"1981年底某一天，崔博爾靈光一閃。麥金塔的記憶體不足以同時開兩個程式，因此無法像在麗莎那樣，在一個程式裡做好圖表，再切換到文字處理程式裡貼上。然而，能不能設計一些功能單一但實用的迷你應用程式（他稱之為「桌面裝飾」〔deskomament 〕），小到可以和大型程式同時執行？ 何茲菲德於是設計出「時鐘」（Clock）、「計算機」（Caloulator），還有「剪貼簿」（Scrapbook，一個儲存應用程式，能讓你儲存所複製的文字片段或圖像）。程式設計師唐恩•丹曼 （Donn Denman）則貢獻「記事本」（Notepad）與「鬧鐘」（Alarm Clock）。凱柏斯寫了「鍵盤配置」（Key Caps），能夠顯示各個按鍵能輸出哪些符號：要輸入其他語言重音符號的時候，這項功能實在不可或缺。舉例來說，如果在按下E鍵的同時按住 Option鍵，就能得到像是「resume」裡面的「e」。凱柏斯在取「Key Caps」這個名稱的時候，真的沒有偷渡自己的姓「Capps」。「我是說，要是我真想偷渡自己的名字，至少會放兩個p吧，」他說。 最後還有「控制台」（Control Panel）：一個完全以視覺操作為主的應用程式，也就是今天的「設定」或「偏好設定」。 1982年秋天，蘋果出版團隊覺得「裝飾」實在聽起來太過輕浮虛華，於是提議將這些實用的小程式改名為「桌面配件」（desk accessories）。接下來十七年間，桌面配件一直都是麥金塔的核心功能。"-蘋果之道：重新定義世界的50年 P205~206
一、1981年的靈光：記憶體不足的創意解法1981年底的某一天，蘋果麥金塔（Macintosh）開發團隊成員崔博爾（Tribble）面對一個棘手難題：Mac的記憶體根本不夠同時執行兩個完整程式。這意味著使用者無法像在麗莎（Lisa）電腦上那樣，在一個應用程式裡完成圖表，再切換到文字處理程式貼上。面對這道硬體高牆，崔博爾沒有選擇硬撞，而是靈機一動—能不能設計出功能單一、小巧精準的「迷你程式」，輕量到可以和大型程式共存於有限的記憶體之中？
這個想法催生了一系列「桌面配件」（Desk Accessories）：何茲菲德（Hertzfeld）設計了時鐘、計算機與剪貼簿；丹曼（Donn Denman）貢獻了記事本與鬧鐘；凱柏斯（Capps）寫了鍵盤配置（Key Caps）；另有控制台—今日設定介面的前身。這些工具不求龐大，只求精準，每一個都只做好一件事，卻都能與更大的程式和平共存。1982年秋天，「桌面配件」這個名稱正式定案，並成為麥金塔的核心功能長達十七年。
沒有人料到，這個在記憶體危機下誕生的設計哲學，會在四十年後的人工智慧時代，以驚人相似的面貌再度出現。
二、AI 時代的記憶體困境
大型語言模型（LLM）如 GPT-4、Gemini Ultra、LLaMA 3 等，動輒擁有數千億個參數，需要數十甚至數百GB的高速顯示記憶體（VRAM）才能運行。對於龐大的雲端資料中心而言，這或許不成問題；但對於一支 iPhone、一台筆記型電腦、一個邊緣運算裝置而言，卻是幾乎無法逾越的硬體高牆—與1981年麥金塔的困境在本質上驚人地相似。
更深的問題在於，AI 推理（inference）的工作負載本質是「記憶體頻寬受限」（memory-bandwidth bound），而非運算受限。這意味著即使堆疊更多 GPU 核心，若記憶體頻寬不足，效能仍會卡死。資料顯示，AI 推理市場在2024年已達970億美元規模，預計2030年將成長至2,537億美元。龐大的商業需求，迫使科技產業必須正視這個瓶頸，找出系統性解法。
三、「桌面配件哲學」的現代翻版
Apple Intelligence：最直接的精神繼承者
蘋果的解法，幾乎是崔博爾當年想法的直接翻譯。Apple Intelligence 並非一個龐大的單一模型，而是由多個高度專門化的生成模型組成的系統，每個模型只負責特定任務—文字摘要、智慧回覆、通知整理、圖像生成—並能即時切換、適應當前活動。
在技術層面，蘋果採用了低秩適應技術（LoRA），建立輕量的「適配器」（adapters），這些適配器依需求動態載入，針對特定任務微調模型，卻不改變基礎模型本身—正如當年各個桌面配件各司其職、不影響彼此。核心的約30億參數裝置端模型，透過 KV-cache 共享技術減少37.5%記憶體用量，並以2-bit量化壓縮，使整個系統能在iPhone的有限記憶體上流暢運行。
Microsoft Phi：「小而強大」的哲學宣言
微軟的 Phi 系列，直接挑戰了 AI 產業「越大越好」的迷思。Phi-4 以140億參數的架構，在數學推理上超越了數倍大的 Google Gemini Pro；而 Phi Silica 更是以33億參數、僅1.5瓦的超低功耗，內建於 Windows 作業系統的神經處理器（NPU）中，實現近乎即時的回應。這不正是現代版的「桌面配件」—輕巧、專精、隨時待命，內建於作業系統之中？
混合專家模型（MoE）：多個「專家」同時待機
或許最能體現「桌面配件哲學」的，是當前 AI 架構的重大創新—混合專家模型（Mixture of Experts，MoE）。這種架構包含多個專門化的子模型，以及一個將每個輸入分配給少數「專家」的路由網路；在推理時，只有一小部分參數被啟動，大幅降低記憶體消耗。
DeepSeek-V3擁有6,710億總參數，但每次推理只啟動370億；Qwen3共2,350億參數，活躍的僅220億。這與麥金塔的「桌面配件」邏輯如出一轍：不是同時開啟所有功能，而是按需啟用最相關的小程式，讓系統在有限資源中維持高效運作。
四、跨越四十年的對照
兩個時代的困境與解法，幾乎是同一個故事的不同版本：
面向 | 1981年麥金塔時代 | 2024～2025年 AI 時代 |
核心困境 | 記憶體不足，無法同時執行兩個大程式 | VRAM不足，大型LLM無法在裝置端運行 |
設計哲學 | 功能單一的迷你程式（桌面配件） | 小型語言模型（SLM）/ LoRA 適配器 |
共存策略 | 與大型程式共存於有限記憶體 | 與作業系統共存於行動裝置 |
分工模式 | 時鐘、計算機、記事本各司其職 | 摘要、翻譯、程式輔助模型分工 |
代表成果 | 桌面配件沿用十七年 | SLM 生態系快速成熟標準化 |
五、侷限與差異：類比的邊界
這個跨世代的類比當然並非完美。1981年的桌面配件是靜態的、功能固定的程式；現代 AI 透過 LoRA 等技術，允許同一個基礎模型動態切換「人格」與「專長」，彈性遠超當年。更根本的差異在於，AI 推理的瓶頸是記憶體頻寬而非運算能力，這使得硬體層面的創新—如高頻寬記憶體（HBM）、專用神經處理器（NPU）—成為現代解法不可或缺的一環，這是純靠軟體設計的桌面配件時代所沒有的維度。
此外，現代 AI 的複雜度遠超當年：MoE 架構的路由與負載均衡、量化技術對精度的取捨、雲端與裝置端的混合部署，都是當年的麥金塔工程師無需面對的挑戰。然而，核心的設計直覺是一致的：
在資源受限的環境下，「功能單一、輕巧精準、按需啟用」的設計哲學，永遠比「塞入一個無所不能的龐然大物」更務實、更持久。
六、限制是創新之母
崔博爾在1981年的那道靈光，照亮的不只是麥金塔。它揭示了一個在資訊科技史上反覆驗證的真理：最深刻的創新，往往不是來自資源無限的豪奢揮霍，而是來自對約束條件的優雅回應。今日，當 Apple Intelligence 在 iPhone 的晶片上以微瓦功耗完成 AI 推理，當 Phi Silica 以不到2瓦的電力成為筆電的即時助理，當 MoE 模型以「按需啟用專家」的方式解決萬億參數的記憶體困境—我們看到的，正是那個設計哲學的當代回聲。
歷史不會重複，但它會押韻。從「桌面配件」到「小型語言模型」，押的是同一個韻腳：在限制中找到空間，在輕盈中凝聚力量。
