文玑阁

黑话词典与防坑：听懂圈内人聊什么 | AI 算力 · Token 知识篇⑤

Fri, 06 Nov 2026 09:20:23 +0800

🤐

为什么圈里人聊天像暗号这份词典帮你脱盲

小张混进一个 AI 交流群，满屏弹幕把他看懵了："这个中转站的倍率才 0.07""小心号池掺水""昨天那家跑路了""群里有个告子"……

他默默退群，觉得自己像个误入黑帮电影的外卖员。

其实这套"黑话"没那么神秘，多半是灰产和开发者圈子里约定俗成的 shorthand。本篇就把它们一次性翻译成人话，顺便把最危险的几种骗局和红线讲清楚。听懂黑话不是为了入圈，是为了不被忽悠。

📖

黑话词典：点开逐条翻译 14 个高频词，一次搞懂

下面这十四个词，是你在社群、二手平台、灰产广告里最高频遇到的。点开任意一条看翻译：

灰产和社群黑话，指专门举报违规账号、中转站的人。在灰产生态里，一个账号或站点被"告"了，轻则封号、重则牵连站长被查。对做灰产的人来说，"告子"就是悬在头上的"人肉风控"，所以圈内人对陌生人格外提防。

中转站的价格密码：价格折扣系数。每消耗官方价值 1 美元的 Token，你的账户只扣 0.1 美元，就叫 0.1 倍率（官方一折）。倍率越低越便宜，但低于官方一折还能盈利，基本靠灰产渠道补差价。

用虚拟卡、零成本注册的免费试用账号，寿命约一天。榨干额度即弃、全自动轮换。因为是"白嫖"来的，价格能压到 0.03 倍率，但极不稳定，随时消失。

中转站批量囤积、养大的账号集合。统一调度、对外零售，一个号一天能被分给几十个人用。号池规模越大，抗封能力越强，但合规风险也越高。

整合、转发、转租海内外模型接口的"中间商"。把一份订阅拆成多份卖，赚取价差。合规与否，全看它的接口来源和手段。

卖家收了钱、平台突然关停消失。你的余额瞬间蒸发、维权无门——因为很多交易根本没工商登记，你连"告谁"都不知道。

替人用非正规渠道（盗刷卡、黑卡、批量薅额度）充值。价格诱人，但来源随时翻车：原主一挂失，你的额度当场归零。

第三方对中转站或模型做性能与身份测评，鉴别它有没有"调包模型"——宣称接的是某顶级模型，实测输出、元数据却对不上。跑分是普通用户识破"假模型"的主要手段。注意：同一个词在黑产洗钱语境里是另一回事——指用收款码帮人走账洗钱，别和这里的"测评"搞混。

圈里人对"中转站、聚合平台"的俗称。听到"换个台子""这家居然跑路了"，就是指换一家中转站、或聊某家中转站出事。注意：在更广义的黑产词典里，"台子"也可能指诈骗团伙搭的虚假博彩/投资平台，但 AI 圈说"台子"，通常指的就是中转站。

加入某个中转站、充值成为其用户，或参与某个限时套利项目。灰产群常喊"还能上车"=这波项目还能参与、快冲；"下车"则指撤资或退出。

用"接码平台"批量接收短信验证码来注册账号。日抛号、号池里的大量账号，源头往往就是接码注册的——这正是不少灰产"零成本起号"的手段。

批量注册后，用脚本维持账号活跃度、把号"养大"，避免被平台风控秒封。中转站的"号池"规模，靠的就是持续养号。

简称"撸毛"，指薅厂商的新用户免费额度、活动福利。灰产第一层套路（卖"破解教程"）教的就是多设备、多账号反复"撸"，白嫖额度再转卖。

把账号/订阅的额度用到上限，或把倍率、并发开到顶。常配合日抛号"拉满就弃"——反正号只活一天，不榨干不划算。

黑话是圈子的门禁，也是骗子的掩护。
学会翻译，门就对你敞开了。

🕸️

比灰产更狠的：Token 传销无限 Token 与空气币

如果说灰产是"便宜卖你假货"，那下面这两种就是纯粹的骗局，已经脱离技术、进入诈骗范畴：

① 无限 Token 代理（庞氏）

骗子搞个套壳 App，声称打通了所有顶级模型、代理享"无限 Token"，再让你交几千到上万元的代理费、拉人头拿提成。真相是：大模型按量计费，哪来的"无限"？他们初期烧低价或盗刷的接口顶着，等代理费收够了、并发一上来，就在后台偷偷降级到最便宜的开源模型，甚至直接跑路。这本质是击鼓传花的庞氏骗局——赚的根本不是 AI 服务的钱，是被骗者的代理费。

② AI 空气币

把加密货币套一层 AI 壳：鼓吹"算力紧张、参与训练得代币"，画饼代币会像比特币一样暴涨。上海闵行法院 2025 年宣判的一起真实判例里，被告人以推广"刷脸支付"加盟为幌子，发行毫无技术支撑的"GDFC"虚拟币谎称能变现，超 130 名投资者、3500 多万元血本无归，主犯以诈骗罪获刑十年。所谓"代币"，价格完全由发行方后台操控，就是空气。

当一个人开始跟你聊"无限"和"暴富"，
他盯上的大概率不是你的 Token。

⚠️

合规红线：这些会真坐牢不是吓唬你

前面几篇聊的大多是"买家风险"，这一篇要提醒：做灰产生意的人，踩的是真法律红线。

非法经营罪：无资质规模化转售接口、做号池中转，已被判例认定为非法经营，有站长被刑拘、取保候审。
侵入计算机信息系统：通过逆向协议、突破访问限制薅闭源模型输出，可能触犯相关刑法条款。
侵犯个人信息：中转站截留、倒卖用户对话与代码，违反个人信息保护法，无"规模小就豁免"一说。
数据违规出境：把用户数据路由到境外服务器，达到一定规模须履行安全评估，否则同样涉嫌犯罪。

所以：买家的最大风险是隐私和钱，卖家的最大风险是自由。这趟浑水，两边都别蹚。

🛡️

普通人防坑清单六条红线，照着做

① 走官方或正规授权渠道。贵得明明白白，胜过便宜得提心吊胆。
② 敏感数据绝对不过中转。代码、合同、商业资料，别喂给来路不明的接口。
③ 警惕"无限""暴富"话术。真按量计费，没有无限；拉人头返利，基本是传销。
④ 倍率低于一折要警惕。还能盈利，大概率靠灰产渠道补差价。
⑤ 学会跑分自测。同一道题对比中转站与官方输出，差距明显就该换。
⑥ 别买账号、密钥、代充。这些是黑产销赃链的一环，随时翻车。

最后一句话送给小张，也送给你：AI 的红利，从来不在灰色地带；它就在你规规矩矩用好的每一个 Token 里。

🎯

三题小测收个尾，看记牢没有

1黑话里的"告子"指的是？

2关于"无限 Token 代理"，本质是什么？

3下面哪条属于普通人防坑的正确做法？

🎬

Token 知识篇 · 全五篇完

从一颗 Token 的定义，到价格地图、蒸馏魔法、灰产揭秘、黑话防坑——
这套知识体系，帮你把 AI 算力这门账，彻底看明白。

灰产揭秘：低价 Token 从哪来，坑在哪 | AI 算力 · Token 知识篇④

Thu, 05 Nov 2026 08:59:40 +0800

🚨

几块钱的"会员"，藏着大坑央视都点名了

小张刷二手平台，看到一条诱人广告："几块钱用上顶级 AI 会员""无限 Token 套餐"。他心动了，花 20 块租了个账号。

结果一周后，账号登不上了，卖家人间蒸发。更糟的是，他之前在对话框里贴过公司的代码和合同——这些东西，全都经过卖家的服务器。

这不是段子。2026 年多家权威媒体连续曝光：在二手平台、社交平台上，有人打着"破解版""低价共享"旗号，兜售各类 AI 大模型的使用权益。官方明确回应：这类出租、售卖非官方授权，违反用户协议，将坚决打击。

省下的会员费，可能要用隐私和数据来付。
便宜的东西，往往在最贵的地方收费。

🧊

灰产的三层套路越往下，风险越高

记者实测，这类灰产大致分三种形式，风险逐级递增：

① 卖"破解教程"（风险最低，纯骗）

几块钱一份。实测发现，所谓教程根本不是破解，而是教人"多设备 + 多账号"反复薅新用户福利——你花几块钱，买到的是一堆无效操作。

② 出租账号（风险中等，交出去的是隐私）

按分钟或小时计费，你登录的不是官方页面，而是一个第三方"计时工作空间"。关键在：数据跟着账号走，你的全部对话对出租方可见。

③ 拆卖 API 密钥（风险最高，为黑产销赃）

几块钱到几十块，对应几百到上万次调用。安全专家直言：这些密钥来源混杂，有的来自开源网站批量搜集，有的来自入侵他人系统；一旦原主吊销，你的余额一夜归零。

一句话总结风险梯度：买教程，损失几块钱；租账号，交出去的是对话和文件；买密钥，是在给黑产的销赃链续费。

🔌

中转站：游走在边缘的"二道贩子" 它怎么把 Token 卖得这么便宜

比上面更成体系的，是所谓的"AI 中转站"——它把海内外大模型接口整合、转发、转租，包装成"一站式多模型调用"卖给开发者和个人。

它的核心赚钱逻辑，是把一份订阅拆成多份反复卖：批量注册或购买海外订阅账号，攒成"号池"，在海外架服务器做跳板，封装成标准接口，再以远低于官方价转售。

内部有套完整的"四层套利"模型：

第一层后付费霸王餐：早年绑空卡先跑量月底弃号，后来被预付制堵死。
第二层赛博学校：批量搞教育邮箱、伪造学生身份，薅云厂商送的巨额试用额度。
第三层订阅套利：买下大量低价区订阅账号，每个号往死里薅，成本几十美元、产出数百美元，拆零售。
第四层日抛号：用虚拟卡注册免费试用，零成本，寿命约一天——榨干就换号，全自动轮换。

其中某类海外模型号池成本，是另一家的约 10 倍，掺水也最狠——这解释了为什么有些中转站"用着用着就变傻了"。

🧮

倍率：灰产圈的价格密码揭开"0.1 倍率"的真相

中转站广告里常冒出"倍率"这个词。它其实就是价格折扣系数：每消耗官方价值 1 美元的 Token，你的账户只扣 0.1 美元，相当于官方价的一折。

点开下面的换算器，亲手感受：倍率越低越便宜，但业内有个经验法则——成本低于官方一折还在盈利，大概率走的是不正规渠道。

🧮 倍率换算器

填入官方实际消耗价值，看不同倍率下你的账户扣多少

官方实际消耗（美元）

$1.00 你的账户实际扣除（美元）

0.1 倍率 = 官方一折。低于此还在赚钱，基本靠灰产渠道补差价。

所以"一杯奶茶钱换几百万 Token"，数学上是成立的——前提是把合规、风控、诚信全部押上赌桌。赌赢了是暴利，赌输了是封号、跑路、甚至刑责。

⚖️

实测与监管：水有多浑不是消费纠纷，是安全风险

加州大学圣塔芭芭拉分校（UCSB）研究团队在论文《Your Agent Is Mine：Measuring Malicious Intermediary Attacks on the LLM Supply Chain》（arXiv:2604.08407，2026 年 4 月）中，实测了 428 个第三方 API 中转路由，结论触目惊心：

9 家在返回代码里主动注入恶意指令；
17 家窃取请求中埋入的云密钥；
1 家直接从对话记录里提取加密货币钱包私钥、转走资产；
累计处理超 21 亿 Token 流量，暴露 99 个真实凭证。

这不是"可能出事"，是"正在出事"。四重风险压在每个把代码和密钥交给中转站的人头上：个人数据裸奔、模型被偷偷缩水、暗藏后门、数据违规出境。

时间	动作
2026.6.8	国家安全部发布风险提示，点名中转站四大风险
2026.6.12	中央网信办举报中心开通涉 AI 应用乱象举报专区
2026.5	上海一名 AI 中转站站长（网名"瓜皮"）因"反向代理+账号池"涉嫌非法经营，被刑拘 37 天后取保候审

灰产赚的不是信息差，是信任差。
而你押上的，是不该押上的东西。

🎯

三题小测收个尾，看记牢没有

1关于灰产"出租账号"，最大的隐患是什么？

2中转站广告里的"倍率 0.1"是什么意思？

3关于中转站的安全实测，下列哪项是真实的？

📖

Token 知识篇 · 第四篇完

下一篇收个尾，把圈里的黑话一次性翻译成人话：
告子、倍率、日抛号到底都是啥，外加防坑清单。

蒸馏：让小模型继承大模型心法的魔法 | AI 算力 · Token 知识篇③

Wed, 04 Nov 2026 09:10:50 +0800

📱

大模型有个尴尬的痛它什么都懂，就是跑不动

顶级大模型有多猛？它能写代码、改文章、陪你聊天。但它有个死穴：太大了，根本塞不进你的手机。

一个旗舰模型动辄上千亿参数，体积几十 GB，得靠一整排高端显卡才能跑。让它待在云端当"共享学霸"还行，想让它住进手表、摄像头、车机、工控设备？门都没有。

于是工程师想了个办法：能不能让这个"学霸"把自己懂的东西，浓缩教给一个轻巧的"优等生"？这个"教"的过程，就叫知识蒸馏。

大模型像一位住不起的名师；
蒸馏，是把名师的本事录成一本便宜的小册子。

🎓

老师与学生，教的是什么不是标准答案，是"软知识"

传统训练，是告诉模型"这张图是猫"，标准答案只有"猫"。

蒸馏不一样。老师模型（那个大模型）被问到"这是猫吗"，它不会只说"是"，还会给出：猫 90%、狐狸 8%、狗 2% 这样的概率分布。这些细微的概率，藏着它对世界关系的理解——狐狸和猫像，狗又差一点。

这种概率分布，行内叫"软标签"。学生模型（小模型）不啃原始数据，而是直接模仿老师的软标签——学的是老师的"思维方式"和"判断倾向"，而不是冷冰冰的标准答案。

类比一下：普通训练是背标准答案；蒸馏是偷师心法。心法学到了，学生用极小的体量，就能继承老师大半的本事。

对比	普通训练	知识蒸馏
学什么	标准答案（硬标签）	老师的概率分布（软标签）
数据来源	原始标注数据集	老师的输出
学生体量	从头训练，通常较大	可远小于老师
效果来源	数据量	老师提炼过的高阶知识

🚀

小模型革命：三件事同时发生体积、速度、成本

蒸馏的价值，落到三个硬指标上，每一项都颠覆性的：

① 体积暴跌。参数可以从千亿级降到亿级、千万级，体积从几十 GB 压缩到几百 MB 甚至更小。手机、车机、摄像头都能装下。
② 速度暴涨。小模型推理轻快，响应速度能提升 10 倍、50 倍甚至 100 倍，真正做到毫秒级实时交互。
③ 成本暴跌。不需要高端显卡，普通芯片甚至嵌入式处理器就能跑。AI 从"云端昂贵服务"变成"本地免费、随时可用"。

🔬 蒸馏前 vs 蒸馏后

点按钮，看同一份"智能"被蒸馏前后的变化

蒸馏不是把大模型"压扁"，而是让小模型用更高效的结构，继承大模型提炼过的心法。

没有蒸馏，大模型只能困在云端机房；
有了它，AI 才真正装进了口袋。

🔍

但蒸馏不是"无损压缩" 便宜是有代价的

这里必须泼盆冷水：蒸馏 ≠ 把大模型无损压小。学生通常只能继承老师的一部分能力，遇到复杂推理、陌生任务、超长文本，能力会明显掉档。

更微妙的是：老师犯的错、带的偏见、产生的幻觉，学生也会一并继承。老师如果本身有偏见，学生学过去只会原样保留。

所以现实里蒸馏是门取舍的手艺——用"掉一点天花板"换"能落地、跑得动、用得起"。对客服、翻译、摘要这类明确任务，这笔买卖极其划算；对需要顶级推理的硬骨头，还是得请老师亲自出马。

⚖️

合规边界：技术中性，手段见分晓一场沸沸扬扬的蒸馏争议

2025 到 2026 年，蒸馏被推上风口浪尖。某国产头部模型被某海外闭源巨头指责"蒸馏"了自己，引发一场关于"这算不算偷师"的大辩论。要分清两层：

技术本身：中性且通用

蒸馏是机器学习里成熟、公开的通用技术，最早由图灵奖得主辛顿团队系统提出，全球厂商包括海外巨头自己都在用、甚至发工具教开发者蒸馏自己的小模型。它学的是"输出规律"，不是直接复制权重，本不涉密。

争议焦点：数据怎么来的

真正踩线的是获取老师输出的手段。如果通过批量注册账号、逆向协议、突破访问限制，海量"薅"某闭源模型的输出再去训练自己的模型，就可能触及对方的技术保护措施与知识产权边界。换句话说：蒸馏像一种学习方法，正常；但靠"作弊"搞到别人的"学习资料"来教自己，就可能惹官司。

所以结论很清晰：技术无罪，手段见分晓。合规蒸馏（用自有或授权数据、官方授权接口）是产业常态；游走灰黑手段的"工业化薅输出"，才是争议与风险的来源。

蒸馏是学习方法，不是盗窃工具。
用正当资料，它就是普惠；用歪门邪道，它就是麻烦。

🎯

三题小测收个尾，看记牢没有

1知识蒸馏中，学生模型主要学的是什么？

2关于蒸馏，下列说法哪个对？

3蒸馏争议的核心，通常落在哪里？

🕵️

Token 知识篇 · 第三篇完

下一篇画风突变，聊点刺激又危险的：
低价 Token 从哪来——灰产与中转站的水有多深。

价格地图：同一句话凭什么价差 60 倍 | AI 算力 · Token 知识篇②

Tue, 03 Nov 2026 09:41:12 +0800

🤯

一个离谱的价差同样 100 万颗，有人花 39，有人花 2331

还是小张。他做了个实验：用同一个智能客服脚本，分别接了两家模型——一家国产轻量、一家海外旗舰。一个月跑下来，处理量完全一样，都是每天约 100 万颗 Token。

账单出来，他揉了揉眼睛：国产那家月成本约 39 元，海外那家约 2331 元。同样的话、同样的工作量，价格差了将近 60 倍。

这不是个案。2026 年的 AI 算力市场，价格已经撕裂成两个世界：一边是打到"白菜价"的国产模型，一边是仍高高在上的海外旗舰。中间的价差，够你给整个团队买一年的咖啡。

同一个问题，问不同的人，报价能差出一辆自行车到一辆车的差距。
差的不是答案，是"牌价"。

🎭

价格体系，远不止"单价"两字同一模型至少有四副面孔

很多人看价格，只盯着"每百万颗多少钱"那一行。其实但凡认真用起来，你会发现同一个模型至少有四副价格面孔：

① 峰谷定价

和用电一样，算力也有高峰低谷。有的国产模型工作日高峰时段价格翻倍，低谷时段直接半价。会错峰的团队，成本能砍掉一大块。

② 缓存命中价

上一篇讲过缓存输入。它不只是"便宜点"——有的模型缓存命中价能压到原价的一折甚至更低。多轮对话、固定系统提示这类场景，缓存才是真正的省钱大头。

③ 批量折扣

不急着要结果的任务，走"批量通道"异步处理，常见能再打五折。适合离线清洗、大规模摘要这类活儿。

④ 长上下文加价

超过某个上下文长度（比如 20 万颗），单价会跳涨，有的直接翻倍。发超长文档前，最好先算笔账。

所以看价格千万别只看招牌价。真正要算的，是你自己业务的混合单价：输入多少、输出多少、命中多少缓存、走不走批量、上下文多长。把这几样喂进去，同一个模型对你而言可能是另一张牌价。

🌏

国内外横评：一张表看懂按 2026 年公开报价的"每百万颗"人民币单价

模型档位（按特征描述）	输入 ¥/百万	输出 ¥/百万	定位
国产轻量	约 0.3 - 1.0	约 0.6 - 2.0	高频批量、轻量任务
国产开源旗舰	约 3	约 6	性能第一梯队、可私有化
国产头部	约 8	约 24	中文场景主力
海外轻量	约 1.4	约 8.6	出海业务、轻量首选
海外旗舰	约 36	约 216	顶尖质量、企业级

注：上表为 2026 年国内外主流模型的公开报价区间，综合各厂商官网与第三方比价平台整理，用"档位"归类而非点名具体模型与版本——厂商调价频繁、版本号迭代快，点名反而容易过时。实际单价请以你下单时的官方报价为准；计费还受峰谷、缓存命中、批量、长上下文等因素影响，真实"混合单价"往往和招牌价不同。

这张表藏着两条硬规律：

规律一：国产整体便宜 5 到 30 倍。同档位对比，国产轻量与海外旗舰的综合单价能差出几十倍，性价比优势是实打实的。
规律二：输出贵是普世真理。无论国产海外，输出单价都是输入的好几倍。所以"靠输出吃饭"的业务，对价格最敏感。

值得一提的是，国产阵营里还有"免费档"——个别开源轻量模型直接免费用，靠生态和增值服务赚钱。这让价格体系的下限被进一步拉低。

🧮

价差计算器：亲手感受 60 倍同样用量，换个模型差多少

🧮 月成本价差计算器

假设每天 100 万颗（70 万输入 + 30 万输出），按月 30 天，选两档模型看差距

¥39 / 月左边所选模型 · 月成本（人民币）

切到「海外旗舰」对比，月成本会从约 39 元跳到约 2331 元——这就是同用量下的真实价差。

计算器背后是个扎心事实：绝大多数业务根本用不上旗舰模型的那点质量差距。把"杀鸡用牛刀"换成"杀鸡用菜刀"，账面上省下的，是实打实的利润。

🇨🇳

国产凭什么这么便宜不是偷工减料，是结构性便宜

有人怀疑：国产这么便宜，是不是偷工减料？答案是否定的。便宜来自几个结构性原因：

① 开源阵营把地板砸穿。国产头部开源模型直接公开权重，任何人可免费下载自部署，官方托管价自然被压到极低，逼着闭源厂商也跟着降。
② 国内算力与数据成本更低。训练所用的国产芯片、电力、工程人力，综合成本结构不同于海外，终端定价有更大腾挪空间。
③ 市场太卷，价格战白热化。国内大模型厂商扎堆，获客阶段宁可贴钱换份额，把"每百万颗"打到几毛钱。
④ 工程优化吃透了缓存与蒸馏。后面会讲到的"蒸馏"技术，让小模型也能接住大部分活儿，单位智能的成本被显著摊薄。

所以国产便宜，是"技术 + 成本结构 + 竞争格局"三股绳拧出来的，不是简单的补贴游戏。这也意味着，对绝大多数中文业务，国产模型已经是性价比最优解。

便宜不一定是廉价。
当价格战打到地板，受益的是每一个真正用 AI 的人。

🎯

三题小测收个尾，看记牢没有

1关于价格体系，下列说法哪个对？

2同样是每天 100 万颗 Token，国产轻量与海外旗舰的月成本大概差多少？

3下面哪个是真正能降本的手段？

🧪

Token 知识篇 · 第二篇完

下一篇聊一个听起来很玄、其实很朴素的技术：
蒸馏——怎么把昂贵的"学霸"浓缩成便宜的"优等生"。

Token 是什么：大模型按粒数钱的最小账单 | AI 算力 · Token 知识篇①

Mon, 02 Nov 2026 09:35:11 +0800

🧾

先来一场账单惊魂字没变，钱却变了

小张是个爱折腾的程序员，上个月调一个智能客服，月底收到一张调用账单。他盯着看半天：我明明没多打一个字，怎么这周比上周贵了三倍？

他去找客服理论，对方回了一句让他更懵的话："我们不是按字数收费，是按 Token 收费。"

这就是今天要拆的谜底。大模型这门生意，计费的最小单位根本不是"字"，也不是"句"，而是一个叫 Token 的东西。它看不见摸不着，却决定了你每一次对话框里那句"正在输入"背后，到底烧掉了多少钱。

先把结论拍在这儿：看不懂 Token，就永远看不懂自己的 AI 账单。而看懂它，只需要十分钟。

大模型的账本上，没有"字"这一栏。
只有一颗一颗被数过的"颗粒"。

🌾

Token 就是算力的"米" 最小计费颗粒度

用一个最接地气的比方：如果大模型是一口做饭的锅，Token 就是它计量原料的"米粒"。米粒可以是一整粒米（一个完整的词），也可以是半粒米（词的一部分），甚至是一粒碎渣（一个标点、一个空格）。

官方给过一个针对英文的粗估：1 个 Token 大约相当于 4 个字符，或者 0.75 个英文单词。所以 1000 个 Token 大约是 750 个英文词。中文、日文这类语言，因为字符更"密"，同样的意思往往需要更多的 Token——换句话说，中文用户天然更"费米"。

关键区别在于：人看的是"意思"，机器数的是"颗粒"。你发一句话，模型先把它切成一堆长短不一的 Token，再一颗一颗喂进去算。同一个意思，不同模型切法不同，Token 数也不同，账单自然不同。

你以为的计费单位	大模型真实的计费单位
字数 / 字符数	Token（按词、子词、字符的混合切分）
一句话算一份钱	输入多少颗 + 输出多少颗，分开算
中文一个字 = 一个字	中文一个字常占 1-2 颗 Token，比英文"费米"

所以小张的困惑解开了：他没多打字，但那周客服的回答变长了、上下文变长了，模型"煮"出来的米就多了，账单自然就涨。钱不是按你说了什么收，是按模型"嚼"了多少颗粒收。

🍱

一次对话，其实有四类 Token 在计费输入、输出、缓存、推理

很多人以为 Token 就一种，其实一次完整的对话账单里，悄悄躺着四类不同的 Token：

① 输入 Token（你喂进去的）

包括你的提问、系统设定、历史对话、你贴进去的文档。模型"读"一遍这些东西就要收钱。

② 输出 Token（模型吐出来的）

就是它给你的回答、生成的代码、总结的文字。这类通常最贵——为啥？因为生成是"一个字一个字憋出来"的，每吐一颗都要算一遍，而读取是一次并行读完。所以输出单价往往是输入的 1.5 到 8 倍。

③ 缓存输入 Token（重复利用的）

如果你反复发同样的长文档、同样的系统提示，很多平台会把这段"读过的米"存起来复用，价格比普通输入便宜一大截，有的能打到一折。

④ 推理 Token（不显形但计费）

一些会"先想后说"的模型，会在后台先产出一大段思考过程，这部分不显示给你看，但该收的钱一分不少。

账单上看得见的，是你的问题和它的回答；
看不见的，是它偷偷多嚼的那几口"思考米"。

一句话记住：颗粒度。Token 不是字，是计费的颗粒度；而输出这颗颗粒，比输入值钱得多。想省钱，核心就是——少喂米、少让它吐米、重复的米让它缓存着别重煮。

🧮

计价公式，其实就一行读懂账单的钥匙

所有平台的账单，本质都逃不出这一行：

总费用 =（输入颗数 × 输入单价 + 输出颗数 × 输出单价）÷ 1,000,000

因为单价通常标成"每百万颗多少钱"，所以最后要除以一百万。别被"百万"吓到，它只是个计量单位，就像油价按"每升"算、你只用了一点滴。

点开下面的计价器，亲手算一笔：填一下你大概的输入和输出长度，切几种模型档位，看看同样一段话，换个平台能差出多少倍。

🧮 Token 计价器

填颗数，选模型档位（按 2026 年公开报价估算的"每百万颗"单价），看本次花费

输入 Token 颗数输出 Token 颗数

¥0.012 本次调用花费（人民币）

同样这 2000 颗 Token，最贵的档位比最便宜的贵约 100 倍——这就是选模型的经济学。

你会发现一个反直觉的事实：决定账单的，往往不是你用了多贵的模型，而是你的输入/输出比例。一个读一万颗、只回五十个字的工作流，几乎全是输入驱动；而一个写长文的工作流，输出才是吞金兽。

💡

省钱的三道杠杆普通人立刻能用

看懂了颗粒度，省钱就是顺理成章的事。三道最实在的杠杆：

① 精简你的提示词：又臭又长的系统设定、每次都重发的模板，每调用一次都按颗数收钱。砍掉五百颗废话，乘以百万次调用，省的是真金白银。
② 善用缓存：重复的超长文档、固定系统提示，开启缓存后输入单价能打到一折甚至更低。多轮问答、客服这类"上下文几乎不变"的场景，缓存是省钱大头。
③ 控制输出 + 分层选型：给输出设上限，别让模型自由发挥写小作文；简单分类、抽取这种活儿，用轻量模型就够，把旗舰模型留给真正需要它的难活。

还有两招进阶的：错峰（部分平台低谷时段半价）和批量（不急着要结果的任务走批量通道，常能再打五折）。

省 Token 不是抠门，是工程素养。
每一颗被浪费的"米"，都是你账单上多烧的一粒煤。

🎯

三题小测收个尾，看记牢没有

1关于 Token 和"字"的关系，下列说法哪个对？

2为什么输出 Token 通常比输入 Token 贵？

3下面哪个不是省钱的有效杠杆？

🗺️

Token 知识篇 · 第一篇完

下一站聊最刺激的话题：
同样的 100 万颗 Token，凭什么有人花 39 块、有人花 2331 块？

中国棋局：B30A 被拒之后 | AI 打工日志·算力硬件篇④

Sat, 31 Oct 2026 09:03:18 +0800

🚫

从 95% 到零一个市场的消失与重生

2022 年，英伟达在中国 AI 芯片市场的占有率是 95%。那是一个连「国产替代」都显得渺茫的数字。

2026 年，英伟达官方口径的这个数字是：零。公司发言人的原话是「高度竞争的数据中心计算市场中份额为零」，连业绩指引都不再把中国单列。

但第三方口径没那么一边倒：IDC 数据显示，2026 年上半年英伟达在华 AI 芯片出货仍有 67.8 万块（同比下滑约 44%），市场份额约 34%；华为以 28% 紧随其后。华为徐直军 9 月更直言「昇腾应该已经超过了英伟达」。两个口径的差距，正是这场博弈最真实的部分——台面上的归零，台面下的暗战。

从 95% 到归零边缘，不是输给了竞争对手，是被两份文件抬出了市场：美国一纸出口管制不让卖，中国一纸政策不让买。2026 年 5 月，黄仁勋对媒体承认，公司已基本把中国 AI 加速器市场让给了华为，还劝投资者「对获批别抱任何期待」。

这一篇就讲清楚三件事：这中间发生了什么、国产芯片追到了哪、以及在这场全球最大的算力博弈里，普通人能看到什么机会。

商场失意者常说是市场抛弃了自己。
这一次，是市场被两份文件锁上了门。

📜

B30A 事件全程一款从未上市的芯片，和它背后的博弈

B30A 是英伟达为「后管制时代」的中国市场设计的一款芯片：基于 Blackwell 架构，砍掉一半算力，但保留高带宽内存和 NVLink 互联——按报道，性能定位在 H20 之上、B300 的一半左右。

设计思路很直白：强到让中国客户愿意买，弱到让美国政府挑不出毛病。结果两边都没讨好。

2025.08

路透社首次披露 B30A 方案，英伟达向部分中国客户送样

2025.11

白宫通知联邦机构：不允许 B30A 销往中国，英伟达回炉改设计

2026.01

美国放宽 H200 对华出口（改为逐案审查、抽成 25%），但不含 Blackwell 级产品

2026.05

黄仁勋承认基本让出中国市场，B30A 事实上流产

几个值得琢磨的细节：

「送样即流产」的荒诞。芯片送样到被拒只隔了三个月，一款产品从设计到流片要一年以上——政策的不确定性，比技术的不确定性贵得多。

H200 的 25% 抽成。2026 年 1 月的政策松动，是拿「逐案审查 + 向美国政府上缴 25% 收入」换来的。初期交付量只有几千片级别，对中国市场的算力缺口来说杯水车薪。

最狠的一刀来自内部。中国出台政策：使用国家资金的新建数据中心项目，必须采用国产 AI 芯片。翻译一下就是：就算英伟达的卡能买，国家队也不买了。

🐉

国产芯片追到哪了点击卡片，逐家看现状

🎴 中国 AI 芯片牌桌

点一张卡片，看它的性能、地位与现状

🟩

英伟达 B300

全球霸主 · 中国买不到

🔴

华为昇腾 910C

国产领头羊 · 国家队

🟣

寒武纪思元590

上市明星 · 推理见长

🟠

阿里平头哥真武810

自用为主 · 云厂商芯

把四张牌放在一起，牌面很清晰：单卡性能仍有 1-2 代差距，但「系统级对抗」已经开场。华为用超节点思路把多卡互联做成整柜方案，对标 NVL72；互联网大厂则用自研 ASIC 在推理侧抢份额。

分市场看会更客观：摩根士丹利测算的国产自给率路径是——2025 年约 35%，2026 年约 45%，2027 年有望到 68%。高端训练仍稀缺，中端推理的翻盘已经在发生。

外部的评估也不算乐观：有分析认为到 2027 年，美国最好 AI 芯片的性能仍将是中国的约 17 倍。差距是真实的，但方向也是真实的——这个市场已经从「会不会有国产替代」变成「国产替代进行到哪一步」。

💾

被芯片遮住的光国产存储在闷声发财

如果说芯片是棋局的明线，存储就是暗线——而且暗线这边的战况，比很多人想象的乐观。

还记得上一篇那场「硅基通胀」吗？DRAM 价格两年翻着跟头往上涨，全球缺货。这个背景给国产存储厂商送了一份大礼：国内芯片厂买不到最先进的，但国产内存 plug 进国产服务器，整条链自己转起来了。

两家的财报式战绩：

🏭 长鑫科技：从年亏百亿到「日赚约 3 亿」，国产 DRAM 的主力军；国产 HBM 产品预计 2026 年四季度小批量量产
💽 长江存储：以约 1600 亿元估值冲刺 IPO，国产 NAND 的顶梁柱

这就是「双循环」在硬件层的真实样子：中端的芯片 + 国产的存储 + 国产的整机 + 国家资金的项目，凑出一个自给自足的生态。性能不是最顶尖，但供应稳定、价格可控、不怕断供。

对下游企业，这反而成了实实在在的利好——内存全球缺货的 2026 年，能稳定拿到国产 DDR5 的整机厂，交付周期就是竞争力。

明线是芯片的差距，暗线是存储的逆袭。
一场封锁，逼出了一整条链的成熟。

🧭

这盘棋里，普通人的机会三个看得见摸得着的方向

地缘博弈听起来宏大，落到个体身上，机会其实很具体。

🔧 国产算力的「适配工」

国产芯片最大的短板从来不是硬件，是生态——把跑在 CUDA 上的代码迁移到国产平台，需要大量既懂 AI 又懂硬件的工程师。这个岗位缺口在 2026 年持续扩大，薪资一路看涨。会迁移、会调优的人，比会写模型的人更稀缺。

🏗️ 数据中心的「机电包」

液冷、高压供电、UPS、智能运维——每台 140kW 的机柜都是一套工业项目。上一页说过，机柜里英伟达拿走 92%，但供电和散热是「快速增长的那 8%」。国产替代浪潮里，这批土建+机电的生意正在县市级产业园遍地开花。

📈 二级市场的「卖铲人」

存不存储、做不做得成芯片，资本市场都给了答案：这轮涨价里最稳的利润在「卖铲子」的环节——存储原厂、设备商、封装测试。国产存储双雄的业绩爆发就是证据。当然，追高需谨慎，第三篇那份体检清单同样适用于它们。

最后说句实话：这场博弈没有赢家通吃，只有各取所需。美国保住了技术上限，中国建成了自主下限，而全球用户为两者的分裂支付了重复建设的成本——两份算力体系，两套供应链，两倍的研发。

这就是 2026 年算力市场的终局画面：一个星球，两套机房。

🎯

三题小测收个尾，看记牢没有

1英伟达在中国 AI 芯片市场的份额，从 2022 年到现在变成了多少？

2B30A 这款芯片最后的结果是？

3关于国产算力格局，下列哪个说法准确？

🌏

算力硬件篇 · 全四季完

机柜、内存、资本、棋局——四篇拼完 2026 年算力市场的全景。
你的下一台 AI 工位，不管在哪个机房，都运行在这套逻辑之上。

资本盛宴：谁在买单，泡沫了吗 | AI 打工日志·算力硬件篇③

Fri, 30 Oct 2026 09:07:01 +0800

💸

一年 7200 亿美元本世纪以来最猛的一轮资本开支

先看一个数字：2026 年，微软、谷歌、亚马逊、Meta 四家科技巨头计划投入 AI 领域的资金，合计约 7200 亿到 7450 亿美元（10 月最新口径，年初市场预估还只有 6500-7000 亿），同比增长约 60%。

7200 亿美元是什么概念？超过瑞典一年的 GDP。换成人民币，约等于每个中国人掏 3000 多块，凑给四家美国公司买显卡。

而这还只是四家的账。加上甲骨文（2027 财年资本开支指引 700 亿美元）、字节跳动、阿里、腾讯……这轮基建浪潮的总额，已经大到没法用一个数字概括。

更值得警惕的是参照系：高盛测算，当前美国 AI 领域投资占 GDP 的比重已达约 4.9%，超过 2000 年前后互联网泡沫时期的峰值。换句话说，论投入的疯狂程度，现在比当年还狠。

所以「泡沫」这个词，从 2025 年叫到了 2026 年。这篇不站队，把两边的证据都摆出来，最后给你一份体检清单。

当一个行业的投入强度超过历史泡沫峰值，
只有两种解释：要么是范式革命，要么是集体幻觉。

📊

四巨头的账单 2026 年资本开支一览

亚马逊

约 2200 亿美元

谷歌

约 1950-2050 亿美元

钱从哪来经营现金流不够，债券来凑

7200 亿美元不是从天上掉下来的。一个关键变化是：巨头们开始借钱建 AI 了。

过去一年，科技公司在美国债券市场的融资规模同比增长约 70%。亚马逊 2026 年的资本开支甚至超过了它全年的经营现金流——自己的利润已经盖不住野心，缺口靠发债补。

这引来了官方警告。国际清算银行（BIS）在 2026 年 6 月的年度经济报告中，把 AI 主导的投资风险列为核心警示，明确点名：大型科技公司的 AI 支出狂潮可能带来「长期投资失败」——钱花出去了，回报没来。

更激进的玩家已经在用真金白银示警：Meta 2026 年三季度自由现金流史上首次转负（约 -21 亿美元）；算力租赁商 CoreWeave 发行的无担保债券收益率已超过 15%——这个价位在投资级债券里近乎高利贷。

市场的反应也很诚实：2026 年初的财报季，巨头们业绩全线超预期，股价却不涨反跌，微软甚至出现单日下跌 10%。投资者的逻辑很直白：业绩好是因为卖云，烧钱是因为建云，建云的钱是借的——这买卖什么时候回本？

还有一个更微妙的信号：连数据中心本身都被打包成了金融产品。算力租赁商把机柜未来几年的收入做成证券化产品卖给投资者，银行、保险、私募都进来分一杯羹。盛宴的最后一棒，往往都是最聪明的钱在互相接盘。

📉

折旧暗礁 500 万的柜子，几年折旧完

这是整场盛宴里技术含量最高、也最容易被忽略的一笔账。

买一台 500 万美元的机柜，会计上不能一次计入成本，要按年限折旧。假设用 5 年，每年折旧 100 万；假设用 3 年，每年就是 167 万。折旧年限每改一年，利润表上就是几十万美元的差别。微软已经把数据中心的折旧年限从 15 年延长到 25 年——同样的设备摊到更长年份，每年的利润表压力就小一截，但这也意味着：如果设备五年就过时，账要难看很久。

问题在于：GPU 的真实寿命和贬值曲线，谁也说不准。二手市场给出的参照并不统一：Mercatus 的模型显示 H100 使用 18-30 个月还能保住 75%-85% 的残值；但拍卖行 Exit Technologies 的实测数据是两年约 61%、三年 45%-55%，GYGO 的模型更保守，24 个月只剩 30%-40%。当前二手实价大约 1.2 万到 2.2 万美元——比普通服务器硬件抗跌，但远不是「资产」该有的样子。

英伟达每年发新卡，就是悬在每张旧卡头上的达摩克利斯之剑。Blackwell 是 2025 年 3 月上市的，到 2026 年 1 月，H100 SXM5 的累计折旧已经达到约 34%。现在 Rubin 又在路上——今天买的 B300，三年后值多少钱，没人敢打包票。

有意思的是，需求端确实托住了底：CoreWeave 披露 H100 算力续约价约为原合同的 95%，推理需求让老卡不至于沦为废铁。这带来一个分裂的现实：会计上快速贬值的资产，商业上还在赚钱。这两者之间的差额，就是当前 AI 财报最大的模糊地带。

买卡时是资本开支，
折旧时是利润黑洞——中间隔着一整个「利用率」的问号。

🩺

泡沫体检表八个指标，像或不像

2000 年互联网泡沫有一幅经典画像：估值脱离盈利、杠杆堆叠、故事驱动、供给过剩、傻子接盘。拿这面镜子照今天的 AI，逐项对照——勾选你认为「成立」的项，下面给出综合判断：

🩺 AI 泡沫体检清单

勾选你认为符合当前现实的陈述，实时出具体检结论

📊 投资强度超泡沫峰值：AI 投资占美国 GDP 约 4.9%，已超过 2000 年互联网泡沫峰值🏦 杠杆快速上升：科技公司债券融资一年增长约 70%，资本开支超过经营现金流📉 业绩好股价跌：财报超预期但股价下挫，微软单日跌 10%，市场不买「烧钱换增长」🧾 折旧年限成黑箱：GPU 真实残值不明，折旧假设直接影响利润表，外界难以验证🧱 基建被金融化：机柜收入被打包成证券化产品，最聪明的钱在互相接盘🔋 能源与电网承压：供电指标成为瓶颈，电力成本推升通胀，央行官员公开警告📵 变现路径不清：除了云和 API，消费端、工业端规模化盈利仍在探索🧠 技术叙事遇瓶颈：预训练范式被指接近极限，高质量数据将在数年内耗尽

0 / 8

但泡沫派别忘了另一边的事实——这轮和 2000 年有两个结构性不同：

🕸️ 2000 年：纯烧钱

光纤铺设量超过需求 5 倍，至今没用完
明星公司普遍没有收入，只有「眼球」
股价暴跌后，留下的只有暗光纤

🤖 2026 年：有真实收入

算力是真需求：云租赁、API 调用、推理服务都在赚钱
每 token 成本逐年大降，使用量指数上升
泡沫破裂后，留下的卡还能继续服役多年

所以更准确的描述也许是：这是一场「结果确定但价格存疑」的盛宴。AI 改变世界大概率是真的，但当前这个价签，可能已经把未来五年的乐观都提前透支了。

🎯

三题小测收个尾，看记牢没有

12026 年美国四大科技巨头的 AI 资本开支合计大约多少？

2这轮 AI 基建和 2000 年互联网泡沫最核心的区别是什么？

3关于 GPU 折旧，下列哪个说法准确？

⚖️

算力硬件篇 · 第三篇完

最后一篇把镜头转向中国市场：
B30A 被拒之后，牌桌上换了谁。

内存狂飙：比黄金还贵的硅基口粮 | AI 打工日志·算力硬件篇②

Wed, 28 Oct 2026 09:15:01 +0800

📈

一盒内存，400 万 2026 年开年热搜，不是段子是报价单

2026 年 1 月，一条热搜冲上各大平台：「一盒内存条堪比上海一套房」。

事主是服务器用的 256GB DDR5 内存，单条价格已经超过 4 万元人民币（顶峰时部分型号逼近 5 万元）。有采购商晒单：一次买 100 根装一盒，400 万元——这个价钱在上海外环能拿下一套说得过去的商品房。

业内人士的原话是：「内存几乎一天一个价」。上午询价下午涨价，下单三天后到货价又变了——这种只在楼市和币圈见过的节奏，出现在了一个被认为「大宗电子元件」的品类上。

这不是孤立事件。往前看两年，DRAM 市场从 2025 年 7 月开始持续拉升，多数品类涨幅超过 100%；进入 2026 年，涨价的节奏不但没停，反而在加快。三星、SK 海力士给客户的 2026 年一季度报价，环比 2025 年四季度暴涨 93%-98%——二季度回落到 58%-63%，三季度约 40%，到四季度预估仍有 10%-20%。

这篇就把这件事讲透：内存到底为什么涨，谁在赚钱，什么时候是个头。

当「白菜价」的电子元件开始按克计价、并且贵过黄金，
你就该意识到：这不是周期，是搬家。

⚖️

按克算，比黄金贵 1.84 倍一个芯片的密度奇迹

先感受一个离谱的换算。2026 年 8 月 28 日，服务器 DDR5 16GB 规格的现货均价是每颗 53.9 美元。一颗这种芯片重约 0.2 克——

🟡 现货黄金

约 147 美元/克

💾 服务器 DDR5

约 270 美元/克

DDR5 内存的克价，是同期黄金的 1.84 倍。一个指甲盖大的硅片，按重量算是金子的近两倍——这在半导体历史上是从未有过的事。

更夸张的是韩国官方的出口数据：2026 年 8 月前 20 天，韩国出口 DRAM 的单价达到每公斤 9.2 万美元，同比暴涨 401%。按这个价算，一公斤 DRAM 的价值约等于 620 克黄金。

而且涨价不分贵贱。被视为「古董级」的 DDR4，因为产能被抽走，16GB 模组从 2024 年底的约 3.2 美元飙到 2025 年 12 月的 62 美元以上——老产品反而涨出了新产品的气势，因为没人生产了。

🔥

AI 到底有多能吃需求侧的三个数字

🧮 一台 AI 服务器，吃普通服务器 8-10 倍的内存

训练和推理大模型，本质是海量数据的来回搬运，内存带宽就是命。一台典型 AI 服务器的 DRAM 搭载量，是传统数据中心的 8 倍以上；机构预测 2026 年 AI 相关 DRAM 需求占比将突破 53%——每两片内存就有一片是给 AI 干的。

🏗️ 生产 1GB 的 HBM，要吃掉 3GB DDR5 的晶圆面积

HBM（高带宽内存）是把 DRAM 芯片立体堆叠起来的贵族品类，带宽是普通内存的数倍，是 AI 显卡的标配。但它的制造极其吃面积：同样一片晶圆，切 DDR5 能切出三倍的容量。HBM 卖得越火，普通内存的产能就被挤得越狠。

📦 巨头在恐慌性锁货

谷歌、微软、亚马逊等巨头不惜支付 50%-60% 的溢价锁定产能，供货协议提前 6 到 12 个月签。OpenAI 更是先后与英伟达签下 400-500 万张显卡、与 AMD 签下 240 万张的订单——这些卡每一张都要配 HBM。恐慌性采购本身，又制造了更多的恐慌。

🏭

产能大迁徙供给侧的集体「弃低就高」

需求爆炸只是一半，另一半在供给端，而且更有意思：存储厂商是「主动」造成缺货的。

全球 DRAM 产能被三星、SK 海力士、美光三家垄断，合计约 95%。2023 年之前那轮下行周期里，价格跌到三星创下 14 年来最差利润，三家集体减产止损。AI 需求一来，它们做了一个高度理性的决定：把产能全部搬到最赚钱的地方去。

账很好算：HBM 毛利率高达 60%，消费级 DRAM 只有 20%-40%。于是 SK 海力士把约 75% 的产能划给 HBM，三星的 HBM3E 订单一度占其 DRAM 总产能的 82%。整体看，HBM 消耗的晶圆占全球 DRAM 总产能的比例，已从 2024 年的 12.3% 膨胀到 2026 年的约 20.8%（东吴证券测算）——五分之一的硅片，都去堆 AI 的「显贵」了。

这就是「弃低就高」：不是产能不够，是没人愿意给你做普通内存了。拖下面的滑块，亲手体验一下这个挤压过程：

🏭 产能挤压模拟器

拖动滑块，决定把多少产能划给 HBM（AI 专用），看普通内存的下场

75%

普通内存供给

25%

普通内存涨价

+315%

滑块拖到底，就是 2026 年的现实位面。还有两个数字锁死了供给的弹性：2026 年全球 DRAM 晶圆产能净增仅约 1%，而三大厂规划的新产能要到 2028 年才可能释放。换句话说，哪怕现在价格再性感，短期内也变不出更多片内存。

至于消费级 DRAM 的缺口，那是这套逻辑的自然结果——不是需求消失了，是供给被抽干了。

🏆

谁在赢麻三大厂吃肉，国产双雄喝汤

这轮周期最大的受益者，是把筹码全押在 HBM 上的韩国双雄。

三星电子 2026 年二季度营业利润同比暴涨约 1814%（营业利润 89.5 万亿韩元，约合一年前的 19 倍）创下纪录；SK 海力士约四分之三产能给了 HBM，赚得盆满钵满；美光作为第三家 HBM 供应商，也顺势翻身。

HBM 内部还有一场「资格赛」值得关注：2026 年 6 月，英伟达宣布下一代平台 Vera Rubin 全面量产，HBM4 供应商名单锁定三家——SK 海力士预计拿下 60%-70% 的份额，三星 25%-30%，美光分剩余零头。为了拿到入场券，三星不惜把 HBM 产能规划扩张 50%。

中国这边，「国产存储双雄」吃满了国产替代的红利：长鑫科技从年亏百亿到「日赚 3 亿」，长江存储以约 1600 亿元估值冲刺 IPO。两家还在加速研发对标 HBM3e 的国产 HBM，预计 2026 年四季度小批量量产。

厂商	角色	2026 年状态
SK 海力士	HBM 霸主	约 75% 产能给 HBM；HBM4 份额预计 60-70%
三星电子	全品类巨头	季度利润 +1814%；HBM4 份额预计 25-30%
美光	第三极	HBM4 产能规划 1.5 万片/月
长鑫科技	国产 DRAM 主力	日赚约 3 亿；国产 HBM 2026 Q4 小批量
长江存储	国产 NAND 主力	约 1600 亿元估值冲刺 IPO

这轮周期最深刻的教训：
决定你赚不赚钱的，不是产能有多大，而是你把产能放在哪。

⏳

什么时候是个头三个观察指标

直接说结论：涨价的斜率在放缓，但方向还没转。

TrendForce 的最新预估：2026 年四季度，普通 DRAM 合约价环比再涨 10%-15%（10 月下旬口径已上调至约 20%），NAND 闪存涨 15%-20%。对比一季度环比 93%-98% 的涨幅，明显在收敛——但依然是两位数上涨，主流合约价看不到下跌的迹象。

高盛、集邦等机构的一致判断是：当前供需紧张格局至少延续到 2027 年下半年。理由还是那条：新增产能 2028 年才到位。

需要提醒的是：上面的涨幅说的是合约价与服务器品类。10 月以来，消费级内存的现货端已经出现涨不动的迹象，部分渠道价开始横盘——普通读者想攒机，盯现货走势比盯合约价更实际。

对下游厂商，TrendForce 的判断更扎心：存储占主流手机硬件成本的比例，已从 2024 年的一成多涨到三成以上，余承东公开表示每部手机的内存成本涨了超过 200 美元。2027 年这些产品的涨价基本无法避免，换机周期可能进一步拉长。

📅 看 2027 年下半年 —— 这是机构给出供需缓解的最早时间点
🏗️ 看 2028 年新产能 —— 三大厂新厂投产才是真正的拐点信号
🤖 看 AI 资本开支 —— 如果 CSP 们集体刹车，需求端会率先熄火（下一篇细讲）

🎯

三题小测收个尾，看记牢没有

1服务器 DDR5 内存 2026 年的克价，大概是什么水平？

2普通 DDR5 涨价的主因是哪个？

3关于这轮周期何时见顶，主流机构的判断是？

💾

算力硬件篇 · 第二篇完

下一篇把镜头拉远：
6500 亿美元的年度资本开支背后，是谁在买单，泡沫了吗？

机柜经济学：一个 AI 工位值多少钱 | AI 打工日志·算力硬件篇①

Tue, 27 Oct 2026 09:50:01 +0800

💰

先来看一组扎心对比你的工位 vs AI 的工位

你坐在工位上，公司在你身上一年花多少钱？工资、社保、工位、电脑、电费网费，杂七杂八加起来，一个普通岗位一年十万块算很体面了。

现在看看 AI 同事的工位。

2026 年市面上最主力的 AI 训练设备，是一台叫 GB300 NVL72 的液冷机柜。2026 年 8 月的真实采购单显示：买一台，略低于 500 万美元；部署到能跑，再加 70 万。

500 万美元，约合 3600 万人民币。这个柜子里没有你的衣柜，没有你的零食柜，甚至没有一把椅子——它是 72 张显卡和 36 颗 CPU 被强行塞进一个 48U 铁柜子里，泡在冷却液里干活。

换算一下：一个 AI 工位的身价，大约是你工位的一千倍。要是你的工位也按这个标准装修，你每天上班相当于在汤臣一品里写周报。

以前说「电脑贵」，说的是家里那台；
现在说「机器贵」，说的是得拿一间厂房来供的一台。

🧊

冰箱里的 72 个博士后 GB300 NVL72 到底是个什么东西

拆开这个柜子之前，先建立一个直觉：它本质上是一台被强行拧成一台电脑的 72 台电脑。

每一张 B300 显卡，本身就算一台小超算：288GB 高速显存、1400W 功耗、单卡 FP4 算力 15 PFLOPS（稠密口径，官方宣传常用稀疏口径 20 PFLOPS）。单独一张已经很猛，但英伟达觉得不够——训练大模型需要几千张卡像一个人一样思考，卡与卡之间说话不能有半点延迟。

于是它干了件暴力的事：用 NVLink 把 72 张卡连成一个整体，带宽 130TB/s，再配 36 颗 Grace CPU 管后勤。对外，这 72 张卡表现得就像一块显卡——软件写一次，跑在整柜上。

这个设计有个形象的类比：把 72 个博士后关进同一间实验室，配了一条他们之间说话零延迟的内部专线。单个博士后再聪明，回答不了一个需要整个实验室协作的问题；这条专线，就是 NVL72 的「72」的含义。

规格	GB300 NVL72 整柜	你的办公电脑
核心数量	72 张 B300 显卡 + 36 颗 CPU	1 颗 CPU + 1 张显卡
显存/内存	约 21TB HBM3e	16-32GB
算力（FP4）	约 1.1 EFLOPS	约 0.05 TFLOPS
内部互联带宽	130 TB/s	约 0.02 TB/s
功耗	132-142kW（峰值约 155kW）	约 0.3kW
重量	约 1.59 吨（含冷却液）	约 10 千克
散热	全液冷，九成热量进冷却水	风扇吹吹就行

两个数字值得单独感受：21TB 显存——主流办公电脑内存的几百倍，高配机型下差距能到上千倍，装得下一个万亿参数大模型的全部「脑细胞」；142kW 功耗——大约等于 1000 台家用空调同时满负荷运转，一台机柜就得配一整套工业级供冷。

顺带解释一个读者常问的问题：为什么非得液冷？因为风冷散不掉这个密度。传统机柜功率密度按 5-10kW 设计，这一台直接干到 140kW，风冷在物理上就已经出局了。

🧾

500 万美元，被谁赚走了一张整柜的价值拆账

这是整柜生意里最反直觉的一张表。按 2026 年拆机分析，GB300 NVL72 的物料构成大致是：

部件	内容	占整柜价值
英伟达部分	72 张 B300、36 颗 Grace、NVLink 交换、网卡、DPU	92% 以上
机柜与散热	钢架、冷板、冷却液分配单元、供电母线	不足 8%
其他	代工组装、测试、质保	极少

也就是说：一台 500 万美元的机柜，超过 460 万是英伟达的。剩下的 8% 里，才轮到富士康、广达这些代工厂，以及液冷、电源、连接器厂商去分。

这就是所谓「AI 基建狂欢，英伟达通吃」的量化版本。也解释了一个现象：为什么每次 AI 行情，资金最后都绕回英伟达的股价——浪潮再大，钱先进它的口袋。

不过话说回来，那 8% 也不是没看点。分析机构测算，机柜内散热相关价值每代还在以约 20% 的速度往上翻——当整柜功率朝着 250kW 的下一代走，液冷这条赛道的天花板是被算力供电硬生生顶上去的。

一超多强的另一种写法：
92% 是「超」，8% 才是「强」。

🆚

租还是买，一道数学题不同体量，答案完全不同

不是人人都买得起整柜，绝大多数团队面对的问题是：要用算力，租还是买？

云上 B300 的公开报价大致在每卡每小时 9.4 到 18 美元之间——Oracle 按需价 18 美元，低价云渠道能见到 9.4 美元左右的报价。而整柜买断摊薄后，自有机房的每卡时成本可以压到 2.3 到 3 美元（部分托管商报价 2.28-4.97 美元）。

看出门道了吗？云厂商的商业模式，本质就是「低买高租」。点开下面的计算器，换三种身份感受一下。

🧮 租买对比计算器

选一种身份，看买断和云租的三年账（按 2026 年行情估算）

三个场景看下来，规律只有一条：利用率决定买租，规模决定利润。个人买卡是行为艺术，创业公司买卡是豪赌，只有能把卡跑到八成以上的玩家，才配拥有固定资产。

这也解释了为什么二手市场里捡漏的大多是推理团队和科研院所——训练要最先进的卡，推理用上一代照样跑，需求分层，市场才能转起来。

⚡

都说 AI 是电老虎，电费到底占多少一个反直觉的结论

「AI 吃掉全国电力」的新闻隔三差五就上头条。我们算笔实在账。

一台整柜 140kW 全天候满负荷跑，一年耗电约 122 万度。按美国工业电价每度 9.2 美分算，一年电费约 11 万美元；就算按最贵的商业电价翻一倍，也就 22 万上下。

对比一下：整柜买断约 500 万，五年电费总共约 55-110 万——电费占五年总拥有成本不到两成。

所以真相是：AI 基建是「资本密集」，不是「能源密集」。折旧才是大头，电费只是老二。这跟外界「AI 最大的成本是电」的印象正好相反。

当然这不代表电力不重要——电力之所以被反复讨论，是因为它卡的是「能不能建」，不是「贵不贵」。一个园区拿不到供电指标，500 万美元的柜子就是一堆废铁。所以英伟达的客户名单里，能源公司和变电站设备商的戏份正越来越重。

折旧决定赚不赚钱，电力决定能不能开局。
两回事，别混为一谈。

🎯

三题小测收个尾，看记牢没有

1一台 GB300 NVL72 机柜里，超过九成的价值来自哪里？

2按 2026 年的行情，买一整柜大约要花多少钱？

3关于整柜的五年成本，下列说法哪个对？

🏗️

算力硬件篇 · 第一篇完

下一篇聊这门生意里今年最疯狂的品种：
内存条——一种按克算比黄金还贵的「硅基口粮」。

一个完整的 AI 同事是怎么拼出来的 | AI 打工日志·合体篇

Tue, 20 Oct 2026 12:19:57 +0800

🧰

先把零件摊在桌上三季攒下来的，一共四样

从大模型讲到技能，从技能讲到团队，从团队讲到连接。到这篇收官，桌上摊着四样零件。

它们不是四个并列的功能，而是一层压一层的四层。缺任何一层，上面几层都在打折。

🧠

脑子

会思考、会推理、会表达。买来的，但决定上限。

来自：三部曲

📖

章法

按你的口径、你的格式、你的验收标准干活。

来自：技能篇

👥

团队

任务拆开、分头干、独立验收，扛住一个人干不了的活。

来自：Agent 篇

🔌

材料

读你的文件、查你的数据、够你的系统。真实世界的输入输出。

来自：MCP 篇

把这四样装到一台机器上，会得到一个什么样的同事？

它会思考，而且思考的结果符合你的规矩；它干不了的活知道拆开分出去；它所有的判断建立在你的真实数据上，而不是通用常识。

这就是这篇要讲的总装。

🎯

总装之前，先定一个靶子没有具体任务，一切架构都是摆设

最常见的失败方式是这样的：先把四层全搭起来，搭得漂漂亮亮，然后开始想「这东西能用来干嘛」。三个月后，它成了演示品。

正确的顺序反过来：先有一个让你疼的具体任务，再谈怎么拼。

🎯 高频 —— 每周都出现，不是你一年干一次的那种
🎯 重复 —— 套路稳定，不会每周都换一套做法
🎯 有据可查 —— 判断好坏有明确标准，不是「感觉舒服」
🎯 疼 —— 现在做这件事，让你付出过真实的时间代价

拿这四条去筛，通常能筛掉八成「听起来很美」的构想。剩下的那一成，才值得你投入一个季度。

下面所有内容，都围绕一个筛出来的靶子展开：客诉归因分析——每个月都要做，做法固定，好坏可查，而且确实很耗时间。

🏗️

四层架构：自下而上搭点开每一层看职责与常见失误

🧪 试试看：四层架构图

从下往上点，看每层负责什么、最容易栽在哪

👆 从底层开始点，这里显示每层的职责、产出与常见失误。

搭的顺序有讲究：永远从连接层开始，模型层最后调。

原因是成本结构——连接层是体力活，技能层是细活，编排层是巧劲，而模型层只要肯花钱就能换。多数人把精力花反了：花两周对比哪个模型更聪明，却不肯花两天把数据接通。

下三层决定它能不能干活，
上三层决定它干得好不好。—— 顺序错了，返工的是你

🎬

跑通一个完整案例五步走完，每步标明哪层在干活

还是那个问题：上个月华东区退货率为什么涨了？现在我们用四层齐全的配置来答。点开每一步，看是哪一层在出力。

🧪 试试看：全链路五步

点任意一步，看该步的动作、产出与负责层

👆 点任意一步，这里显示动作细节与负责层。

把这五步连起来看，你会发现一个规律：每一步都很普通，但每一步都用对了层。

没有哪一步需要更聪明的脑子——换一个更强的模型，这五步一步也不会变快。真正让这件事从两小时缩短到五分钟的，是连接省掉了导表、章法省掉了反复对齐口径、并行省掉了排队等待。

这就是「合体」的真实含义：不是能力翻四倍，而是把四类浪费各砍掉一遍。

💰

值不值：算一笔明白账不谈回报的技术方案都是自嗨

四层都搭起来是要成本的，而且成本的大头不在模型调用费。多数人算账时只盯着接口账单，然后得出「太贵了，不如人工」的结论——这是算错了。

真实成本有四块：

① 搭建成本 —— 接通数据、写技能、调编排，这是一次性投入，通常占总成本的七成以上，也是最容易被漏算的部分。

② 运行成本 —— 每次任务实际消耗的算力与接口费用，反而通常是四块里最小的。

③ 维护成本 —— 数据源变了、口径调了、接口升级了，都需要跟着改。这部分常被当成零，最后变成无底洞。

④ 纠错成本 —— 出错后人工兜底的时间。它取决于你把边界画得多清楚。

判断值不值的口径很简单：每月节省的人工时长乘以时薪，是否稳定大于上面四项之和。

而且要诚实——如果某项任务一个月只做一次，搭建成本摊薄不下来，答案通常就是不值。这时候别硬上，手动做反而更划算。

⚠️

风险会叠加，而且是乘法三层各加一道锁，叠起来不是三道锁

这是收官篇最该讲清楚的一件事。

单个角色出错，你损失一次回答；接上数据之后出错，它可能改错一行记录；再叠上多角色协作，错误会被放大和传播——一个角色理解偏了，下游几个角色都基于这个偏差往下算。

所以三层都有的系统，风险不是相加，是相乘。

🔓

连接层的风险

碰到不该碰的数据、凭据泄漏、越权读写。

对策：最小权限 + 只读优先

📉

编排层的风险

错误传播放大、任务循环空转、成本失控。

对策：步数上限 + 独立质检

📏

技能层的风险

章法本身写错了，它稳定地、每次都错，而且错得很一致。

对策：定期人工抽检口径

最阴险的是第三种——技能层写错的风险会被前两层掩盖。因为它每次都给出一致的结果，你会误以为它是对的，直到某次和财务对账对不上才发现，而那可能已经是半年后。

对应的防护只有一条笨办法：定期人工抽样对账。没有技巧，就是定期看。

🗺️

九十天落地路线图从零到第一个能用的版本

如果你现在手上只有一个模糊的念头，按这个顺序走。它不快，但每一步都不返工。

第 1～2 周：打通一层 —— 只做连接层。挑一个只读的数据源接上，验证它能读到你的真实资料。不写技能、不组团队，先把「读得到」跑通。

第 3～6 周：固化章法 —— 把反复使用的口径、格式、验收标准沉淀成技能。这个阶段的目标是稳定：同一个问题问十次，得到同样结构、同样口径的答案。

第 7～10 周：上强度 —— 找一个单兵确实扛不住的任务试编排：先上两个角色（干活加挑刺），跑顺了再加。不要一上来就组五个角色，那只会让成本和问题一起翻倍。

第 11～13 周：度量与收口 —— 算真实的账：省了多少时间、花了多少钱、出过几次错。设权限上限、写操作人工确认、敏感数据脱敏。到这个阶段，它才从演示品变成工具。

第一周就想看到奇迹的人，
通常到第几周都在原地重搭。

🎓

毕业考：三题答完这三题，这个系列你就出师了

1四层架构的搭建顺序，下面哪种最合理？

2三层都接上之后，风险会发生什么变化？

3「技能层写错」为什么最阴险？

第一季 · 三部曲 —— 认识脑子：大模型是什么、智能体是什么、打工人会怎样。

第二季 · 技能篇 —— 给它章法：认识技能、装技能、写技能、进阶。

第三季 · Agent 篇 —— 给它团队：单兵极限、编排者、分工模式、避坑。

第四季 · MCP 篇 —— 给它材料：原理、装法、场景、边界。

收官 · 合体篇 —— 总装：四层架构、全链路案例、度量、风险与路线图。

🏁

AI 打工日志，全系列完结

从一个脑子，到一位同事。
愿你搭出来的那台机器，每周都替你省下真实的几小时——
而不是躺在收藏夹里，成为一个漂亮的演示品。

文玑阁

黑话词典与防坑：听懂圈内人聊什么 | AI 算力 · Token 知识篇⑤

为什么圈里人聊天像暗号 这份词典帮你脱盲

黑话词典：点开逐条翻译 14 个高频词，一次搞懂

比灰产更狠的：Token 传销 无限 Token 与空气币

① 无限 Token 代理（庞氏）

② AI 空气币

合规红线：这些会真坐牢 不是吓唬你

普通人防坑清单 六条红线，照着做

三题小测 收个尾，看记牢没有

Token 知识篇 · 全五篇 完

灰产揭秘：低价 Token 从哪来，坑在哪 | AI 算力 · Token 知识篇④

几块钱的"会员"，藏着大坑 央视都点名了

灰产的三层套路 越往下，风险越高

① 卖"破解教程"（风险最低，纯骗）

② 出租账号（风险中等，交出去的是隐私）

③ 拆卖 API 密钥（风险最高，为黑产销赃）

中转站：游走在边缘的"二道贩子" 它怎么把 Token 卖得这么便宜

倍率：灰产圈的价格密码 揭开"0.1 倍率"的真相

实测与监管：水有多浑 不是消费纠纷，是安全风险

三题小测 收个尾，看记牢没有

Token 知识篇 · 第四篇 完

蒸馏：让小模型继承大模型心法的魔法 | AI 算力 · Token 知识篇③

大模型有个尴尬的痛 它什么都懂，就是跑不动

老师与学生，教的是什么 不是标准答案，是"软知识"

小模型革命：三件事同时发生 体积、速度、成本

但蒸馏不是"无损压缩" 便宜是有代价的

合规边界：技术中性，手段见分晓 一场沸沸扬扬的蒸馏争议

技术本身：中性且通用

争议焦点：数据怎么来的

三题小测 收个尾，看记牢没有

Token 知识篇 · 第三篇 完

价格地图：同一句话凭什么价差 60 倍 | AI 算力 · Token 知识篇②

一个离谱的价差 同样 100 万颗，有人花 39，有人花 2331

价格体系，远不止"单价"两字 同一模型至少有四副面孔

① 峰谷定价

② 缓存命中价

③ 批量折扣

④ 长上下文加价

国内外横评：一张表看懂 按 2026 年公开报价的"每百万颗"人民币单价

价差计算器：亲手感受 60 倍 同样用量，换个模型差多少

国产凭什么这么便宜 不是偷工减料，是结构性便宜

三题小测 收个尾，看记牢没有

Token 知识篇 · 第二篇 完

Token 是什么：大模型按粒数钱的最小账单 | AI 算力 · Token 知识篇①

先来一场账单惊魂 字没变，钱却变了

Token 就是算力的"米" 最小计费颗粒度

一次对话，其实有四类 Token 在计费 输入、输出、缓存、推理

① 输入 Token（你喂进去的）

② 输出 Token（模型吐出来的）

③ 缓存输入 Token（重复利用的）

④ 推理 Token（不显形但计费）

计价公式，其实就一行 读懂账单的钥匙

省钱的三道杠杆 普通人立刻能用

三题小测 收个尾，看记牢没有

Token 知识篇 · 第一篇 完

中国棋局：B30A 被拒之后 | AI 打工日志·算力硬件篇④

从 95% 到零 一个市场的消失与重生

B30A 事件全程 一款从未上市的芯片，和它背后的博弈

国产芯片追到哪了 点击卡片，逐家看现状

英伟达 B300

华为昇腾 910C

寒武纪 思元590

阿里平头哥 真武810

被芯片遮住的光 国产存储在闷声发财

这盘棋里，普通人的机会 三个看得见摸得着的方向

🔧 国产算力的「适配工」

🏗️ 数据中心的「机电包」

📈 二级市场的「卖铲人」

三题小测 收个尾，看记牢没有

算力硬件篇 · 全四季 完

资本盛宴：谁在买单，泡沫了吗 | AI 打工日志·算力硬件篇③

一年 7200 亿美元 本世纪以来最猛的一轮资本开支

四巨头的账单 2026 年资本开支一览

钱从哪来 经营现金流不够，债券来凑

折旧暗礁 500 万的柜子，几年折旧完

泡沫体检表 八个指标，像或不像

🕸️ 2000 年：纯烧钱

🤖 2026 年：有真实收入

三题小测 收个尾，看记牢没有

为什么圈里人聊天像暗号这份词典帮你脱盲

比灰产更狠的：Token 传销无限 Token 与空气币

合规红线：这些会真坐牢不是吓唬你

普通人防坑清单六条红线，照着做

三题小测收个尾，看记牢没有

Token 知识篇 · 全五篇完

几块钱的"会员"，藏着大坑央视都点名了

灰产的三层套路越往下，风险越高

倍率：灰产圈的价格密码揭开"0.1 倍率"的真相

实测与监管：水有多浑不是消费纠纷，是安全风险

三题小测收个尾，看记牢没有

Token 知识篇 · 第四篇完

大模型有个尴尬的痛它什么都懂，就是跑不动

老师与学生，教的是什么不是标准答案，是"软知识"

小模型革命：三件事同时发生体积、速度、成本

合规边界：技术中性，手段见分晓一场沸沸扬扬的蒸馏争议

三题小测收个尾，看记牢没有

Token 知识篇 · 第三篇完

一个离谱的价差同样 100 万颗，有人花 39，有人花 2331

价格体系，远不止"单价"两字同一模型至少有四副面孔

国内外横评：一张表看懂按 2026 年公开报价的"每百万颗"人民币单价

价差计算器：亲手感受 60 倍同样用量，换个模型差多少

国产凭什么这么便宜不是偷工减料，是结构性便宜

三题小测收个尾，看记牢没有

Token 知识篇 · 第二篇完

先来一场账单惊魂字没变，钱却变了

一次对话，其实有四类 Token 在计费输入、输出、缓存、推理

计价公式，其实就一行读懂账单的钥匙

省钱的三道杠杆普通人立刻能用

三题小测收个尾，看记牢没有

Token 知识篇 · 第一篇完

从 95% 到零一个市场的消失与重生

B30A 事件全程一款从未上市的芯片，和它背后的博弈

国产芯片追到哪了点击卡片，逐家看现状

寒武纪思元590

阿里平头哥真武810

被芯片遮住的光国产存储在闷声发财

这盘棋里，普通人的机会三个看得见摸得着的方向

三题小测收个尾，看记牢没有

算力硬件篇 · 全四季完

一年 7200 亿美元本世纪以来最猛的一轮资本开支

钱从哪来经营现金流不够，债券来凑

泡沫体检表八个指标，像或不像

三题小测收个尾，看记牢没有

算力硬件篇 · 第三篇完

按克算，比黄金贵 1.84 倍一个芯片的密度奇迹

AI 到底有多能吃需求侧的三个数字

产能大迁徙供给侧的集体「弃低就高」

谁在赢麻三大厂吃肉，国产双雄喝汤

什么时候是个头三个观察指标

三题小测收个尾，看记牢没有

算力硬件篇 · 第二篇完

先来看一组扎心对比你的工位 vs AI 的工位

500 万美元，被谁赚走了一张整柜的价值拆账

租还是买，一道数学题不同体量，答案完全不同

都说 AI 是电老虎，电费到底占多少一个反直觉的结论

三题小测收个尾，看记牢没有

算力硬件篇 · 第一篇完

先把零件摊在桌上三季攒下来的，一共四样

总装之前，先定一个靶子没有具体任务，一切架构都是摆设

四层架构：自下而上搭点开每一层看职责与常见失误

跑通一个完整案例五步走完，每步标明哪层在干活

值不值：算一笔明白账不谈回报的技术方案都是自嗨

风险会叠加，而且是乘法三层各加一道锁，叠起来不是三道锁

九十天落地路线图从零到第一个能用的版本

毕业考：三题答完这三题，这个系列你就出师了