夜雨聆风有一个问题我最近一直在想：为什么 AI 这个东西，感觉跟以前的技术不太一样？
以前每次技术革命，最终结果都是"消费者平等"。
可口可乐，穷人喝得起，富人也喝；
iPhone，工薪族攒两个月工资也能买一台；
特斯拉，现在二三十万也能开上。
更别说互联网了——马斯克和你用的是同一个 X（Twitter），同一个 GitHub，同一个 Google。
技术的规模效应把价格打下来，最终大家用的东西趋于一致。
但 AI 大模型，好像正在走一条完全相反的路。
现在的分化，已经开始了
先说一个具体的数字：Claude Code 的 Max 套餐，月费 200 美元。这已经是很多程序员一个月零花钱的量级了。
而 OpenAI 曾经内部讨论过一个月费 2 万美元的超级套餐，提供最顶级、无限量的大模型服务。2 万美元，折合人民币接近 15 万——一个月。
这不是科幻，这是真实发生的定价讨论。
你可能会说，现在免费的模型也挺好用的嘛。
没错，但"挺好用"和"最好用"之间的差距，正在被有意拉大。
免费层给你的是限速的、参数更小的、上下文更短的模型；
付费层给你更强的推理、更长的记忆、更快的响应。
这个差距不是偶然的，是商业模式设计出来的。
为什么 AI 没有规模效应
工业品有一个铁律：产量越大，单位成本越低。一瓶可乐的成本，随着工厂规模扩大会不断下降。芯片、手机、汽车，都遵循这个逻辑。这就是为什么技术最终会普惠大众——规模效应把价格打穿。
但大模型不是这样运作的。
模型越强，需要的算力越多。更多的参数、更长的上下文窗口、更复杂的推理链——每一项都直接对应更多的 GPU 时间、更多的电力消耗、更多的内存带宽。你多用一个 token，就多花一点钱，这个关系是线性的，甚至是超线性的。
更要命的是，扩大规模反而可能更贵。
建更多的数据中心，意味着要改造电网、铺设冷却水路、采购更多的 H100/H200。
这些基础设施的边际成本并不会随规模下降，有时候反而因为选址、电力供应等问题而上升。
OpenAI 的奥特曼自己说过，训练下一代模型的成本是"令人震惊的"。
所以，大模型的经济学和工业品是反的：你想要更好的服务，就得付更多的钱，而且这个"更多"没有天花板。
算力即权力：富人和穷人用的不是同一个 AI
这里有一个很现实的问题，程序员们可能已经感受到了：同样是"用 AI 写代码"，用免费 GPT-4o mini 的人和用 Claude Max 的人，体验根本不在一个维度上。
前者能帮你补全几行代码、解释一个报错；后者可以读完你整个项目的代码库，帮你做架构重构，自动跑测试，提 PR，甚至在你睡觉的时候继续工作。这不是量的差距，是质的差距——后者已经接近一个初级工程师的生产力了。
著名风险投资人 马克・安德里森 说过一句话，大意是：AI 会是有史以来最大的财富放大器，用得好的人会获得指数级的优势。
这句话的另一面是：用不起好 AI 的人，会在竞争中被越拉越远。
马斯克的乐观预言，以及为什么我不太信
马斯克最近表达过一个观点：算力本质上是能源转化的一种形式。
如果人类最终实现了廉价能源的大规模供应——比如空间太阳能，或者核聚变——那么算力成本会大幅下降，最顶级的 AI 服务也会变得人人可及。
这个逻辑在理论上是成立的。能源便宜了，电费降了，数据中心运营成本降了，模型推理成本自然也降了。
但问题是，这个"最终"要等多久？
核聚变商业化，乐观估计还要 20-30 年。
空间太阳能更是遥遥无期。
更何况，即使算力成本下降，商业公司也未必会把价格降到零。他们完全可以用降下来的成本去训练更强的下一代模型，然后继续收高价。这才是更符合商业逻辑的选择。
作为程序员，我们能做什么
说了这么多，回到我们自己身上。作为程序员，面对这种分化，其实还是有一些操作空间的。
第一，把钱花在刀刃上。
不是所有任务都需要最强的模型。写单元测试、补文档、解释报错，免费模型完全够用。真正需要强模型的，是复杂的架构设计、跨文件的重构、需要长上下文的代码审查。学会区分任务，按需选择模型，能省下不少钱。
第二，认真考虑本地模型。
Ollama、llama.cpp 这些工具已经相当成熟了。如果你有一台配置不错的 Mac（M 系列芯片）或者带独显的工作站，跑 Qwen2.5-Coder 或者 DeepSeek-Coder 完全没问题。能力比不上 Claude 3.5 Sonnet，但对于日常编码辅助已经够用，而且没有额度限制，隐私也更好。
第三，如果你在公司工作，把 AI 工具的费用纳入工作成本去争取报销。
这是完全合理的——你用更好的 AI，产出更高，公司受益，凭什么自己掏钱？
最后说一句可能有点扎心的话：AI 的分化，本质上是在放大已有的不平等。
有钱的人、有资源的公司，会用更好的 AI，产出更好的结果，赚更多的钱，然后继续用更好的 AI。
这个飞轮一旦转起来，追赶的难度会越来越大。
所以，与其等着技术普惠，不如现在就想清楚：在你能负担的范围内，怎么把 AI 用到极致。
