我每个月的AI账单,已经比水电煤网加起来还高了

看见新闻，说是豆包推出了专业版要收费了。

其实类似的产品收费的早就有了，作为Kimi的忠实用户，我每个月都要花49块充Kimi（降价了，现在39了），主要看中它上下文长外加做PPT的功能，省去我很多麻烦。

豆包还真的不怎么用，因为模型能力真的一般，支撑不了我的专业需求，除了偶尔用来练练口语会想起它，不过作为一个大杂烩产品，反应够快，还多模态，解决日常问题合格了（至少比百度一下强100倍）。

我是一个AI的重度用户，可以说AI的诞生完全颠覆了我自己以往的行为习惯。日常所有的事情我都会在行动前思考下能不能让AI代劳。

除了Kimi以外，工作上用的最多的模型是Claude Opus 4.6和GPT-5.5，没错，都是国外公司的产品。虽然很不愿意承认，但在写代码能力这一块，这两个模型能力绝对是一骑绝尘。

缺点是，贵，真的太贵了，每个月的AI充值已经超越我家水、电、煤、网加起来的费用了，这还是在我抠抠搜搜的、简单任务切换免费模型的情况下的花销。

说了这么多，还没解释下模型到底是个什么东西，为什么会有这么大的差异。

可以把大语言模型想象成一个超级压缩包。互联网上公开的文本、代码、知识，全被压缩进了这个“包“里——但它不是简单的zip压缩，而是学会了这些文字背后的规律和逻辑。

就像一个围棋高手看了几千万盘棋谱后，不再需要死记硬背每一步，而是“知道“该怎么下了。

你在对话框里打字问它问题，它做的事本质上就一个：猜下一个字该说啥。只不过它猜得极其准，因为它“读过“的东西比任何人一辈子能读的都多得多得多。

以前的大模型像是一个记忆力超强的书呆子——你问它“静夜思下一句是什么“，它能秒答“疑是地上霜“。但你让它写一份营销方案，它就只会拼凑一些看起来很对但实际没什么用的废话。

现在的模型不一样了，它不光记住了知识，还具备了推理能力。你给它一个复杂问题，它会像人一样拆解、思考、一步步得出结论。这也是为什么模型能写代码——写代码本质上就是“把需求拆解成逻辑步骤，再翻译成编程语言“，而这恰好是推理能力的体现。

所以模型跟模型之间的差距，说白了就是：

“读过“的东西多少不同（训练数据），”猜字“的准确率不同（模型能力），能处理的“字数“不同（上下文窗口）

就这么简单。

所以当DeepSeek V4横空出世后，我就赶紧试了下，我用Claude Code接了DeepSeek V4，说实话，第一反应是震惊——这玩意儿写代码的水平竟然真的能跟Claude和GPT掰掰手腕了（虽然还是逊色的，但比以前只能望其项背好多了）。

最关键的是，便宜太多了（都这个价格了，还要什么自行车）。我这几天把大部分日常任务都切到了DeepSeek V4 Pro上，只有遇到特别复杂的架构设计或者疑难问题才会切回Claude。就这一个动作，每个月立省好几百。

但DeepSeek V4 Pro肯定也不是完美的。用了一段时间，我明显感觉到它有几个短板：

第一，中文理解有时候不在线。偶尔会出现一些很基础的错误，比如让它总结一段中文文章，它抓错了重点，或者理解偏了某个句子的意思。

第二，多模态约等于没有。我要画个架构图、做个流程图、分析个复杂图表的时候，还是得乖乖切回GPT。

第三，生态还不够成熟。配套的工具链、第三方集成、插件这些，跟OpenAI和Anthropic比还有不小差距。

但即使有这些不足，DeepSeek最让我震撼的还不是能力本身，而是它在受限硬件上做到的这一切。

要理解这事儿有多难，得先明白训练一个模型是啥概念。

想象一下，你是一个超级学霸，要在一年内学完人类积累的所有知识——数学、物理、哲学、编程、几十种语言、无数本书。你肯定不是一个人学，你得叫一大帮人一起来学，大家一起分工、互相讨论、同步进度。

训练大模型也是类似的。它不是在一台电脑上跑的，而是成千上万块芯片连在一起，组成一个巨大的“算力集群“，一起干活。

问题来了：芯片之间要频繁地交换数据、同步状态，就像那群一起学习的人要不断开会对齐进度。这个过程中，芯片的算力、芯片之间的通信速度、稳定性，每一项都会直接影响最终结果。

现在英伟达的高端芯片不卖给中国了。H100、B200这些最新最强的卡，中国企业拿不到。能买到的是H800——英伟达为了合规专门做的”出口管制版”，它的算力跟H100一样，但芯片之间互联通信的带宽被砍了一大半。

打个比方：

让OpenAI用H100/B200去训模型，就像给你一个设备齐全的现代化厨房，有最好的灶台、烤箱、刀具，旁边还配了个助理帮你打下手。你做菜自然又快又好。

让DeepSeek用H800训模型，同一套炉灶，但水管被人拧细了一半，排风扇的转速被限制了，烤箱的电源线被拔了一根。菜还是能炒，但出菜速度被卡脖子了——不是因为你厨艺不行，是你每做一步都得等水烧开、等风排出去。

但DeepSeek愣是用这套被阉割过的设备，做出来一桌能跟米其林餐厅叫板的菜。

这背后的工程优化、训练技巧、架构创新，真的不是一句“牛逼“就能概括的。你得在算法的每一层、每一处想办法省显存、提效率、压带宽，把硬件的每一滴性能都榨干。

前段时间还有一个新闻让我印象很深：荷兰半导体设备巨头ASML的首席执行官最近接受采访时说了一句话——“试图孤立中国，只会加速中国在芯片技术上的创新。“他还打了个比方：你越是阻止一个人接触健身器材，他就越会去做俯卧撑、引体向上，用自重训练练出一身肌肉。原话大概是这个意思。

DeepSeek就是那个被逼着做俯卧撑的人。买不到最好的芯片，那就把算法优化到极致，硬是走出了一条跟OpenAI完全不同的技术路线。讽刺的是，这条被“逼“出来的路，后来反而被学术界认为是更高效的方向。

所以现在我自己的工作流变成了一个拼盘：

写代码、Debug → DeepSeek V4（省钱主力）/ Claude Opus 4.7+GTP 5.5（攻坚）

写文档、做PPT、长文分析 → Kimi（长上下文yyds）

查资料、日常问答→ 混着用，哪个快用哪个

练口语→ 豆包（就这个场景它还行）

画图、多模态→ GPT 5.5（暂时还离不开）

每个月算下来，AI订阅费还是得大几百块，但比之前纯用海外产品的时候降了不少。

回到豆包收费这件事，我觉得是好事。训练的巨大成本本身就摆在那儿呢，市场需要合理化竞争，长远的发展下去，最终受益的是用户，当然了，用户买不买单，就看市场了。

最后送给大家V4发布时，DeepSeek官网上的一句话，我个人非常喜欢。

“不诱于誉，不恐于诽，率道而行，端然正己”。

国产模型，冲啊！