AI 狂潮下的消费者神奇处境：20 美元订阅的 AI 红利，与买不起电脑的现实
AI 狂潮下的消费者神奇处境：20 美元订阅的 AI 红利，与买不起电脑的现实
最近我和朋友讨论 AI 泡沫时，有很多有趣的问题值得思考。
首先我很困惑：为什么我每个月只花3000日元（日区GPT Plus），却可以使用看起来价值几百美元的大模型服务？
我现在长期使用 ChatGPT Plus，也会用 Codex 处理代码、检查项目和修改文件。偶尔我还会打开 Claude Code，让它参与一些比较长的开发任务。按照 API 的 token 计费方式粗略想象一下，这些服务如果全部按调用量收费，账单似乎很容易超过订阅价格，飙到几百美刀。
尤其是程序员用户。普通用户可能只是问几个问题、润色一段文字，而我有时会把一个项目目录交给 Codex，让它读代码、找问题、改文件、运行测试，再回来解释为什么失败。这个过程听起来不像是在“问聊天机器人”，更像是临时雇了一个不会占工位的实习生。
于是问题就来了：大模型公司是不是正在亏本补贴消费者？
更让我感到矛盾的是，我一边享受着廉价的智能，一边却发现自己原本准备购买的高性能台式机越来越贵。软件变得像水一样便宜，硬件却开始像限量球鞋一样让人犹豫。
20 美元订阅，为什么能使用价值数百美元的 AI？
消费者看到的反差非常直接。
一边是 API 价格：输入、输出分别计费，通常按每百万 token 计算。token 可以简单理解为模型处理文字时使用的“片段单位”，一段长对话、一个代码仓库，都会消耗不少 token。
另一边是 ChatGPT Plus 这类固定月费订阅。无论这个月问了十个问题，还是连续几天拿它当研究助理，价格都不会随着每一次调用线性增长。
如果把两者机械地对比，就会得出一个很刺激的结论：用户赚麻了，公司是不是亏麻了？😅
但实际情况没有这么简单。这里至少要区分两个概念：单次推理成本，以及公司的整体成本。
单次推理成本，是模型回答一次问题需要消耗多少 GPU 时间、电力和网络资源。公司可以通过很多工程手段把它压下来。
比如，模型会使用 KV Cache。简单说，就是把已经算过的上下文缓存起来，后面不必每次从头计算。服务端还会把多个用户的请求放在一起批处理，让 GPU 尽可能保持忙碌。模型路由也很重要：简单的摘要、翻译和格式转换，不一定需要调用最强、最贵的模型；只有复杂任务才升级到更大的模型。
此外，模型本身也在不断优化。同样一个功能，可能从一个庞大的模型变成一个更小、更快的版本。用户看到的是“回答依旧很聪明”，服务器看到的却是“这次少烧了一些算力”。
因此，不能简单地说每个 Plus 用户都在亏钱。可能有人每月只消耗很少的资源，订阅费足以覆盖成本；也可能有人高强度使用，尤其是大量调用推理模型和 Agent 功能，确实会吃掉更多计算资源。
Codex、Claude Code 这类 Agent 产品，又和普通聊天不同。它们会阅读大量代码，进行多轮推理，调用终端、搜索文件、修改文件，再运行测试。一次任务可能不是“一问一答”，而是几十个小步骤串起来。
普通用户是在问 AI 一个问题。程序员用户有时是在让 AI 当一个全天候实习生。后者当然更贵。
AI 公司真的在亏本赚吆喝吗？
我不太相信“AI 公司都是骗局”这种特别省事的说法。它听起来很有气势，但通常没有解释任何问题。
更准确的说法是：AI 产品可能在赚钱，但 AI 公司整体仍然可能亏损。
这两个结论并不冲突。一个用户的订阅收入，可能覆盖这个用户日常使用的推理成本，甚至还能留下利润。但公司还要训练下一代模型、购买 GPU、建设数据中心、支付电费和网络费用，还要雇佣研究人员、工程师、产品经理和安全团队。
而且，AI 公司不能只满足于今天的模型。模型能力一旦停滞，用户就会转向竞争对手。于是公司必须持续训练更大的模型、推出更好的推理能力、支持更长的上下文和更复杂的 Agent 工作流。
从消费者角度看，我们确实正在享受一种巨大的补贴。低价订阅让很多原本接触不到先进模型的人，第一次拥有了比较强的编程、写作、翻译和学习辅助能力。
但从公司角度看，低价订阅也可能是一种战略投入。公司希望先让用户形成习惯，建立生态，再寻找更稳定的收入来源。就像很多互联网产品早期免费一样，真正的商业答案可能要过几年才会出现。
AI 到底是不是泡沫？
我的看法是：AI 技术不是假的，但 AI 投资一定存在泡沫。
这两个判断可以同时成立。
ChatGPT 改变了很多人的学习方式。Codex 让我在写代码时少做一些机械搜索，多做一些设计和判断。AI 也开始进入科研流程：从文献整理、代码复现，到实验记录和结果分析，它正在改变研究者分配时间的方式。
但资本市场的预期可能会远远跑在技术落地前面。回头看互联网泡沫就很容易理解这一点。互联网是真的，Amazon 和 Google 也是真的，但 2000 年前后并不是所有带有“.com”的公司都值得当时的估值。
泡沫破裂并不意味着互联网消失。同样，未来即使 AI 相关资产大幅回调，也不代表大模型、智能编程和 AI 科研工具会被全部扔进垃圾桶。
泡沫往往不是技术不存在，而是大家把技术未来十年的价值，提前在今天的价格里计算完了。问题不在于 AI 有没有用，而在于它能不能以足够快、足够稳定、足够便宜的方式创造收入。
AI 泡沫如果破裂，会怎么破？
我不认为它会以“某一天 AI 突然消失”的方式发生。更可能的过程是渐进的。
第一，大量数据中心和 GPU 集群继续建设。第二，市场慢慢发现，算力供给增长速度超过了部分实际需求。第三，GPU 租赁价格下降，模型调用变得更便宜。第四，一些没有明确商业模式的 AI 创业公司无法继续融资。第五，资本市场重新评估公司的收入、利润和长期价值。
这其实是一种很普通的产业周期。缺货的时候，硬件贵得你怀疑人生😵💫；过剩的时候，厂商又可能亏本卖。算力也一样，不会永远处在最紧张的状态。
所以我不相信“GPU 和内存从此以后永远这么贵”。更准确的说法是：2026 年可能是过去很多年来 DIY 装机性价比最差的时期之一，尤其是 64GB 或 128GB 内存、大容量 SSD，再加一张高端 NVIDIA GPU 的组合。
泡沫破裂，可能不是因为 AI 没有价值，而是因为资本提前十年把未来的钱花完了。
最讽刺的事情：AI 让我用上了廉价智能，却让我买不起电脑
这段时间内存、存储和显卡的价格已经开始放飞自我了。
我本来准备在进入研究生阶段后买一台高性能台式机。未来做计算机视觉和深度学习，显卡、内存和 SSD 都很重要。双目匹配、多视图立体视觉、深度估计这类任务，经常需要处理大分辨率图片、视频和模型权重。能够在本地快速运行实验，当然是一件很有吸引力的事情。
但我开始认真看硬件价格后，心情逐渐从“准备升级设备”变成“先打开价格保护自己的血压”。
显卡价格受 AI 服务器需求影响，内存和 SSD 也受到存储产业周期影响。即使我不购买数据中心 GPU，也会通过消费级市场间接感受到这场算力竞赛的压力。
有一天我突然发现：我使用 Codex 写代码，背后是云厂商疯狂购买 GPU 和内存；然后我打开电商平台看电脑内存，价格让我怀疑人生。
这就是现在最奇妙的反差。AI 让我用几十美元获得了过去很昂贵的智能服务，却可能让我多花几千元购买一台本地电脑。
AI 让智能变便宜，却让计算资源变昂贵。
当然，价格上涨不一定全部由 AI 导致。供应链、厂商库存、汇率、产品换代和市场预期都会影响价格。我不想把所有涨价都归结为“AI 抢走了内存”。
但产业链之间确实存在联系。服务器厂商增加采购，会影响产能分配；存储厂商会根据利润调整产品线；当整个行业都在追逐高毛利的 AI 相关硬件时，消费级产品就可能被排到后面。
普通消费者需要知道的内存知识
DRAM：内存芯片的大类
DRAM 是动态随机存取存储器，是电脑内存和很多专用内存产品使用的基础技术类别。它的特点是速度快，但断电后数据会消失。
DDR5：普通电脑里的内存条
DDR5 是目前主流电脑平台使用的一代内存标准。我们购买的 32GB DDR5 内存条，本质上是由 DRAM 芯片、PCB、电源管理和其他元件组成的消费级产品。
它负责给 CPU 和程序提供临时工作空间。内存越大，同时打开的程序越多，处理大型数据集时越不容易捉襟见肘。
GDDR：显卡使用的显存
GDDR 是显卡常见的图形内存。显卡需要快速读取大量纹理、特征图和中间计算结果，所以显存带宽通常很重要。
一张 RTX 显卡上的 GDDR6 或 GDDR7，和主机上的 DDR5 不是同一种产品。它们都叫“内存”，但服务的对象、设计目标和封装方式不同。
HBM：AI GPU 旁边的高带宽显存
HBM 可以理解为高带宽内存。它通过更宽的连接和更先进的封装方式，让 GPU 在短时间内读写大量数据。
H100、B200 等 AI 加速器会使用 HBM。训练大模型时，算力固然重要，但如果数据喂不进 GPU，计算单元就会等待。HBM 的价值，正是尽量让 GPU 吃饱。
SSD：长期存储
SSD 使用 NAND Flash 保存数据。它和 DRAM 不一样，断电后数据仍然存在。系统、代码、数据集、模型权重和游戏都放在 SSD 里。
所以，DDR5、GDDR、HBM 和 SSD 并不是同一个东西。它们可能在同一轮产业周期中互相影响，但不能简单地说“AI 抢了内存，所以所有存储都应该同样涨价”。
为什么 AI 会影响普通电脑的内存价格？
核心逻辑并不复杂：
AI 服务器需求增加，服务器厂商大量购买 GPU、HBM 和 DRAM 相关资源；存储供应商调整产能，把更多资源投入利润更高的产品；消费级产品的供应和库存就会受到影响；最终，普通用户在购买内存和 SSD 时感受到价格变化。
这不是一条“AI 直接拿走了你购物车里的内存条”的直线，而是一条经过供应链、产能分配和市场预期放大的曲线。
我越来越觉得，装机并不是简单比较“这张显卡有多少 CUDA 核心”。它还要判断现在是不是适合买，自己的任务是否真的需要，远程算力能不能补上短板，以及这套设备准备使用几年。
现在学生应该怎么办？
我用最直白，最不绕弯子的方式讲：别配台式！（除非你真的有硬性需求）
可能有人会觉得：“男人总要有一个台式电脑”，其实我之前就一直有这种思想。但是理性分析，这其实是外界给我们灌输的需求，不是我们真正的自身需求。
结合自己的情况，我暂时不打算为了“未来可能用到”而购买一套特别昂贵的高端台式机。
日常写代码、阅读论文、整理笔记、运行轻量实验，我可以使用一台稳定的 Mac 或普通开发设备。需要 CUDA、大显存和长时间训练的任务，则通过实验室服务器、云 GPU 或 AutoDL 解决。
这种模式可以叫作“Mac + 远程 GPU”。本地设备负责编辑、调试、文档和交互，远程设备负责训练、推理和大规模实验。通过 SSH、VS Code Remote、Git 和容器，我仍然可以把远程环境用得像一台放在旁边的工作站。
它当然不完美。网络不稳定时，远程开发会让人想把路由器从窗户扔出去😂；云 GPU 按小时计费，也要求我更加注意实验管理，不能把一张卡开着然后去睡觉。
但它有一个很现实的优点：我不需要现在一次性承担全部硬件成本。如果未来进入实验室后发现确实需要本地大显存，再根据研究方向购买也不迟。
对于其他学生，我觉得可以先问自己三个问题：
- 我是否真的需要本地 GPU，还是只是想拥有一张看起来很强的显卡？
- 我的实验是否可以迁移到实验室服务器或云 GPU？
- 如果硬件价格在一年后下降，我现在购买的设备能否仍然带来足够价值？
如果答案不够确定，等一等并不丢人。硬件周期不会因为我们焦虑就停止。
结尾：AI 时代最大的矛盾
现在这个时代很奇妙。
一个普通学生，只需要几十美元，就能拥有过去价值巨大的语言、编程和知识工具。我可以让 AI 帮我解释论文、分析代码、修改博客，甚至一起讨论一个模糊的想法。这样的能力普及速度，确实让人震撼。
但与此同时，想买一台拥有足够算力的个人电脑，却变得越来越困难。我们正在进入一个“软件越来越便宜，硬件越来越昂贵”的阶段。
这并不一定是坏事。它可能推动更多人使用云计算，推动工具变得更高效，也迫使我们重新思考什么叫“拥有一台电脑”。过去我们习惯把所有东西都塞进本地机箱，未来可能会把本地设备、远程 GPU、云端存储和 AI Agent 组合成一个新的个人计算系统。
我享受 AI 红利，也会吐槽硬件价格。我不想把这两种情绪强行统一。因为消费者的真实处境，本来就不是一篇投资报告里的单色曲线。
AI 最终可能让普通人拥有更多能力。但在这个过程中，它也会改变我们购买硬件、使用计算资源和理解“电脑”的方式。
至少对我来说，下一台电脑不一定需要拥有世界上最强的 GPU。它首先应该是一台让我能持续学习、写代码、做研究，并且不会让我在付款时产生人生走马灯的设备。😮💨