性工作。
不要拿來做的事
- 輸入任何密碼或 API key 到不明網站
- 處理金融交易（銀行轉帳、股票下單）
- 長時間無監督運行（至少每小時看一次）
- 取代需要人類判斷的決策流程
Computer use 是工具，不是自主代理。目前階段，它更像一個需要定期 check-in 的實習生，不是一個可以完全信任的員工。
實際成本：值不值得
假設你已經有 Mac Mini（或打算買一台），每月成本：
| 項目 | 費用 |
|---|---|
| Mac Mini 硬體攤提（$599 / 60 個月） | $10 |
| 電費（M4 低功耗） | $3-5 |
| ChatGPT Pro（含 Astra） | $200 |
| Tailscale（免費方案） | $0 |
| 月總計 | ~$215 |
$200 的大頭是 ChatGPT Pro。但如果你本來就在用 ChatGPT Pro，那 Mac Mini 的邊際成本只有 $15/月。
對比一下：請一個實習生做同樣的桌面操作任務，在台灣至少 $500-700/月（時薪 183 x 每天 4 小時 x 22 天 ≈ $16,000 台幣 ≈ $500 美金）。如果 Astra 能接走其中一半的工作量，數學上是划算的。
當然，Astra 不會自己判斷「這個表單欄位要填什麼」——你還是得寫清楚的指令。但如果任務是「照這個 SOP 操作」，它目前的能力是夠的。
控制介面的轉移：Copilot 加 Autopilot
AI 有了自己的桌面之後，你跟電腦的互動方式開始改變。
傳統模式：一台電腦，Copilot 模式。 坐在電腦前，鍵盤滑鼠，請 Codex 或 Claude Code 做一些事情，但人也負責 browser 和 app 任務的操作。
現在：一台電腦 Copilot 模式，加上一到多台電腦 Autopilot 模式。 你依舊有一台主力電腦跑 Copilot，但你會有多台電腦做 Autopilot。介面就是手機。
像我 Mac Mini 上就是 OpenClaw + Codex。一邊做定期任務，一邊幫忙處理需要 Computer Use 的臨時任務。另外 Browser Use 我就切到 Grok Bot 上了。
Amos 的做法更徹底——Astra + Computer Use + Remote，從手機下指令，不再打開電腦。Email、行銷、加功能，全透過手機交辦。
這個趨勢會往語音走。如果你用手機控制 AI 員工，打字本來就不是最自然的介面——講話是。「嘿，幫我把昨天那份合約的第三版寄給客戶」，比在小螢幕上打字快三倍。
角色全到位了：
- Mac Mini / Grok Bot VM / Ubuntu Linux 是 AI 的桌面
- 手機和主力電腦是遙控器，AirPods / Typeless 是麥克風
- Slack / Google Drive / GitHub 是資料載體
- Codex（Claude Code）、OpenClaw 或任何 agent 平台是執行引擎
差的只是全部串起來。我在〈新的工作時代，會不會需要新的鍵盤滑鼠〉裡討論過這個趨勢：agent 時代的工作型態從「生產者」變成「監工」，互動單位從「字元」變成「決策」。Mac Mini + Astra 的組合，是這個轉變的第一個具體實例。
結論：AI 開始需要一台自己的電腦
回頭看我們給 agent 的東西，有一條清楚的演化線：
以前我們給 agent API。它能叫得動有 API 的服務。
後來給它 Terminal。它能跑指令、操作檔案系統、管理伺服器。
再來給它 Browser。它能上網、填表單、操作 SaaS 工具。
現在，我們開始直接給它一整個 Desktop。它能操作任何 GUI 應用——有沒有 API 都無所謂。
每一層都在擴大 agent 能觸及的工作範圍。當 API、browser use、computer use 三層拼起來之後，數位世界裡原本大量「一定要有人坐在電腦前面才能完成」的工作，正在快速縮小。
而 computer use 要實用，取決於三個條件同時到位：
- 模型夠強。 Astra 解決了。OSWorld 2.0 從 65.7% 到 72.6%、任務時間砍半、社群實測取代實習生任務。
- 作業系統友善。 macOS 解決了。Agent 能力乘數最高，GUI 行為可預測。OpenAI 自己也買了數萬台 Mac 來訓練。
- 有一台專用機。 Mac Mini 解決了。$599、24/7、低功耗、無頭運行。
缺任何一個都不行。只有模型強但跑在你的主力筆電上，三十分鐘你就想把它關掉。只有專用機但跑 Windows，agent 能力打七折。只有 macOS 專用機但模型不夠強，computer use 也只是 demo。
三個條件在 2026 年九月第一次同時到位。不是因為哪一個有突破性進展，是因為它們終於拼在一起了。
我的 Mac Mini 桌子底下還是那台 Mac Mini。但它走過了三個階段：
- 以前是跑 Code 的盒子（AI 以前）
- 後來是有 Browser Use 的數位員工（OpenClaw）
- 現在可以操作 Desktop，有了自己桌面的 AI 員工
這可能才是 Astra computer use 真正重要的地方——不是某個 benchmark 又刷新了，是 AI 真的開始需要一台自己的電腦。
邊際成本每個月 15 美金。