M1 und M2 für KI: Lohnen sich ältere Apple Silicon Chips?

Was dieser Artikel behandelt

• Worin sich M1 und M2 für lokale KI unterscheiden.
• Welche Mac mini, MacBook Air und MacBook Pro Modelle für KI geeignet sind.
• Wie viel Unified Memory Du für Ollama und Co wirklich brauchst.
• Ob sich ein gebrauchter M1 oder M2 im Jahr 2026 noch lohnt.
• Welche Stolpersteine Dich beim Einstieg erwarten.

Einleitung

Apple Silicon hat den Weg für lokale KI auf dem Mac geebnet. Der M1 war der erste Chip dieser Generation, der CPU, GPU und Neural Engine auf einem einzigen SoC vereinte. Mit dem M2 folgte ein Jahr später eine effizientere und schnellere Variante. Beide Chips sind inzwischen nicht mehr das Neueste, trotzdem taugen sie für viele KI-Anwendungen immer noch hervorragend. Wer also einen gebrauchten Mac mini, MacBook Air oder MacBook Pro mit M1 oder M2 erwägt, kann damit durchaus Ollama, LM Studio oder llama.cpp betreiben.

Warum sich M1 und M2 für KI interessieren lohnen

Der Hauptvorteil von Apple Silicon ist das Unified Memory. CPU und GPU teilen sich denselben Arbeitsspeicher. Das bedeutet für Dich: Ein Modell wird einmal in den Speicher geladen, und GPU Cores greifen direkt darauf zu. Auf herkömmlichen PCs muss Daten oft zwischen RAM und GPU VRAM kopiert werden, was langsamer ist und mehr Memory verbraucht.

Für lokale KI ist das besonders nützlich. Ein MacBook Air M1 mit 16 GB Unified Memory kann ein 7B Modell mit Ollama flüssig ausführen. Mit 32 GB Unified Memory werden sogar 13B Modelle möglich. M1 und M2 sind zudem sehr stromsparend und laufen im Normalbetrieb nahezu lautlos. Das macht sie ideal, um KI nebenbei zu testen, zu entwickeln oder als kleinen Home-Server zu nutzen.

M1 und M2 kurz erklärt

M1 und M2 sind Apple Silicon SoCs. Sie kombinieren Performance Cores, Efficiency Cores, GPU Cores und eine Neural Engine auf einem Chip. Für KI ist vor allem das Metal-Framework relevant, das GPU-Compute über Apples GPU ermöglicht. Ollama nutzt Metal, um Inferenz zu beschleunigen. Das heißt, Deine Modelle laufen nicht rein auf der CPU, sondern profitieren von der GPU.

M2 bietet gegenüber M1 eine etwas höhere CPU- und GPU-Performance, mehr Memory Bandwidth und eine stärkere Neural Engine. In der Praxis merkst Du das besonders bei größeren Modellen und längeren Prompts. Für kleine 7B Modelle ist der Unterschied weniger dramatisch, aber spürbar.

Für wen ist dieser Artikel gedacht

• Einsteiger, die wissen wollen, ob ihr alter Mac für KI reicht.
• Käufer, die überlegen, einen gebrauchten M1 oder M2 für KI zu holen.
• Neugierige, die Ollama auf bestehender Hardware testen wollen.
• Nutzer, die einen leisen und stromsparenden KI-Rechner suchen.
• Studenten, die lokale Modelle ohne Cloud-Kosten betreiben wollen.

Wichtige Begriffe

Begriff	Bedeutung
M1	Erster Apple Silicon Chip für Mac, 2020 erschienen
M2	Nachfolger des M1 mit mehr Power und Bandbreite
Unified Memory	Gemeinsamer Speicher für CPU und GPU
Metal	Apples GPU-Compute-API
GPU Cores	Rechenkerne der GPU für KI-Inferenz
Neural Engine	Spezielle Einheit für Machine Learning Tasks
Memory Bandwidth	Geschwindigkeit, mit der Daten zum GPU gelangen
Token/s	Wie viele Wörter das Modell pro Sekunde ausgibt
Context Window	Menge an Eingabetext, die das Modell verarbeiten kann
Quantization	Reduzierung der Modellgröße durch weniger Bits pro Parameter

M1 gegen M2 im Vergleich

Eigenschaft	M1	M2
CPU Cores	4 Performance + 4 Efficiency	4 Performance + 4 Efficiency
GPU Cores	bis 8	bis 10
Neural Engine	16 Cores, 11 TOPS	16 Cores, 15.8 TOPS
Memory Bandwidth	bis 68,25 GB/s	bis 100 GB/s
Max. Unified Memory	16 GB (Basis), 24 GB (Pro/Max)	24 GB (Basis), bis 96 GB (Max)
Prozess	5 nm	5 nm (verbessert)

In der Praxis bedeutet das: Der M2 ist bei 7B Modellen etwa 10-20 Prozent schneller als der M1. Bei 13B Modellen wächst der Vorsprung, weil die höhere Memory Bandwidth stärker ins Gewicht fällt. Wer hauptsächlich kleine Modelle nutzt, bekommt mit dem M1 bereits ein tolles Erlebnis.

Mac mini M1 und M2 für KI

Der Mac mini ist der preiswerteste Einstieg in Apple Silicon. Der Mac mini M1 kam 2020 mit 8 GB oder 16 GB Unified Memory auf den Markt. Später gab es auch 256 GB oder 512 GB SSD. Für KI solltest Du mindestens 16 GB Unified Memory wählen, besser 32 GB, sofern verfügbar. Der Mac mini M2 bietet 8 GB, 16 GB oder 24 GB Unified Memory. Dank aktivem Kühler hält er Dauerlast besser aus als ein MacBook Air.

Für Ollama ist der Mac mini M1 mit 16 GB eine gute Basis. Du kannst damit Llama 3.1 8B oder Mistral 7B komfortabel betreiben. Mit 24 GB auf dem M2 sind auch 13B Modelle gut nutzbar. Der Mac mini eignet sich besonders als kleiner Server, weil er dauerhaft eingeschaltet bleiben kann und kaum Strom verbraucht.

MacBook Air M1 und M2 für KI

Der MacBook Air ist passiv gekühlt. Das heißt, er hat keinen Lüfter und ist daher vollkommen lautlos. Allerdings begrenzt das Design die Dauerleistung. Bei längeren KI-Aufgaben kann der Chip leichter in den Thermal Throttling Bereich kommen. Für kurze Prompts oder gelegentliche Tests ist das kein Problem.

Ein MacBook Air M1 mit 16 GB Unified Memory ist ein beliebter Einstieg. Du kannst Ollama installieren, 7B Modelle laden und sogar unterwegs KI nutzen. Der M2 Air bietet noch einmal mehr Speed und kann mit 24 GB Unified Memory ausgestattet werden. Für 13B Modelle empfehle ich den M2 mit 24 GB.

MacBook Pro M1 und M2 für KI

Das MacBook Pro 13 Zoll mit M1 und M2 hat aktive Kühlung und ist deshalb besser für längere Inferenz geeignet. Wer regelmäßig Modelle ausführt oder größere Context Windows nutzt, profitiert vom Lüfter. Das 14 Zoll und 16 Zoll MacBook Pro mit M1 Pro, M1 Max, M2 Pro oder M2 Max bieten deutlich mehr GPU Cores und bis zu 32 GB beziehungsweise 96 GB Unified Memory.

Ein MacBook Pro 14 Zoll M1 Pro mit 32 GB Unified Memory ist ein starkes KI-Gerät. 13B Modelle laufen flüssig, 30B Modelle sind bei guter Quantization machbar. Für fortgeschrittene Nutzer ist die Pro-Variante die bessere Wahl gegenüber dem Air.

Unified Memory: Die entscheidende Zahl

Unified Memory ist der wichtigste Faktor für lokale KI auf dem Mac. Die Modellgröße bestimmt, wie viel Speicher Du brauchst. Als Faustregel gilt: Ein 7B Modell in 4-Bit Quantization braucht etwa 4-6 GB. Ein 13B Modell braucht etwa 8-10 GB. Für Context Window und Betriebssystemreserven solltest Du zusätzlichen Puffer einplanen.

Modellgröße	Empfohlener Unified Memory	Chip
3B	8 GB	M1, M2
7B	16 GB	M1, M2
13B	24-32 GB	M2, M1 Pro, M2 Pro
30B	48-64 GB	M1 Max, M2 Max
70B	96+ GB	M2 Max, M2 Ultra

Welche Modelle laufen?

Diese Tabelle zeigt, welche Modelle auf typischen M1- und M2-Konfigurationen laufen. Die Angaben gelten für 4-Bit Quantization mit Ollama.

Modell	Parameter	Memory Bedarf	M1 16 GB	M2 24 GB	M1 Pro 32 GB
Llama 3.2 3B	3B	~2 GB	gut	schnell	sehr schnell
Llama 3.1 8B	8B	~5 GB	gut	schnell	sehr schnell
Mistral 7B	7B	~4,5 GB	gut	schnell	sehr schnell
Llama 3.1 13B	13B	~8 GB	langsam	gut	schnell
Qwen 2.5 14B	14B	~9 GB	langsam	gut	schnell
Llama 3.1 70B	70B	~40 GB	nein	nein	nein

Ollama Beispiele auf M1 und M2

Die Installation von Ollama ist einfach. Öffne das Terminal und führe diese Befehle aus:

# Ollama installieren
curl -fsSL https://ollama.com/install.sh | sh

# Ein kleines Modell starten
ollama run llama3.2

# Ein 7B Modell für den M1 oder M2
ollama run llama3.1:8b

# Ein 13B Modell für M2 mit 24 GB oder mehr
ollama run llama3.1:13b

Nach dem ersten Start läuft Ollama im Hintergrund. Du kannst Modelle über die Kommandozeile oder über eine Weboberfläche wie Open WebUI steuern. Für den MacBook Air M1 reicht llama3.2 oder llama3.1:8b. Wer 24 GB Unified Memory hat, kann auch mistral:7b oder llama3.1:13b testen.

Kaufen: Neu, gebraucht oder refurbished

M1 und M2 Geräte sind inzwischen oft günstig auf dem Gebrauchtmarkt erhältlich. Ein Mac mini M1 mit 16 GB Unified Memory kostet je nach Zustand zwischen 300 und 500 EUR. Der Mac mini M2 mit 16 GB oder 24 GB liegt meist zwischen 450 und 650 EUR. MacBook Air M1 mit 16 GB bekommst Du oft ab 500 EUR, der M2 Air mit 16 GB beginnt bei etwa 650 EUR.

Refurbished Geräte von Apple bieten weniger Risiko als private Verkäufer. Achte beim Kauf unbedingt auf die Unified Memory-Größe. 8 GB reichen für KI kaum aus. 16 GB ist der praktikable Einstieg, 24 GB oder 32 GB deutlich zukunftssicherer.

Empfohlene M1 und M2 Modelle im Amazon Shop

Typische Stolpersteine

• Zu wenig Unified Memory: 8 GB reicht für praktisch kein brauchbares KI-Modell. Mindestens 16 GB sind notwendig.
• Passiv gekühlter Air bei Dauerlast: Ein MacBook Air M1 oder M2 drosselt bei langen Inferenz-Aufgaben die Leistung.
• Keine nachträgliche Aufrüstung: RAM und SSD sind am Mainboard verlötet. Kauf sofort genug Memory.
• Nicht alle Modelle laufen nativ: Manche Modelle sind nicht für Metal optimiert und laufen langsamer oder gar nicht.
• Kein CUDA Support: Tools, die auf NVIDIA CUDA setzen, laufen auf dem Mac nicht.
• Mac Pro M1/M2 Generation: Achte auf den genauen Chip. Ein M1 ist langsamer als ein M1 Pro oder M1 Max.
• Speicherbandbreite beachten: M2 hat mehr Bandbreite als M1. Das macht sich bei 13B Modellen bemerkbar.
• Veraltetes macOS: Stelle sicher, dass das Gerät ein aktuelles macOS unterstützt, damit Ollama läuft.

Hardware, Kosten und Sicherheit

M1 und M2 sind extrem stromsparend. Ein Mac mini verbraucht im Betrieb oft nur 20-30 Watt, ein MacBook Air im Akkubetrieb noch weniger. Die laufenden Kosten sind also minimal. Da Du alles lokal berechnest, bleiben Deine Daten auf Deinem Gerät. Keine Übertragung an externe APIs, keine Cloud-Gebühren, keine Datenschutzbedenken.

Allerdings ist die Hardware fest verbaut. Wer heute zu wenig Unified Memory kauft, kann das später nicht korrigieren. Plane deshalb großzügig. Langlebige KI-Nutzung beginnt bei 16 GB, sicher ist 24 GB oder mehr.

Weiterführende Links

• Apple Silicon Übersicht
• Mac mini für KI
• Mac Studio für KI
• Unified Memory Grundlagen
• Ollama auf macOS
• Mac mini Kaufberatung
• Mac Studio Kaufberatung

FAQ

Kann ich auf einem M1 Mac KI lokal betreiben? Ja, ein M1 mit 16 GB Unified Memory eignet sich für 7B Modelle mit Ollama. 8 GB reichen kaum.

Reicht ein MacBook Air M1 für Ollama? Ja, für gelegentliche Nutzung und 7B Modelle reicht er. Für Dauerlast ist ein MacBook Pro oder Mac mini besser geeignet.

Lohnt sich der M2 gegenüber dem M1 für KI? Der M2 ist schneller und hat mehr Memory Bandwidth. Wenn Du 13B Modelle planst, lohnt sich der M2. Für reine 7B Modelle reicht der M1.

Wie viel Unified Memory brauche ich für 13B Modelle? Mindestens 16 GB, besser 24 GB oder 32 GB. Der Speicherplatz für das Modell, das Context Window und das Betriebssystem addiert sich.

Kann ich auf M1 oder M2 Bildgenerierung nutzen? Ja, Stable Diffusion und ComfyUI laufen auf Apple Silicon. Die Geschwindigkeit ist aber deutlich geringer als auf einer NVIDIA RTX GPU.

Ist ein gebrauchter M1 oder M2 im Jahr 2026 noch sinnvoll? Für den Einstieg in lokale KI absolut. Achte aber auf genügend Unified Memory und einen guten Zustand.

Welche Software läuft nativ auf M1 und M2? Ollama, LM Studio und llama.cpp unterstützen Apple Silicon nativ über Metal. Viele Python-Bibliotheken funktionieren ebenfalls.

Was ist besser: Mac mini M1 oder MacBook Air M1? Für dauerhaft laufende KI-Aufgaben ist der Mac mini besser, weil er aktiv gekühlt ist und dauerhaft am Netz hängen kann. Der Air ist flexibler und leiser.

Kann ich mehrere Modelle gleichzeitig laden? Ja, sofern genügend Unified Memory vorhanden ist. Mit 24 GB kannst Du beispielsweise ein 7B Modell und ein Embedding-Modell parallel betreiben.

Was ist Thermal Throttling und warum ist es wichtig? Thermal Throttling bedeutet, dass der Chip bei Hitze langsamer wird. Der passiv gekühlte MacBook Air ist davon stärker betroffen als Mac mini oder MacBook Pro.

Kann ich CUDA auf M1 oder M2 nutzen? Nein, CUDA ist NVIDIA-spezifisch. Apple Silicon nutzt Metal. Die meisten KI-Tools für den Mac nutzen Metal.

Lohnt sich M1 Pro oder M2 Pro für KI? Ja, Pro-Varianten bieten mehr GPU Cores und mehr Unified Memory. Für 13B Modelle und regelmäßige Nutzung ist das sinnvoll.

Quellen

• Apple Silicon Technical Overview (developer.apple.com)
• Ollama Dokumentation (ollama.com)
• llama.cpp Metal Backend (github.com/llama.cpp)
• MLX Framework für Apple Silicon (github.com/ml-explore/mlx)
• Apple MacBook Air Technische Daten (apple.com)