Stable Diffusion macOS 安装指南：手把手带你突破 M1 芯片本地部署

想象这样一个场景：深夜，你刚入手一台 M1 MacBook Pro，看到 Stable Diffusion 生成的图片震撼了全网，想自己也试试。但搜了一圈教程，要么是 Windows/Linux 的，要么是云端 API 的，要么就是 Intel Mac 的——你看着自己手里这台 Apple Silicon Mac，一时不知道从哪下手。这款指南就是为你准备的。

为什么需要这份指南

Stable Diffusion 自 2022 年由 Stability AI 公开以来，迅速成为 AI 图像生成领域的标杆模型。然而，在 Apple Silicon Mac 上本地运行 Stable Diffusion 一直是个「灰色地带」——官方文档主要面向 Linux/Windows，云端教程又需要付费 API，而网上零散的 Mac 经验分享要么版本过时，要么缺少关键依赖（如 protobuf、cmake），导致用户在第一步就卡壳。

这份指南来自 joelparkerhenderson 的个人实践积累，核心目标是解决 macOS Apple Silicon 上的环境依赖地狱——Homebrew 配置、Python 版本、Anaconda 环境变量、protobuf 编译工具链，每一步都有详细的验证命令，确保安装完成后直接进入 dream> 命令行交互界面。

硬件门槛：为什么必须是 M1 + 32GB 内存

指南开宗明义：Apple Silicon M1 芯片 + 至少 32GB 可用内存。这不是刻意制造门槛，而是 Stable Diffusion 在 macOS 上的实际硬件需求。

M1 芯片集成了 GPU 核心（称为 MPS，即 Metal Performance Shaders），macOS 通过 MPS 后端让 PyTorch 在 M1 的 GPU 上运行 AI 推理任务，无需 NVIDIA 显卡。这也是 macOS 本地跑 SD 的核心优势——苹果自研芯片的统一内存架构让 CPU 和 GPU 共享内存，带宽远高于传统 PCI-e 总线。

然而 32GB 是一个硬性门槛。Stable Diffusion v1.4 的模型权重约为 4GB，加上推理过程中的中间张量（intermediate tensors），峰值内存占用很容易超过 16GB。如果内存不足，系统会频繁触发 swap，导致生成一张图需要等待数分钟，实用性大打折扣。

完整的安装链路：9 个步骤走通

这份指南不是一行命令搞定一切的「懒人包」，而是一条清晰的学习路径，涵盖了从零到可用的完整链路：

指南特别推荐将权重文件存放在 /opt/stable-diffusion-checkpoints/ 系统目录而非用户目录，这样可以让同一台 Mac 上的多个用户共享同一套模型文件——这对于学校教室或共享工作站的场景非常友好。

避坑指南：3 个常见报错

报错 1：ImportError: cannot import name 'TypeAlias' Python 3.9 不支持 typing.TypeAlias（该特性从 3.10 才引入），需要手动修改 src/k-diffusion/k_diffusion/sampling.py：将 from typing import TypeAlias 改为从 typing_extensions 导入。这是 Apple Silicon + conda 环境下的经典兼容性问题。

报错 2：多个 conda 环境冲突 指南要求在 PATH 中只能有唯一一个 conda 程序（/opt/anaconda3/condabin/conda），如果之前用 pip 或其他方式装过 conda，可能会出现多个 conda 抢 PATH 的情况。解决方法是明确 PATH 顺序或用完整路径调用。

Apple Silicon 的 MPS 后端不支持 autocast，因此指南要求使用 --full-precision 参数而非默认的半精度推理，这会消耗更多内存但保证正确运行。

与其他方案的对比：什么时候选这个指南

指南作者在开头坦率地承认了三种不同需求层次：

• 最快上手：选 DiffusionBee —— macOS 原生 App，一键安装，完全不需要命令行，适合纯体验用户。
• 跨平台方案：选 InvokeAI —— 支持 macOS/Windows/Linux，有 Web UI，功能完整，适合需要图形界面但不想折腾的用户。
• 最大化可控性：选这份指南 —— 从源码编译，自定义所有依赖，完整理解 SD 运行原理，适合开发者和技术爱好者。

这份指南的独特价值在于过程的透明性：用户可以完整了解 Stable Diffusion 在 macOS 上的运行原理，理解 conda 环境、PyTorch MPS 后端、模型权重加载的每一个环节。这不是「喂给你一条鱼」，而是「教你钓鱼的全套装备和手法」。

局限性与适用边界

必须指出的是，这个项目的本质是个人经验分享文档，而非 Stable Diffusion 的官方项目或维护版本。主要局限性包括：

• 文档仓库，无代码：整个项目只有 3 个 markdown 文件，不包含任何可运行的代码或容器，所有操作都需要手动执行。
• v1 模型已过时：指南主要基于 SD v1.4 和 v2，v2 之后社区已转向 SDXL、SD Turbo 等新架构，这些新模型的 macOS 部署方式有所不同。
• Anaconda 体积庞大：完整安装 Anaconda 需要约 3GB 磁盘空间，且需要通过 sudo 执行安装脚本，对于不需要 conda 完整生态的用户可能过于重量级。
• 单次配置，非持续维护：作者标注了最后更新时间为 2025-04-14，文档中的版本号（Homebrew 3.5.10、conda 23.1.0 等）已是历史版本，需要读者自行比对最新版本。

对 AI 开源生态的意义

这份指南反映了一个重要的趋势：AI 模型正在从服务器走向终端设备。Stable Diffusion 在 Apple Silicon Mac 上的本地运行，代表了去中心化 AI 推理的探索——不依赖云端 API，不上传数据到第三方服务器，模型权重完全由用户掌控。随着 M4 芯片统一内存突破 192GB，未来在个人设备上运行 10B+ 参数模型并非遥不可及。

从社区贡献角度看，这类操作指南是 AI 民主化的重要基础设施——降低 AI 工具的使用门槛，让没有云服务资源的普通用户也能参与进来。133 颗 stars 证明了这个需求的真实存在。