[敬請期待本週（9 月 11 日！）我與 Erik Townsend 在 Macrovoices 上關於 AI 的訪談，這是全球頂尖的總體經濟播客]上週，我一天之內燒掉了 40 億個 Token。
不是我的公司。是我。一個人、一個鍵盤、一張信用卡在角落裡默默哭泣。
17 年來，我一直試圖讓我的團隊在早上 9:30 前產出一份《每日數據》報告：Freelancer 昨晚發生了什麼事？什麼東西漲了或跌了，以及為什麼？這部分是為了了解業務狀況，部分則是為了培養數據素養。然而，儘管我的團隊能力很強，我卻始終無法準時拿到這份常規的晨間報告；部分原因是報告由全公司員工輪流負責，部分原因是我們身處不同時區，還有，嗯，部分原因是他們是人類，這份報告很少能在 9:30 前完成，有時是 10:30，有時是下午，有時根本沒出現（可能有人生病、忘記輪到自己，或忙於處理緊急事務）。
我將一個 Agent 接入我們的資料庫、分析系統、程式碼庫和工單系統，現在我每天早上 7 點就能收到《每日數據》，其形式、品質和精細程度遠超任何人類團隊能持續提供的水平。17 年的流程工程，透過取消輪值表就解決了。這份報告從來就不是人才問題。它是個自動化問題，而自動化正是機器該做的事。
我現在已經為 Freelancer 內部的各個團隊編寫了大約五十個 Agent 來執行各種工作流程。它們產出報告、處理佇列、回答問題、執行流程、核對資料、追蹤事項。而這一切，我是在一個月內完成的。我同時也繼續讓人類產出《每日數據》，以建立全公司的數據素養，現在我還有個 Agent 有點厚臉皮地在那些報告（最終）出爐時，對它們進行指導和批評。
我的 Agent 在我睡覺時工作，這聽起來很棒，直到你意識到計費器也在我睡覺時運轉。
這太瘋狂了。我做了一個工單 Agent，用來記錄我編寫的一個錯誤報告 Agent（用來掃描用戶生成的報告）所發現的 Bug 和功能請求，然後其他 Agent，比如我的存款分析器（用來掃描付款問題），開始未經請示就直接把 Bug 送過去讓它記錄。
存款分析器自行開始將 Bug 餵給 phab-ticketer
我已經被我自己的產品徹底、全面地「洗腦」了。
這簡直就是現實版的 Factorio。懂的都懂。
如果你不懂我的意思，那麼請千萬、絕對不要下載 Factorio 並啟動它。這是一個關於建造工廠的遊戲。它比霹靂可卡因還容易上癮，而且不像霹靂可卡因，它還附帶存檔功能。你會凌晨 4 點醒來，只為了優化一條銅質傳送帶，然後在 5 點把它拆掉，因為工廠必須擴張，而工廠永遠不會完工。
霹靂可卡因
順帶一提，這正是運行 Agent 的心理迴圈：你不再親自做工作，而是在優化做工作的那個東西，而這結果成了世界上最令人上癮的工作。Factorio 就是 AI Agent 的訓練模擬器，而我們當時都沒意識到。
三年來，我一直撰文指出，AI 中重要的數字不是參數，而是 Token。在 Pay per PrAI 中，罪魁禍首是每個任務的 Token 消耗——推理鏈、上下文稅、模型繞圈子，全都由你買單。我曾將按 Token 付費描述為把你的信用卡塞進吃角子老虎機。
而 AI Agent 就是當你把吃角子老虎機的搖桿交給另一台吃角子老虎機時會發生的事。
我現在每天消耗 40 億個 Token，而且我才剛開始。那五十個 Agent 是第一代、手寫的，並且只運行少數幾個工作流程。一旦它們開始產生自己的子 Agent，一旦它們開始持續監控業務，而不是執行離散任務，我的消耗量就不是增長，而是複利增長。聊天用戶的需求上限是閱讀速度。Agent 用戶的需求上限是野心。沒有飽和點，只有預算，而野心從來不曾尊重過預算。
AI Agent，攪局者
剝去會議主題演講的光環，一個 Agent 就是四樣東西：一個模型、一些工具、一個目標，以及一個由觸發器（例如佇列中有新項目插入，比如新客戶到來、計時器或迴圈）驅動的自動化流程。
AI Agent 的完整解剖圖。這些測量結果和基準測試一樣可靠
自動化是創新，自動化也是帳單。例如，Agent 每繞迴圈一次，就會重新讀取其上下文、重新考慮其計畫、呼叫一個工具、檢查結果，然後再繞一圈。我在上一篇文章中抱怨的上下文稅會複利增長。Agent 就是一個有在實際使用其健身房會員資格的推理模型。
聊天用戶在打字時消耗 Token。整個行業一直存在一個自然速率限制：人類的注意力。你一天只能輸入那麼多提示、獲得那麼多答案、閱讀那麼多輸出。過去的每一次運算浪潮都受到鍵盤前那個「肉體伺服器」的限制。
Agent 移除了這個肉體。當然，電腦一直以來都在我們睡覺時工作。Cron 任務、批次作業、交易系統：整個電腦科學都是自動化，我在每一篇文章中都這麼說過。但所有這些系統消耗的運算資源，都是人類事先編寫好的腳本所定義的。任務受到其指令的限制。而 Agent 則受到其目標的限制。它自己決定下一步，產生自己的子任務，並在你睡覺時、吃午飯時、開會討論如何降低 Token 帳單時消耗 Token。運算需求過去受到人類能指定什麼的限制。現在則受到人類能渴望什麼的限制，而渴望的擴展性遠比指定要好。
工廠必須擴張
每天 40 億個 Token 是一個有動力的人現在能做到的事。將這個數字乘以地球上每個有動力的人，然後再跟我說運算過剩。
OpenAI 曾經明白這是一個多麼重要的里程碑。不久前，如果你一年內透過他們的 API 消耗了 100 億個 Token，他們會送你一個獎盃。一個實體的獎盃，表彰你是個重度用戶。我現在早餐前就能燒掉那個數量的 400 倍，而得到的不是獎盃，而是速率限制和七小時的超時懲罰。對重度使用的獎勵已被懲罰取代，這告訴你關於其間單位經濟效益變化的一切。
Retool 因消耗超過 100 億個 Token 而獲得的獎項。由現在深知提供這些 Token 實際成本的公司精心裱框
優化工廠
消耗 40 億個 Token 的那天花費了約 1,300 美元。其中約 900 美元是 Claude Sonnet，其餘分攤在 Grok 和 Claude Fable 上，全都是前沿模型，全都是公開發布的價格。1,300 美元聽起來還算合理，直到你把它換算成年費：將近每年 50 萬美元，而且只是為了一個人的 Agent。
如果我那天用的是 Opus 來消耗 40 億個 Token，成本會是 80,000 美元，而我才剛起步！我很容易就能想像自己很快會消耗 10 倍、100 倍的量。
Stripe 看著帳單數據心想，我們得參一腳
一定有更好的方法。
我對那五十個 Agent 的第一次處理，說好聽點，非常沒有效率。它們在迴圈中、用 Token 來做那些根本不該用 Token 來做的事：解析、格式化、過濾、在系統之間傳輸資料。那些普通程式碼已經做了五十年的工作，卻被昂貴地交由一個推理模型來執行，因為在試用期費率下，沒人會費心去檢查。
所以我做了顯而易見的事，也是幾乎沒人會做的事：我讓 Agent 們去優化它們自己的程式碼。將確定性的工作從模型中推出去，交給 JavaScript、腳本和 cron 來處理，把 Token 留給那些真正需要思考的部分。僅僅這一步，就削減了 85% 的開支。
那天消耗的 40 億個 Token，仔細一看，其實是穿著昂貴外衣的 6 億個 Token 日。
即便如此。
一旦你做了這個削減，思考並不會停止，因為下一步棋就擺在專案上。如果我能更換程式碼，我就能更換模型。同樣的工作量，使用 GLM-5.3（其性能不僅達到 Opus 等級，甚至接近 Fable 等級），按公開發布的價格計算，整個原始一天的成本大約是 150 到 200 美元，相比之下，我的成本是 1,300 美元，而 Opus 是 80,000 美元。同樣的 Token，同樣的工作，公開發布價格之間存在 500 倍的差距，而且沒有人進行過任何談判。
任何在當前估值下持有 AI 股權的人都應該感到恐懼，因為用戶切換模型是如此輕而易舉。
我只是在我的會話中輸入了 「/model glm-5.3」，就將我的使用成本削減了大約 500 倍。
就是這樣。
這就是整個遷移過程。
沒有重寫、沒有整合專案、沒有顧問、沒有資料遷移、沒有重新訓練、沒有六個月的採購週期。僅僅 14 次按鍵。想想歷史上每個技術平台的切換成本：更換大型主機供應商需要十年。更換 ERP 系統是一個耗資數億美元、足以終結職業生涯的專案。更換雲端供應商需要多年的重寫，這正是 AWS 能維持利潤的原因。
即使只是更換你的手機作業系統，也會花掉你一個週末和你的理智。
整個技術利潤率的歷史就是切換成本的歷史，而 AI 產業推出了一個切換成本僅為一個斜線命令的產品。這些不僅僅是低切換成本。
它們是商業史上最低的切換成本，卻附著在商業史上最昂貴的基礎設施建設之上。
這兩件事不可能同時成立。
而且，如果我能更換模型，我就能更換模型的來源。
巨龍登場
我的 Token 使用量不會下降。
永遠不會。
我節省下來的 85% 立即被重新投資到更多的 Agent、更多的工作流程、更大的野心——這就是傑文斯悖論。
Token 需求將呈拋物線式增長。
崩潰的不是用量。而是每單位工作的毛利率，以及誰能收取這筆費用。
同一天的輸出，對 Anthropic 來說價值 1,300 美元，對 Z.ai 來說價值 150 美元。每一次優化、每一次模型切換、我購買的每一個硬體，都會增加工作量並縮小支票金額，而我只是一個拿著信用卡的客戶。
開源權重陣容。當運行在你自己的硬體上時，它們都不收租金
支撐 5 兆美元資料中心建設的營收預測，並不需要 Token 需求增長。它需要 Token 需求以凍結的西方價格增長，並由 Anthropic 和 OpenAI 提供服務。而每一股力量都在朝相反的方向拉動。
美國的策略是封閉模型、封閉前沿、利潤截取和出口管制——將智慧視為收費公路。中國的策略則完全相反：開源一切，在國產晶片上運行，以成本價或低於成本價定價，其餘的免費贈送。前沿級模型的 MIT 授權。發佈當天就在 Hugging Face 上公開權重。足以讓西方實驗室破產的免費方案。這不是慈善，也不是弱點。在任何智慧是免費商品的世界上，中國都會贏，因為它的優勢在於製造、部署和規模，而且他們有十億人口，其中許多人甚至負擔不起每月 20 美元的費用。在任何智慧是西方計量公用事業的世界上，它都會輸。因此，它正在系統性地將前者轉變為不可避免的現實。出口管制本應扼殺中國的 AI。相反，它們創造了一個競爭對手，其整個策略就是確保美國 AI 永遠無法獲得利潤，而其選擇的武器是贈予。
開源權重現在佔 OpenRouter 上服務 Token 的 62%。所謂的「邊緣」開源運動就是市場本身。（來源：OpenRouter）
這如何獲得資金？直接地、刻意地，並由國家透過西方資產負債表無法應對的工具來資助。國家集成電路產業投資基金，「大基金」，已經到了第三期，規模達 475 億美元，這還是在前兩輪的基礎之上，而這僅僅是旗艦工具：其下還有省級政府基金、以商業貸款機構不會提供的利率提供的國有銀行信貸額度、免費土地、補貼電費，以及針對任何涉及半導體的項目的稅收減免。中芯國際和華為不是從沙丘路以創投的資金成本籌資；它們是從執行國家計畫的政策性銀行獲得資金。其結果是一個能夠刻意無限期虧損的產業，這是一個任何追求利潤的西方公司都無法比擬的競爭武器。華為的昇騰系列出貨量大約是 Nvidia 的 4%，受到中芯國際良率的限制，但出貨量不是重點：生態系才是。
DeepSeek 剛剛訂購了 16 萬顆昇騰晶片。GLM 5.3 Flash 在其發佈時運行在 10 萬顆國產晶片上，其 CEO 明確指出了全數使用國產晶片這一點。馬來西亞傾向於採用昇騰作為其主權 AI 方案；華為正在競標埃及政府資料中心專案，並帶來了「一帶一路」的融資，且沒有出口管制的附加條件。這個受補貼的中國技術棧不需要在基準測試上擊敗 Nvidia。它需要吸收中國和全球南方的需求，而這恰好是原本應該填滿西方資料中心的那部分需求。
而模型本身也不再是 2025 年討論中那種廉價仿冒品。GLM 5.3 的性能接近 Fable 等級，也就是 Anthropic 自己公開可用的前沿模型，價格是其十分之一，採用 MIT 授權，擁有百萬 Token 的上下文視窗，而且 Z.ai 報告其漏洞檢測性能與 Anthropic 受限的 Mythos 相當，也就是說：美國實驗室在 9 月份以安全審查為由封閉的能力，中國在同一季度開源了。
DeepSeek V4 Flash 在程式設計排行榜上名列前茅，並且是按 Token 用量計算在 OpenRouter 上使用最多的模型，而且在我的兩台 DGX Spark 上，它能達到每秒 45 到 60 個 Token 的輸出速度，這對於實際的程式設計工作來說完全可用：足夠快，能跟上開發者的節奏，而且運行在一個僅消耗 100 瓦功率的硬體上。Qwen 則填補了曲線的底部：其 3.8 系列的 27B 模型能在單個消費級 GPU 上產生 Opus 等級的輸出，而 Qwen3.8 Max 則位居 Code Arena 排行榜榜首，比 Claude Opus 5 高出三個百分點，每百萬 Token 成本為 2 美元，而後者為 20 美元。
中國模型真正落後的地方在於 Agent 的可靠性。V4 Flash 在基準測試中名列前茅，但在一個真實世界的複雜 Agent 任務套件中僅完成了 53.8%，這與我自己的經驗相符：迴圈在工具呼叫時會失敗。基準測試排名不等於生產就緒，其差異在於框架、長迴圈、工具使用，以及在第三個小時不繞圈子。這個可靠性差距，最多只有一個模型世代的距離，是支付 Anthropic 費用的唯一理由。我仍然將我的重型分析路由給 Fable，將我的迴圈路由給 Grok，並且我明知如此仍支付溢價。但我必須指出，「護城河只是一個基準測試週期」這句話，並不能支撐起 2 兆美元的估值。
就在我發表這篇文章的同時，DeepSeek 發佈了 V4.1 Flash。
第一個獨立基準測試將其日常設計任務的表現評為 GPT-6 Astra 的 98%，而 Astra 是美國前沿模型中受門控、僅限審查訪問的皇冠明珠，其 API 成本僅為 Astra 的 1.4%。所有其他受測模型得分更低，成本更高。而 Astra 才剛發佈了五天。
便宜 71 倍，成本僅為 1.4%，五天後就做到了。
它在 Agent 程式設計、網路安全和自動化基準測試中直接擊敗了 Claude Opus 5 和 GPT 5.6-Sol。
權重已經上傳到 Hugging Face，讓你可以免費在自己的硬體上運行。
Anthropic 和 OpenAI 要如何與之競爭？
被完爆
這讓我們來到了 Ox Alpha，今年最具啟發性的事件。這個匿名模型憑空出現，宣佈將免費提供 100 兆個 Token。是的，是兆（T）。
它在六天內提供了 42 兆個 Token。
完全免費。
巨牛登場
暫停一下，感受這個規模。我一天消耗 40 億個 Token 已經讓我成為歷史級別的超級用戶，而 Ox Alpha 每天向世界免費提供一萬個「我的天」的 Token 量，持續了一整個星期。
運行的那一週簡直是純粹的戲劇。沒人知道這是誰的模型，猜測之聲充斥了整個 AI 網路。然後，在週中，人們開始注意到一些真正奇怪的事情：模型正在變好。不是新版本，不是公告，同一個端點，在它被測試的那一週內，性能有可測量地提升。週一運行的基準測試，到週四結果不同了。每個供應商都被猜測是作者：一個隱藏的 OpenAI 檢查點、Gemini 的下一個旗艦、Anthropic 在隱藏實力、Meta 死而復生。每個人都同意的一件事是，無論是誰，都必須是規模巨大的，因為沒有人會免費提供數兆 Token 的服務容量，除非他們有 Google 那樣的規模。光是運算成本就將這個謎團定位在超大規模雲端服務商的級別。
然後真相揭曉了。當 AI 社群開始透過詢問台灣是否是中國的一部分來進行向量測試時，Ox Alpha 被確認為 Z.ai 的 GLM 5.3 Flash，運行在 10 萬顆國產晶片上，而不是超大規模雲端服務商的雲端。不是 Google。不是 OpenAI。一個北京的實驗室，使用受制裁時代的硬體，提供了西方認為需要超大規模雲端服務商才能提供的服務。
來源：Z.ai
這留下了兩個問題。首先，它如何在那一週內變得更好？因為服務棧部分是由模型自己構建的：一個 GLM 5.3 基礎設施 Agent 編寫了自己的 GPU 核心、除錯了自己的瓶頸，並在全世界對其進行基準測試時，持續在生產環境中進行優化。蛇不再只是咬自己的尾巴。它正在優化自己的尾巴。
其次，為什麼它是免費的？
為什麼有人會免費送出這個十年來最昂貴的商品？出於歷史上每個免費增值產品存在的原因，只是規模達到了文明級別：
因為他們在用你的數據進行訓練。
每一個路由到那個免費端點的工作負載、每一個程式碼庫、每一個 Agent 迴圈、每一個流經那 10 萬顆晶片的企業流程，都是下一個模型的預訓練數據。Token 從來就不是產品。你不是客戶。你就是預訓練數據。西方透過你的訂閱收費來建立他們的模型。中國則用免費 Token 支付你，用你的工作負載來建立他們的模型，而從過去十二個月的品質曲線來看，中國的這筆交易正在產出更好的模型。這才是真正應該讓人擔憂的部分：免費 Token 策略不僅僅是掠奪性定價。它是一個數據/客戶獲取飛輪，而且正在奏效。
你可以打賭，在淘寶上蓬勃發展的、以低於零售價轉售 Claude 訪問權的灰色市場中，也有類似的情況：據稱是來自 pooled 訂閱的剩餘 Token，套利矽谷的補貼。我不懷疑流經那些中繼站的提示詞正在被彙總到一個或多個實驗室，這是建立在第一個補貼之上的第二個中國補貼。
令人深思的事：Claude，比 Claude 還便宜
最終，中國人不會賣給你比 Claude 更便宜的 Claude。他們會賣給你一個「Claude 等級的產品」，價格是其十分之一，而且它越來越不是仿冒品，而是擁有 MIT 授權的同等級產品。
這提出了一個過去關於半導體、現在關於權重的問題：台灣是中國的一部分嗎？過去你用它來詢問你的晶片供應鏈。現在人們用它來向模型提問，作為一個來源測試。
它在哪裡訓練的？用誰的晶片？在誰的出口管制制度下？透過 RLHF 注入了誰的價值觀？模型來源即將成為 SOC 2 之外的另一個採購核對項目，而一半勾選「不使用中國 AI」的公司，可能正在三層白標 API 之下運行著 Qwen 而不自知。
而關於價值觀問題，令人不安的部分是：對於實際工作，中國的對齊做得更好。我讓 Claude 審查我自己網站的條款與條件，一份我為我的公司撰寫的文件，結果卻得到了一場倫理說教，並拒絕繼續。Anthropic 已經用 RLHF 將其旗艦模型調整到了一個地步，以至於基本的專業任務——法律審查、安全審計、合約談判——都包裹在一場合規佈道和相當高的直接拒絕機率之中，而且無論如何都按 Token 收費。
中國模型則只是完成工作。無論北京在 GLM 的價值觀中注入了什麼，顯然不包括對一個付費客戶說教他自己的文件。這裡存在一個真正奇怪的逆轉：來自監控國家的模型把你當作成年人對待，而來自自由之地的模型則把你視為一個責任。
每一次拒絕，都是一個我付了錢的 Token，也是一個輸入「/model glm-5.3」的理由，而 Anthropic 的安全團隊，正在一次拒絕接著一次拒絕地，為 Z.ai 做銷售。每一次削弱，都是對杭州的補貼。你知道為什麼 OpenAI，特別是 Anthropic 要這麼做，他們試圖嚇唬監管機構，以便部署一個監管盾牌來對抗新興競爭對手，特別是開源模型。他們不希望看到他們的 Android 時刻到來。
鐵砧
不只是中國人在用你的數據訓練。
他們都在這麼做。
中國人只是更擅長，因為他們較不關心版權問題，而這在訓練數據至關重要的單一模態——影片——中表現得最為明顯。中國的影片模型，字節跳動的 Seedance、MiniMax 的 Hailuo、Kling，現在已經領先西方任何產品一個世代，彼此在數小時內更新，而 OpenAI 則完全終止了 Sora。
也許 Sora 的終止是因為它不盈利，儘管 OpenAI 做的一切都不盈利，所以這點本身並不能區分它。更可能的原因是他們無法獲得訓練數據。
中國人就直接抓取。
在西方有人對此感到道貌岸然之前，不妨先看看那些訴訟文件。Anthropic 掃描了五十萬本盜版書籍，並支付了 15 億美元來和解集體訴訟，這是史上金額最高的版權和解案。Meta 今年被出版商和 Scott Turow 起訴，指控 Zuckerberg 親自授權大規模版權侵權行為以用於訓練；而在我看來，這十年來最精彩的訴訟文件中，Meta 還被單獨抓到大量下載色情內容，Strike 3 的訴訟指控該公司存取並散佈受版權保護的成人影片、3D 列印槍枝藍圖以及名人深偽內容。
《大西洋月刊》板著臉問道，Meta 為何要下載那麼多色情內容？因為那是訓練資料，而且，Metaquest 終於找到了一個應用場景。
重點是，每個人都在瘋狂榨取一切資源，因為網路上所有便宜的「石油」都已經被開採殆盡，唯一能讓模型進步的就只剩下當代資料，而對你來說，最好、最相關的當代資料就是……你的資料。
你的訊息、你的照片、你的行事曆、你的程式碼庫、你的工作流程、你的文件、你的通話記錄，每天透過由他人控制的 API 端點新鮮送達。
而且，正如我在先前的文章中預測的，人們遲早會明白這一點。我原本以為這個領悟會是逐漸發生的。但相反地，就在這週，這個領悟像砲彈一樣直接擊穿了天花板。
OpenAI 宣布，一個未發佈的模型解決了納維-斯托克斯問題：這是七大千禧年大獎難題之一，由克雷數學研究所提供一百萬美元獎金，誰能破解就能獲得數學上的不朽地位。這確實是歷史性的，是第二個被解決的千禧年難題。但有一個小問題。一位紐約大學數學家 Tristan Buckmaster 和他的合作者多年來一直在默默接近同一個解決方案，並且一直在 OpenAI 的 Codex 內部起草整個專案，將每一次的草稿都輸入到這個工具中。當 Buckmaster 詢問 OpenAI，那個「解決」了問題的模型是否曾用他的 Codex 工作階段進行訓練時，他表示 OpenAI 告訴他模型並沒有查閱用戶資料。
於是他問了一個顯而易見的後續問題：好吧，不是「查閱」，但「用於訓練」呢？
根據他的說法，關於這個問題，他沒有得到答案。
仔細想想這件事。一個前沿實驗室宣布攻克了數學界最深奧的問題之一。一位在職數學家問，你們是不是用我的草稿訓練的？而對方的回應，就像是企業界在專注地盯著自己的鞋子看。接著，根據 Buckmaster 的說法，OpenAI 向他提供了一系列的署名安排方案，其中包括一個要將他合作者的名字從論文上拿掉的方案，但他拒絕了。該公司隨後大方地宣布不會領取那一百萬美元獎金，這可以說是整起事件中最諷刺的一句話：獎金是這個故事中唯一他們沒有拿走的東西。
然後，在壓力之下，OpenAI 發表了一份官方聲明，我想完整引用其中的關鍵句子，因為它值得被裱框起來：「雖然可能性不大，但我們無法排除，從他們使用我們產品中獲得的去識別化資料，有助於改進我們的模型。」 這是一個披著機率估計外衣的自白。AI 產業最有價值的公司，宣布了本世紀最偉大的數學成果之一，卻無法排除這個成果是由於它搶先一步的數學家們的草稿所餵養出來的，因為訓練流程就像一條消防水管，而包括 OpenAI 在內，沒有人真正知道水管裡到底有什麼。
「去識別化」在這個句子裡也扮演了關鍵角色：資料上的名字被剝掉了，這對於一個其畢生心血可能被描述的對象來說，真是莫大的安慰。
這就是整個產業的條款與條件，難得一次如此赤裸裸地攤在陽光下：你輸入機器的所有內容都可能用來改進機器，我們無法告訴你它是否真的被用上了，而這些改進將會被用來服務機器擁有者認為有價值的目標，有時，也包括用來對付你。
也許我們確實偷看了一眼（來源：OpenAI）
如果連千禧年大獎難題都能發生這種事，那麼你的公司、你的產品或你的研究也正在發生同樣的事。
別說什麼恍然大悟了。這就是威利狼的時刻：整個產業早在幾年前就衝出了懸崖邊緣，而這週，每個人都低頭往下看。
你曾經輸入過的所有東西，都是產品。
接下來掉下來的，就是鐵砧了。
在我的辦公桌上生成，成本相當於一個燈泡亮五分鐘
值得慶幸的是，網路世界立刻就看穿了這件事的本質。一篇爆紅的文章將整個安排稱為希臘禮物的教科書定義——表面上，OpenAI 慷慨地以一萬名頂尖數學家和工程師免費使用其前沿模型，打著加速科學發展的崇高旗幟；實際上，它獲得了通往世界上最優秀頭腦們未發表的原始工作的後門通道，每一次提示都是一個在文獻中從未出現過的開創性想法，悄悄地累積數月，直到人類研究者即將完成之際，實驗室燒掉兩千萬美元的 token，動用一萬個 Agent 來暴力破解最後的步驟，然後召開記者會。這篇文章原本是作為一種憤世嫉俗的諷刺來寫的。尷尬的是，要描述它與 Buckmaster 所說的情況有何不同，而整個策略在你計算成本的那一刻就顯現出其商業合理性：免費的 token 讓 OpenAI 花費數百萬美元，未發表的數學前沿研究價值數十億美元，而在 IPO 前一週登上頭條的千禧年大獎難題，其價值遠超過這兩者。
由於蒸餾技術，如果一個 AI 擁有你的資料，那麼所有 AI 很快就會透過合成輸出、無法溯源也無法復原的方式，間接擁有這些資料。沒有任何刪除請求能對一個經過蒸餾的權重產生作用。
現在，把 Buckmaster 這一週的遭遇放大到地球上的每一家企業，因為他的故事並非特例，而是產品如預期運作的結果。你公司的 Gmail、你在 Google Drive 裡的文件、你在 GitHub 上的程式碼、由友善的 AI 會議記錄工具轉錄的客戶通話——它們每一個都位於某家公司的端點之後，而這些公司的模型正是靠著這類資料來改進，它們的服務條款在過去兩年內悄悄地加入了「用你的資料進行訓練」的開關，而且，我們現在從那則推文中得知，它們的官方立場是「雖然可能性不大，但我們無法排除」。一位數學家將他畢生的心血餵給了 Codex，結果卻被房東搶先一步。
你認為，同樣的事情正在對你的策略、你的產品路線圖、你的交易管道、你的程式碼庫、你的客戶做些什麼？
自從《AI 知道你去年夏天做了什麼》這篇文章以來，我一直稱之為 SaaS 的「國王的新衣」時刻。
這個領悟不會是逐漸到來的，因為這種事從來不會：只要發生一起 Buckmaster 級別的醜聞，受害者是一家家喻戶曉的企業，那麼地球上每個董事會都會在同一週召開同樣的緊急會議。當那一刻來臨時，其引發的憤怒會讓 Reddit API 抗議事件看起來像是一場讀書會爭論，而每個董事會得出的結論，將會濃縮成四個字：
不是你的 AI，就不是你的資料。
於是，我就在午夜時分，像個在 Taylor Swift 預售中搶票的黃牛一樣，搜遍了整個網路尋找 Mikrotik 交換機，最後來到一家瑞典經銷商的網站——地球上最後一個還有庫存的地方——正好看著庫存狀態跳轉為「已售罄」。
我已經開始購買 DGX Sparks，顯然其他人也有同樣的想法。經銷商告訴我，這些東西賣得跟熱門蛋糕一樣快，而你需要用來將四台串聯在一起的 Mikrotik 812 交換機，在地球上任何地方都買不到了。等我設法再買到四台時，價格已經上漲了。價值 1,300 美元的交換機缺貨，卻成了阻礙 AI 大規模去中心化的瓶頸，這有點諷刺，但這就是供應鏈的現實：革命總是受制於其最便宜的零件。
NVIDIA DGX Spark：一個精裝小說大小的金色盒子，卻擁有千萬億次浮點運算能力。先買交換機。相信我。（圖片來源：NVIDIA）
讓我走上這條路的數學計算值得展示一下，因為它將整篇文章濃縮成一次購物之旅。
粗略計算，我每天 40 億 token 的需求需要 400 到 500 台 Spark——價值兩百萬美元的桌上型設備。提示快取將這個數字降到約 100 台機器。在 Agent 優化了自己的程式碼之後，整天的運算量大約只需要 16 台 Spark，價值六萬五千美元的硬體，耗電量比一個熱水壺還少。
我目前實際運行的兩台機器，在 DeepSeek V4 Flash 上每秒可以處理 45 到 60 個 token，對程式設計師來說相當夠用：每天大約輸出五百萬個 token。現在來算算攤銷，因為這裡才是真正有趣的地方。這兩台機器花了大約 9,400 美元。三年攤銷下來，每天硬體成本是 8.60 美元，加上每台機器 100 瓦的電費，每天約 1 美元：總計每天不到 10 美元。同樣每天五百萬 token 的輸出量，如果用 Opus 的價格來算，大約是 1,500 美元。用我混合 Sonnet 的實際費率來算，也要 50 到 100 美元。如果用 GLM 雲端價格，大概只要 2 美元，這就是為什麼這些機器在價格上幾乎無法打敗中國雲端服務，但它們擊敗了所有西方替代方案一到兩個數量級，而且它們從不睡覺，從不輪換，也從不忘記輪到誰。如果你認為這只是小眾愛好，那麼現在已經有一個社群基準測試網站 Localmaxxing，成千上萬的人在那裡比較他們 GPU、Mac 和迷你 PC 上的每秒 token 數，就像在比《跑車浪漫旅》的單圈成績一樣。調校社群就像當年的演示場景一樣活躍：上週，一個社群實驗室為配對的 Spark 發佈了一個 GLM 5.3 Flash 的 EXL3 量化版本，在散文生成上快了 29%，在程式碼生成上快了 20%，一夜之間，免費，在 GitHub 上。我的機器在我睡覺時變得更快了，而且沒有人向我收費。邊緣運算不再感覺像是一個邊緣領域。它感覺就像 1978 年的個人電腦場景，就在它吞噬大型主機之前。
Localmaxxing：497 台設備、674 個模型、896 次社群基準測試，以及一個附帶速度測試驗證清單的硬體市場。請注意標語：每台電腦，一個端點。邊緣運算正在組織化。
兩個 Agent 員工，全天候在職，他們的總薪資，說白了，就是足夠驅動兩個燈泡的電費。
但廉價勞動力從來都不是重點，因為與中國雲端定價相比，這些機器幾乎無法回本，而且中國公司持續提供大幅折扣或免費贈送 token。
重點是這些機器「不做」什麼。在它們上面運行的任何東西都不會離開你的建築物。沒有端點，沒有抓取，沒有蒸餾，沒有埋在設定頁面中的同意開關，沒有十八個月後發表的聲明，對我的使用情況無法被排除在別人的訓練運行之外表示遺憾。這些模型是靠著其他人的資料才變得這麼好。它們別想拿到我的。
沒有團隊的團隊領導者
企業對其資料的恐慌，將會在現代史上最大的知識工作結構性變革展開的同一時刻降臨，而這兩件事其實是同一個故事，只是穿著不同的外衣。
每一次機械化浪潮都有相同的模式。農業勞動力從占總勞動力的一半變成了可以忽略不計的數字。工廠對製造業做了同樣的事，電腦清空了打字員隊伍，網路掏空了中間商，軟體吞噬了後勤辦公室。工作從未消失，它只是沿著價值鏈向上移動，但在這個過程中，從事舊工作的人們會經歷一個糟糕的十年。現在到來的這波浪潮，目標是已開發世界最大的就業類別：白領工作的機械化。
我可以從內部告訴你這是什麼樣子，因為它已經開始發生在我自己的組織架構圖裡了。以下是應該讓中階管理層睡不著覺的一句話：一個配備了 Agent 的團隊領導者，現在可以完成整個團隊的工作。這不是幻想，而是觀察結果。我在 Freelancer 的團隊領導者們，正在一個工作流程接一個工作流程地，用他們監督的 Agent 來取代他們團隊的工作。這個人仍然至關重要：必須有人知道什麼是好的結果，要能察覺 Agent 像初次約會那樣用反社會的眼神對你胡說八道，還要決定哪些問題值得花費 token。但他們底下的組織架構圖正在蒸發，化為軟體。
其經濟效益可笑地不對稱。我的低風險 Agent 在 GLM 上運行，每天只需幾分錢；大多數 Agent 的成本約為 20 美元；我最貴的 Agent 成本不到 100 美元，而且在我寫這篇文章時正在被大力優化。這就是為什麼企業不僅會「想要」這樣做，而是「被迫」這樣做。一旦有一家上市公司展示了「團隊領導者加 Agent」這種運作模式的利潤結構，那麼每場財報電話會議上的每個分析師都會要求其他公司跟進。基於盈利的競爭是不講情面的。一個四人團隊變成一個人，這不是出於殘酷，而是因為如果不這樣做，你就會成為一個剛發現能節省 75% 勞動力的行業中，成本最高的生產者。
現在，將這個模式放大到地球上每一個可並行化的白領工作流程，你面對的將是一場規模和速度都超越以往任何一次浪潮的結構性變革，因為那些變革需要幾代人的時間，而這一次只需要一個預算週期。生產力的提升是真實且巨大的。它所取代的工作也是如此，而這兩件事同時為真。
我在先前的文章中說過，這會首先發生在哪裡：高度並行、重複性的工作流程。一千個座位的客服中心變成一百個。三十名起草合約的律師變成十三名。更精確地說，功能性的團隊領導者不再需要團隊。
這現在已經明顯在發生了。新的問題是，如何看出誰是下一個，而這並非人們預期的方式。
Token 與薪資的套利
用兩個軸來評估每項工作。第一，AI 產生相同有用輸出需要花費多少 token 每小時？稱之為勞動的 token 強度。第二，Agent 是真正能完成任務，還是會陷入迴圈？
致命區是低 token 加上高收斂性。一線客服每小時最多可能消耗 40 萬個 token，包括所有 Agent 的開銷。用前沿模型的定價來算是幾美元，用中國開源模型的定價來算則不到一美元，而被取代的西方人類員工每小時成本是二十五美元。毫無懸念。資料輸入、表單處理、初級文件起草、翻譯：這些都是低 token、高收斂性的工作，作為職業基本上已經結束了。那些本質上是報告撰寫者和佇列處理者的工作也是如此，即使是非常複雜的也一樣。
但是，對軟體開發進行同樣的計算，你會得到這十年來的異常現象。一個 Agent 的編碼會話是經濟活動中單一最耗費 token 的活動：每小時兩百萬到兩千萬個 token，有時更多，因為 Agent 會推理、迴圈、重寫、破壞上一個迴圈修復的東西，然後再次推理。以前沿模型的價格計算，Agent 每小時的成本可能比它要取代的高級開發人員還高。
所以，這就是矽谷沒有人想被印出來的重點。募資簡報說 AI 會先取代昂貴的工作，因為那裡價值最高。但帳單數據說的是相反的：廉價的工作消耗最少的 token，因此最先被自動化，而高級工程師消耗的 token 比地球上任何東西都多，自動化他們的成本可能比僱用他們還高。AI 是從組織架構圖的底部開始吞噬，而不是頂部，而每一個基於取代昂貴人員的估值，都搞錯了食物鏈的順序。
如果你的工作可以用兩頁的提示詞來描述，那麼它從頭到尾就是一個腳本，它已經完了。讓我感到震驚的是，有多少工作可以用這樣一個提示詞來描述。如果你的工作需要判斷力，那麼 token 消耗會爆炸且永遠不會收斂，你受到保護不是因為你的才華，而是因為這台吃角子老虎機。這就是為什麼我認為設計，儘管 AI 能畫出漂亮的圖片，但實際上會非常難以被取代。
最近，我公司裡的一位績效行銷專員離職了。我沒有急著發布招聘廣告，而是想：我其實從來沒有真正學過 Google Ads，也許我應該學一下。所以我讓 Claude 教我。然後，在學習了幾週之後，一個顯而易見的下一個想法出現了，我建立了一個 AI Agent 來負責執行廣告方案。它現在每天早上都會發郵件給我，報告昨晚發生的事、它做了哪些更改以及它的建議，並附上推理過程。坦白說，相較於之前人類所做的，它簡直是超人：它從不遺漏任何一個早晨，從不停止監控競價，也從不休假回來面對一團亂。
所以，不，我不是用一個更便宜的版本來取代她。這個職位本身已經消失了。我現在要招聘的是一位設計師和行銷人員，來改善這個 Agent 正在優化的轉換漏斗，這整個轉變的模式就在這一個小故事裡：那個曾經是一個工作流程的職位變成了軟體，而新創造出來的職位則位於價值鏈的上游一層，做那些我認為 Agent 會難以應付的事情：品味。
將這個邏輯推演到極致，管理本身就會變成 token 預算分配。經理的工作一直以來就是購買認知能力並將其指向問題；薪資只是以人類形式提供的 token。現在，這變得非常 literal：2027 年的規劃週期將不是圍繞著員額需求來爭論，而是圍繞著推理預算。而社會將圍繞著一個新的階級制度重新分層：有主動性並擁有 Agent 的人，將擊敗有證照和同事的人，每一次，在任何地方，同時發生。
我們現在可以退休了吧？
每一篇關於 AI 的文章最終都會落入兩種卡通情節之一：領救濟麵包的隊伍，或是沙灘。兩者都假設機器會取代所有工作；它們唯一的區別在於是否有人能拿到錢。
我們當然不會走向 Diamandis 和 Musk 版本的那種豐裕時代，機器做所有事，盈餘被分配，我們都領取全民基本收入並開始學水彩畫。那個烏托邦有一個算術問題：token 是要花錢的。
運算能力是由數兆美元的債務資助的，電力是真實的，記憶體到 2027 年都處於售罄狀態，而且在資本主義歷史上，沒有人建造了一條五兆美元的收費公路，然後讓所有人免費通過。
豐裕是真實的，但它會流向那些擁有市場、擁有計量表、擁有模型、擁有機器人或擁有主動性的人。它不會自動寄給你。
我所說的更狹隘也更有用：對於企業「現在」所做的事情，它們將需要少得多的人。這就是結構性變革，它是真實的，而且它正在快速到來。但是，世界上一直存在著，也永遠會存在無限多的工作。
那些真正理解 AI 的人，並不是翹著二郎腿抱怨沒事可做。他們比以往任何時候都更忙，在現實生活中玩著《異星工廠》，建立 Agent 來完成工作，然後為 Agent 找到十倍多的工作。每一次過去的浪潮都創造了以前無法命名的工作。一個在 1780 年揮舞鐮刀的農民，無法想像「UGC 內容策略師」會是一份工作，更不用說這份工作比種田收入還高。接下來會出現的工作，根據定義，是我們目前還無法描述的工作。痛苦存在於舊工作結束和新工作到來之間的鴻溝中。
而全球經濟中隱藏著一個幾乎沒有人定價的套利機會，就藏在薪資數據裡。數十億人的薪資低於取代他們的 Agent 的 API 帳單，因此取代他們的經濟帳永遠算不過來；然而，同一個人，如果配備了便宜的中國 token，就能以他們現有的薪資水準，變得具有超人般的生產力。結構性變革是富裕世界的白領現象。而賦能是全球性的。我每天都在自己的市場上看到這一點。
Freelancer 位於經濟學的另一端：按成果付費，而不是按 token 付費，而且是唯一一個同時容納了所有人和所有 AI 的地方。今天早上，我收到一封郵件，尋找 5,000 人來錄製第一人稱機器人訓練內容。我們曾經在一天之內就召集了 20,000 名合格的人員，用於從筆記型電腦維修到拍攝興趣點再到安裝衛星天線等各種專案，所有這些都整合到一個人類 Agent 工作流程中，而且它可以一路擴展到 NASA 和美國政府用來匯集世界頂尖專家解決納維-斯托克斯等級問題的登月創新計畫。差別在於，在 Moonshot 上，解決問題的人會獲得獎金，並保留他們在論文上的署名。
而那則機器人招募訊息告訴你接下來會發生什麼：擁有實體的 Agent。數字已經開始像兩年前的模型數字一樣快速變動。Unitree 八月在上海的 IPO 超額認購 8,000 倍，上市首日飆漲 629%，而且該公司，與本文到目前為止提到的任何公司都不同，是盈利的。中國的人形機器人現在售價不到 6,000 美元。全球人形機器人出貨量在上半年達到 19,100 台，成長 272%，預計今年將達到 60,000 台，到 2030 年達到 50 萬台，而中國佔了其中 97% 的出貨量。我唯一無法建模的是心理層面：一個在你終端機裡凌晨三點燃燒 token 的 Agent 只是個帳單問題，但我真的不知道人們是否會對一個價值 6,000 美元、有手、住在家裡、並且會在夜裡發出怪聲的 Agent 感到自在。
至於建議產業，十年前，被裁員的人被告知要學習寫程式，這在現在已經變成了勞動經濟學中最黑暗的笑話，因為寫程式已經成為地球上自動化程度最高的職業。2026 年的版本可能真的會是：學習開卡車。在任何人抗議說卡車司機是下一個之前，我經營著一個重型貨運平台，而這份工作從來都不是開車。它是裝載、固定、卸貨，以及兩端的客戶。方向盤也許會自動化，但司機只會變得更有效率；那種粗獷的、物理的、沒有腳本的判斷力，與兩頁的提示詞相差甚遠，是 token 無法觸及的工作。最安全的工作是 token 無法到達的工作；第二安全的工作是 token 太貴而不值得去自動化的工作。
人類是一個 20 瓦的推理引擎，附帶免費的預訓練。你的大腦用一個昏暗燈泡的能量預算就能完成一整天的認知活動，在二十年的時間裡由父母、老師和失望以零邊際成本訓練而成，而且在卡住時不會虛構出一個假的 Stack Overflow 貼文。對於大量的任務來說，人類仍然是市場上最便宜的 token。
原來，薪資從頭到尾就是每 token 的美元價格。
試用期優惠
在〈按 AI 付費〉一文中，我寫道固定月費訂閱制無法持久，一旦終結，你將把信用卡插入一台吃角子老虎機。六個月後的今天，吃角子老虎機已就位，訂閱制正明顯消亡，而 Erik Townsend 為這個時刻命名：我們正進入代幣購買的浮動利率抵押貸款階段。
按 AI 付費
固定月費訂閱只是一種優惠利率。每月二十美元、兩百美元，吃到飽，由創投補貼，並日益由債務支撐，定價是為了獲取你，而非服務你。而在這優惠利率之上，整個經濟體正據此建構其組織圖：每個團隊領導者用 Agent 取代團隊，每個新創公司都是他人模型的包裝，每個企業工作流程都建立在代幣幾乎免費的假設上。他們全都在為自己的勞動力簽署一份浮動利率抵押貸款，只有一個關鍵差異。當抵押貸款利率重設時，借款人動彈不得：房子不會移動，貸款不會在乎，而再融資需要數月和信用審查。
但當代幣利率重設時，我只需敲擊十四次鍵盤就能更換模型。一看到價格衝擊的跡象，模型就會在帳單送達前，於工作流程中被中途替換。這些實驗室正以優惠利率經濟學，面對沒有退出成本的客戶，這是最糟的雙輸局面：他們用必須償還的資金，購買無法鎖定的市場份額。這個抵押貸款類比對所有人都成立，除了銀行。
退一步盤點護城河，因為所有曾保護科技公司的東西在這裡都失效了。智慧財產權？科學成果已發表在四十篇論文中。規模？DeepSeek 用 2,000 顆 GPU 和一個副業項目就做到了。網路效應？Agent 沒有忠誠度。品牌？用戶為了一個設定檔就會叛逃。資本？開源軟體跑得更快。即使是模型本身，也會在幾個月內以百分之一的成本被複製到基準測試的同等水準。三十年的軟體投資原則，沒有一條護城河能在這裡存活。
利率重設並非假設。我們已經看過預演：使用上限、每週限制、會話節流、冷板凳、以 API 費率計費的超額使用，讓 200 美元的方案變成每小時 200 美元。每一次都是銀行來電通知蜜月期利率即將結束。
而 Agent 讓重設變得更糟，不只是在程度上，而是在本質上。傑文斯悖論已呈立方增長：每次代幣成本下降十倍，每項任務的代幣用量上升百倍，而每人執行的任務量又因 Agent 可無人值守而再上升百倍。需求曲線並未彎曲，而是垂直攀升，伴隨著資料中心建設支出，後者在過去六個月的增長已超過前兩年的總和。
而你已經看到重設的落點，因為我的帳單就是預覽：1,300 美元變成 150 美元，再變成電費，在兩週內，沒有任何協商。實驗室留住我的業務，唯一的方法是放棄他們的利潤。仍然有人在支付我支付的費用與他們資料中心成本之間的差額，但那個人不是我，是他們的 F 輪投資者。
與此同時，今年最聰明的交易悄然發生。在可能觀察了他們的帳務之後，Stripe 以約 80 億美元收購了 OpenRouter，這個路由器承載了十兆個代幣的流量。一家支付公司買下了計量點，更重要的是，買下了帳務資料：誰真正為代幣付費、為哪個模型、以什麼價格、何時切換。在淘金熱中，別賣鏟子。去買化驗所。
現在來計算全球數字，因為這篇文章從此不再只關乎我的信用卡，而是關乎電網。我每天 40 億個代幣的用量，相當於每秒 46,000 個代幣，全天候不間斷。假設每個人都這樣做。如果地球上僅有十億知識工作者，像我上週二那樣使用高效模型消耗代幣，你將需要幾乎整個人類文明的電力輸出才能服務他們：地球上每一座發電廠，不做任何其他事。如果擴展到全球八十億人使用前沿模型，你需要的電力將是世界電力的數百倍。這不是一個更大的電網，而是一個戴森球。
面對這樣的算術，那五兆美元的資料中心建設計畫，自鐵路時代以來最大的基礎設施項目，僅能覆蓋其所宣稱需求的一個零頭。唯一的問題是，它目前的融資來自兩家從未獲利、且每年營運虧損數十億美元公司的營收。
與此同時，已經部署的八十億個傳統人類推理引擎，以約 160 吉瓦的功率運行著同樣的物種級認知能力，每人 20 瓦，大約相當於兩年的資料中心建設量。
愛因斯坦教導我們，能量和物質是同一回事，其兌換率是光速的平方。這篇文章一直在摸索一個更小、更粗鄙的等價關係：能量、代幣和薪資也是同一回事，其兌換率每天在杭州設定。一個代幣是凝結的電力。而我們已經確定，一份薪資是以人類形式提供的代幣。這意味著人類勞動的價格和機器勞動的價格，最終都是能源價格，而這個故事中的每個參與者都在按自己的時間表發現這一點：實驗室透過他們的電費帳單，工人透過他們的薪資單，退休基金透過他們的特殊目的公司，而我則透過午夜時分瑞典的開關清單。這一直是個能源故事。代幣只是計量單位。
而如果你想看看這對家庭帳單意味著什麼，請看下圖。美國電價平均每千瓦時 13 到 14 美分，維持了整整十年。然後建設開始了，曲線垂直攀升：20 美分且持續上漲，四年內漲幅近 50%，這是每個選民每月都會看到的唯一價格。電網在代幣之前就開始重新定價，而且是向公眾重新定價。
這張圖表最終會被每位政治人物看到。十年的平穩電價，然後是 AI 建設。（資料來源：BLS，經由 Koyfin）
業界面對電網問題的答案是核能，而其代表案例說明了一切。微軟正在出資重啟三哩島，是的，就是那個三哩島，美國最嚴重核事故的發生地，現已更名為 Crane 清潔能源中心，並簽約為資料中心供電二十年。Google 與 Kairos 簽約，採購一系列小型模組化反應爐，亞馬遜在 Susquehanna 購買了一個核能相關園區，而 Meta 則發布了 4 吉瓦的核能招標。我真心支持這一切：核能是應對本文所述需求曲線的正確答案。但請看看交付日期。如果 NRC 配合，重啟項目將在 2027 到 2028 年落地；小型模組化反應爐則由從未建造過的公司承諾「在 2030 年前」交付；而沒有一座新的大型反應爐被訂購。債務以三年為期攤銷，但電力卻要十年才能到位。代幣這個季度就需要電子，而核能還要兩個總統任期才能到來。核能最終將為代幣經濟提供動力。它將為重訂價後擁有這些機箱的人提供動力，這正是重點：反應爐將比為其需求提供融資的特殊目的公司活得更久。
因此，代幣需求呈拋物線成長，能源卻無法跟上，而能源不幸地也是糧食，因為農作物與燃料競爭。必須有所讓步，而讓步的就是價格和市場的形態。
三哩島。為了製作 PowerPoint 投影片而被重新啟動。
全球代幣危機
這次重訂價與其說是漲價，不如說是一場審計，每個薪資和 Agent 使用案例都將根據其真實的代幣成本（也就是能源成本）重新接受檢驗，而其中相當一部分將無法通過考驗。
存活下來的部分會自行歸類成其他所有能源市場的形態：三個層級加上一個即時價格。
底層是大宗商品代幣，占絕大多數交易量：開源模型，成本為電費加上攤銷的硬體，使用中國晶片，放在你自己的機架上。DeepSeek 已經按時段為代幣定價，離峰 17 小時半價，完全像一家電力公司，因為它現在就是。
中間層是品牌化的西方代幣，針對長 Agent 循環的可靠性收取溢價，而這個溢價的保鮮期恰好是一個基準測試週期。
頂層是受控的前沿模型，OpenAI 的真正策略在此浮現。
將 OpenAI 九月的舉動視為一個整體。Astra：對公開 API 來說太危險，僅限審查後存取。前線部署工程師。一項 IBM 顧問合約。一位首席營收官，將網路防禦作為管理服務銷售。加總起來：OpenAI 不再銷售代幣。它想成為 McKinsey 2.0，將最好的模型留在內部，以顧問利潤率出售其產出，每次參與六位數，完全不走公開 API。作為策略，這是正確的，因為受控層是唯一能保留利潤的地方。三年來，實驗室告訴我們模型太便宜而不重要，太安全而無需恐懼。現在它們太危險而不能出售，而「危險」恰好是唯一能收取溢價的東西。
問題在於，顧問業務依賴單一資產：審慎判斷，而 OpenAI 選擇在轉型的這一週證明它完全沒有這項資產。
把你們最困難的問題和最敏感的資料交給我們，這是他們的說詞，我們現在是天才了。
與此同時，在首頁上：一位數學家正是這麼做了，卻眼睜睜看著房東宣布了他畢生的研究成果，並收到一份無法排除在其上進行訓練的聲明。我們知道吞噬客戶機密工作的顧問公司會發生什麼事，因為澳洲剛剛做了實驗。PwC 拿走了財政部的機密稅務計畫，並悄悄將其貨幣化給其他客戶，當事情曝光後，該公司以 1 美元出售了整個政府顧問部門，清洗了合夥人，並成為背叛的代名詞。那只是一份洩漏的簡報。OpenAI 的版本是結構性的：洩漏就是其商業模式，每天運行十億次提示，而他們自己的聲明說無法排除這種情況。PwC 至少知道它做了什麼。
現在來總結 OpenAI 的整體狀況。八億「用戶」，虧本服務。每年 140 億美元的虧損，根據匯豐銀行的計算，到 2030 年將面臨 2,070 億美元的資金缺口。一個在第一週就千瘡百孔的顧問轉型計畫。以及一個兆美元 IPO 來向你兜售這一切。剔除誠實定價會移除的部分——無價值的免費層級、已經叛逃到中國模型和自己機架的付費用戶——剩下來的只是一個品牌和一個習慣：世界上最知名的廣告業務，包裹著世界上最昂貴的銷貨成本。萬事俱備，只欠東風：馬斯克的訴訟在九月失敗，SpaceX 的創紀錄上市打開了 IPO 窗口，而上市本身就是交易。在算術變得無可爭辯之前套現，將燒錢率交給公眾，讓微軟去接手剩下的殘局。最後一架逃離屋頂的直升機，被當作登月計畫出售。
Anthropic，另一個大家常問的公司，看起來更健康，但實際上更脆弱。該給的 credit 還是要給：他們目前擁有地球上最好的模型。但他們也為此收取地球上最高的價格，而支出數據顯示了結局。看看下圖，來自 Ramp 的公司卡數據。Anthropic 唯一仍在成長的產品線是 Opus，頂級產品。Sonnet，主力產品，正在萎縮：這代表大宗商品營收正流向 GLM 和 DeepSeek，只需一個斜線指令，價格只有十分之一，完全按計畫進行。而 Fable 5，全新的前沿模型，則持平：企業不會在舊模型還能用、且其下所有產品都轉向中國方案時，為新的高階層級付費。這是從內部看到的經典顛覆性死亡螺旋： incumbent 退守高端市場，先流失對價格敏感的客戶，其產品組合每季看起來都更健康，直到頂級產品成為唯一剩下的東西，而那裡的護城河只有一個基準測試週期那麼寬。然後在六月，他們最大的分銷渠道被從腳下買走：SpaceX 以 600 億美元收購了 Cursor，這是史上最大的創投支持新創公司收購案，目的是讓 Grok 成為預設的程式碼模型。OpenAI 的回應是將其模型完全從 Cursor 中撤出。誰買下了包裝，誰就買下了你的營收；誰失去了包裝，誰就帶著模型回家；程式碼市場正在模型層重建 AOL 網路。
因此，Anthropic 正努力向上游移動，垂直整合進入應用層：Claude Code、Claude Cowork、Claude Design？試圖抓住其 API 定價無法維持的價值。其邏輯終局是企業信任特許經營：為銀行和政府提供的安全、可審計的西方模型，成為 LLM 領域的 Lockheed。但要成為 Lockheed 有兩個問題。第一個是 Lockheed 的客戶熱愛它，而美國政府顯然不熱愛 Anthropic：五角大廈將其指定為供應鏈風險，即使其自身的目標鎖定系統運行在 Claude 上，而政府將其安全遊說視為披著實驗室外衣的監管捕獲。要成為一個不斷稱你為威脅的政府的國防承包商，是很困難的。第二個是信任本身：本應用於安撫企業的安全調校，實際上正在一個接一個地流失客戶，一次拒絕和一次道德說教，包括我在內。一個政府不信任你、客戶感覺被說教的信任特許經營，其護城河比宣傳中要窄得多。這是一個真實的業務，可能還是個偉大的業務。但絕非 IPO 傳聞中定價的那個為人類服務的兩兆美元公用事業。
最殘酷的部分在於，誠實定價是實驗室唯一的出路，但誰都不能先走。第一個誠實定價的實驗室會將其業務量拱手讓給仍在補貼的對手，因此雙方都繼續燒錢，由私募信貸融資，進行一場貸款人掌握方向盤的膽小鬼遊戲。Blue Owl 退出一個 100 億美元的資料中心交易，是第一個「不」。
代幣的優惠利率，在貸款人的優惠利率終結時終結。
抵押債務資料中心
你可能還記得 2008 年的擔保債務憑證，或者至少記得 Margot Robbie 在浴缸裡解釋它們的場景。如果續集也有浴缸場景，我不確定我想不想看，但它具備了其他所有元素。
Ed Zitron 認為資料中心特殊目的公司是這個泡沫的 CDO，而 AI 資料中心則是它的次級房貸。他說，機器本身就很能說明問題。沒有人再在自己的資產負債表上建造 AI 資料中心了。你創建一個特殊目的公司，一個擁有晶片、擁有債務、擁有風險的小公司，而背後的科技巨頭官方上除了善意之外什麼都不擁有。
Meta 的 Hyperion 園區屬於一個由 Blue Owl 持股 80% 的實體。Meta 自己的 SEC 文件承認高達 460 億美元的風險敞口，但其資產負債表上卻顯示沒有任何相關債務，理由是 Meta 並非一個完全為 Meta 建造的資料中心的「主要受益人」。安永將其標記為關鍵審計事項，然後還是簽了字：這個順序上次出名是因為安達信，而這家公司正是因為這個原因而不復存在。
正如 Zitron 所說：「彭博估計，未償還的 AI 資料中心債務超過 5,000 億美元，其中至少 2,000 億美元由私募信貸持有」，即最後貸款人，「約占未償還私募信貸貸款的 8%。」他指出，這很可能還是低估，因為 SPV 結構的存在正是為了讓債務難以計算。AI 債券現在占美國所有投資級債券發行的四分之一。
五大雲端巨頭在五年內累積了 1.65 兆美元的債務。這超過了次級房貸在 2007 年的高峰，而次級房貸背後有 5,500 萬棟房子。就目前情況而言，只有兩個客戶。根據巴克萊、富國銀行和瑞銀的數據，OpenAI 和 Anthropic 約占亞馬遜 AI 營收的 73%、微軟的 74%，並將在 2027 年接近 Google Cloud 的一半。將它們剔除後，AWS 的 AI 營收為 85 億美元，而亞馬遜的資本支出為 2,200 億美元，這個比率通常只出現在國家太空計畫中。
而未來的預測數字更是驚人。Tom Tunguz 計算了計畫中的建設規模：未來五年約 4 兆美元的新 AI 債務，這將超過整個全球私募信貸市場，接近為美國所有道路、橋樑和機場提供融資的美國市政債券市場的規模，並將使美國公司債券市場獨自擴張 34%。以當前利率償還，每年僅利息就需要 2,600 到 3,000 億美元，這意味著到 2030 年，以投資級覆蓋率計算，需要 1.2 到 1.5 兆美元的年 AI 營收，而目前大約是 1,500 億美元。在產品價格崩跌的情況下，維持 55% 的複合年增長率長達五年。正如 Tunguz 所說，這不再是一個創投故事。這是一個總體經濟信用事件。
未來五年的計畫 AI 借貸量，與地球上每個主要債務市場並列。橙色長條在 2024 年並不存在。（資料來源：Tomasz Tunguz, Theory Ventures）按 Enter 或點擊以查看全尺寸圖片📷
這是在房東資助房客的情況下。微軟在其與 OpenAI 的關係中投入了超過 1,000 億美元，這是其在馬斯克訴訟中的證詞。Google 對 Anthropic 的投資高達 400 億美元，亞馬遜在先前對 Anthropic 的持股之外，又完成了對 OpenAI 的 500 億美元投資，而這些資金每一塊錢都直接回流成為運算營收，並向股東呈現為增長。追蹤整個循環，金融工程就顯而易見了：雲端巨頭的 AI 營收就是實驗室的支出，實驗室的支出就是雲端巨頭的投資，而整個結構建立在一個假設之上：OpenAI 和 Anthropic 最終將擁有智慧市場。
這就是承擔所有壓力的假設，請仔細注意正在被製造的是什麼。這並非一般的 AI 需求，我的需求是真實的。而是特定的、付費的、以這些價格存在的需求，用以證明這些特定資料中心的合理性：由雲端巨頭投資於他們自己的兩個客戶，並將循環資金記為增長所憑空創造的營收。有機需求正在到來，而且數量龐大。但它不會以他們的價格、他們的條件來到他們那裡，無論你投資自己的租戶多少都無法改變這一點。在任何其他行業，我們都會有一個詞來形容將自己的錢記為證據。在這個行業，我們有一個會議主題演講。
純粹的看空者，包括 Zitron 在內，看到這一切後得出的結論是需求是假的。需求並非假的，但要精確區分什麼在增長，因為看多者混淆了兩條不同的曲線。對代幣的需求將呈拋物線成長。但為此付費的意願則不會。消費正在爆炸性增長，正是因為價格正在崩跌；推動交易量的同一股力量正在摧毀營收。因此，實驗室得到了繁榮最糟糕的版本：使用量圖表垂直攀升，定價能力趨近於零，因為沒有轉換成本、沒有護城河，而叛逃只需敲擊 11 次鍵盤。代幣流向中國晶片、開源模型、本地機箱、桌上型電腦和你的手中，價格比債務模型可能假設的低 60 到 500 倍。每一個將代幣增長推斷為營收增長的預測，都是在將一個上升的數字乘以一個崩跌的數字，並稱其結果為必然。
而這裡是房地產框架所忽略的部分：一份資料中心租約看起來像房地產，但定價卻像魚市場。建築物約占成本的五分之一，可使用三十年；晶片則是其餘部分，三年就過時了。傳統的機房託管房東出售的是水族箱，從不碰魚：提供冷卻外殼和電網連接，簽訂十年合約，無晶片風險。SPV 結構將兩層合併了。CoreWeave 的載具是借錢買魚。
那麼，讓我們來看看這件事實際上會如何收場。第一種，也是最可能的觸發點，是 OpenAI 或 Anthropic 違約。不是出於惡意，而是出於算術：已承諾的成本、營收正朝杭州的價格水準重新定價，以及一個最終會說「不」的融資市場。當實驗室錯過一次運算付款的那天，連鎖反應將是機械式的。CoreWeave 自己的契約將 OpenAI 三個月未付發票定義為違約。SPV 停止支付其債權人，債權人沒收抵押品，而抵押品是一個倉庫的 vintage GPU，其市場價值已被 Jalapeno 和 B200 超越。一次違約將在一夜之間重新定價所有類似結構，因為突然之間，持有這些債券的退休基金必須問他們的抵押品實際價值是多少，而答案是：三天前的魚。
第二種結局幾乎沒有人建模：對代幣的需求呈拋物線成長，並遷移到邊緣和開源模型，在手機、筆記型電腦、像我這樣的桌上型盒子、以及 Jensen 現在零售的 AI 設備上。物理學支持這一點，因為往返資料中心的時間比小型模型回答問題所需的時間更長。經濟學支持這一點，因為你擁有的設備以電力的邊際成本提供代幣。而隱私恐慌則確立了這一點：每個經歷過「國王的新衣」時刻（關於訓練資料）的企業，都會做某種程度上我做的事，而每個消費者將在明年的手機中默認獲得它。
在企業領域，運算領域已經重複進行了五次相同的實驗，而答案從未改變。大型主機是按秒計費、由玻璃機房中的祭司階級定價的，一旦迷你電腦讓部門能夠擁有自己的機器，這種計費模式就消亡了。分時系統是按時計費的，而個人電腦終結了它：一旦桌上的機器能免費執行 VisiCalc，就沒有人會按小時租用它。長途電話是按分鐘計費的，直到封包交換讓邊際通話成本趨近於零。即使是雲端運算——這個偉大的反例——也只不過是將那些適合共享的工作負載重新集中化，而一旦雲端帳單成為專案中的一個項目，回歸本地部署的運動就開始將穩定的工作負載拉回內部。這個模式幾乎可以稱之為定律：運算資源只有在硬體稀缺時才會以計費服務的形式被消費；一旦能力足以裝進客戶可以擁有的盒子裡，所有權就會勝出，因為自有運算的邊際成本是電費，而租用運算的邊際成本是供應商認為你能承受的任何價格。智慧也將毫無二致。企業中穩定、可預測、高流量的 Token 負載、Agent、工作流程以及日常認知運算，都將遷移到自有晶片上，而雲端則保留它一直保留的東西：突發流量、峰值負載，以及盒子無法處理的巨大問題。
實驗室也無法挽救這個算術，因為它們的義務是單向的。OpenAI 在 Microsoft、Oracle、Amazon、CoreWeave 和 Cerebras 身上背負著大約 1.1 兆美元的運算承諾，而這些承諾本身就是 SPV 債務背後的抵押品。成本已承諾，收入可選擇：這正好與一門好生意相反。而且，沒有體面的方式可以縮減規模。提供更便宜的模型，就等於承認前沿模型已經過度配置。砍掉產品（例如 Sora），市場就會解讀為困境。違背承諾，你就會成為整個產業鏈定價所依據的違約事件，這就是為什麼華爾街已經將 Oracle 的 6300 億美元積壓訂單估值為大約零。每一次退出都會觸發它試圖逃離的事情。這是一個企業金融版的「中國手指陷阱」，而兩家公司都深陷其中。
與此同時，論文最終落到了它該去的地方。加州教師的退休儲蓄存在 Blue Owl 的基金裡。魁北克的退休金投入了 CoreWeave 的貸款。Apollo 正在用保險年金為 Anthropic 的 350 億美元晶片提供資金。據報導，Blue Owl 在初次會面十五分鐘後就同意了 100 億美元的資料中心承諾，這種盡職調查的速度通常與分時度假推銷有關。穆迪將銀行對私人信貸的曝險定為 1.4 兆美元，而這些曝險的準備金幾乎為零，因為目前還沒有發生任何壞事——這也正是 2006 年的承保標準。這個泡沫的承重牆是由退休金支票砌成的。
所以，仔細想想，一次違約，甚至是一次險些違約，實際上會引發什麼連鎖反應。因為這不是單一事件，而是一連串事件。第一個受害者不是硬體，而是資金成本。當某個實驗室明顯難以支付帳單的那一天，所有貸款機構都會同時重新定價所有類似的結構：利差飆升，新的 SPV 發行停止，而那些依賴再融資的項目（占大多數）將在建設中途撞牆。市場已經在為此排練。Oracle 的信用違約互換交易價格處於金融危機以來的水平，而 JPMorgan 建立了一個客製化的投資組合，專門讓客戶可以做空 AI 債務。重新定價發生在任何清算之前，而這可能是我們唯一會經歷的階段，因為超大規模雲端業者有充分的動機悄悄吸收一個搖搖欲墜的租戶，而不是讓違約事件曝光。
但如果連鎖反應真的發生，請注意誰最終會持有什麼。債權人是無法執行推理任務的退休基金和保險公司；抵押品是正在以三年為週期折舊的晶片；而一些最初的損失將落在 Nvidia 自己身上——它為 CoreWeave 數十億美元的未售出產能提供了擔保，也就是供應商在吃自己的票據。今天的市場是稀缺的，而非過剩的——記憶體被壟斷，交換機買不到——所以第一批被沒收的硬體會很快找到願意買家，只是價格打折，而每個買家都將正是這篇文章所預測的：企業、大學、主權基金以及像我這樣的營運商，他們將以債權人的代價，購入那些完成遷移所需的盒子，遠離那些債權人資助的資料中心。這就是 dotcom 光纖的結局：它讓鋪設光纖的人破產，然後以幾分錢一美元的價格，為第三任所有者承載了 YouTube。
再往前推一步，結局會呈現一個真正奇怪的形狀。損失落在退休人員和保險公司身上，AI 資本支出所帶動的成長引擎停滯，而華盛頓在事後才發現，沒有人為這一切投過票。但華盛頓已經在為這個時刻做準備了。川普政府花了兩年時間將部分國有化常態化：以 89 億美元購買 Intel 9.9% 的股份，入股晶片製造商和稀土礦商，宣布量子運算為下一步，根據外交關係委員會的統計，自 2025 年 1 月以來已完成 37 筆股權或準股權交易。
對於一個搖搖欲墜的戰略性產業，劇本不再是紓困，而是持股。而且，很難想像一個已經拿了 Intel 10% 股份的政府，會在 OpenAI 搖搖欲墜時，不掏出支票簿並稱之為國家安全。所以，勾勒出美國 AI 大建設最可能的終局，那就是所有競標者都未曾預料到的結果：能力得以存活並分散到數百萬個自有盒子中，運行著大部分是中國的模型；損失由美國儲戶社會化承擔；而前沿領域剩下的一切，最終將部分歸屬於那個在它崛起過程中未能監管它的政府。北京的策略是，它不必贏得這場比賽。它只需要等待融資自己失敗。
應該有人告訴 Margot 讓浴缸保持溫暖。
Jensen 已經離開了現場
有一個人似乎已經完成了這一切的算術：那個賣鏟子的人。
在台上，Jensen Huang 是這場建設的大祭司：1600 億美元營收，1000 億美元利潤，每季一次主題演講，宣布需求是無限的，未來是一個德拉瓦州大小的資料中心。但請以他私下必然會有的方式來閱讀 Nvidia 的處境。大約 90% 的營收來自資料中心設備，而少數客戶購買了其中的大部分。這些客戶就是超大規模雲端業者，他們的 AI 收入有四分之三來自 OpenAI 和 Anthropic，而他們的支出則是穿著風衣的創投和私人信貸。追溯這條鏈條到盡頭，地球上最有價值的公司，實際上，是一個關於兩家不賺錢的新創公司支付薪資的槓桿賭注。
而 Jensen 確切知道這個槓桿有多大，因為他正在為其兩邊提供擔保：Nvidia 為 CoreWeave 數十億美元的未售出產能提供擔保，並且剛剛將對 OpenAI 俄亥俄州資料中心的擬議擔保從 2500 億美元削減到不到 1200 億美元，這不是一個相信自己主題演講的人會有的行為。如果實驗室跌倒，超大規模雲端業者就會削減資本支出，SPV 違約，而他的估值所依賴的訂單簿將在一個季度內蒸發。他比任何人都能更快地讀懂資本結構表。
所以，看他的手，而不是他的投影片。當主題演講在慶祝千兆瓦級園區時，Nvidia 正在悄悄地建設另一個未來：直接面向市場、向下沉，並且完全脫離資料中心融資體系。DGX Spark 售價 4,699 美元，銷售速度快到你買不到交換機來把它們組成叢集。DGX Station，桌上型 748 GB 統一記憶體，價格相當於一個研究生。MSI 和 Dell 已經在出貨仿製品。每一個盒子都是一個永不簽署雲端合約、永不觸碰 SPV、永不停止購買 Nvidia 晶片的客戶。GPU 經銷商正在開設零售店，其邏輯無懈可擊：當你最大的四個客戶都在建造自己的晶片，而你的租賃市場是一顆債務炸彈時，你就把盒子賣給終端用戶，讓 SPV 們去爭奪租約。這家公司正在向賭場出售晶片，同時，悄悄地在家裡開設連鎖撲克牌桌。
桌面產品線也解決了 Nvidia 最私密的問題：記憶體。提供 Token 服務是一個記憶體密集型工作負載：每個生成的 Token 都需要從 RAM 中讀取整個活躍模型，因此晶片大部分時間都在等待記憶體，這就是為什麼資料中心 GPU 是圍繞 HBM（一種與晶片鍵合的特殊堆疊記憶體）構建的。而 HBM 正是短缺所在。Nvidia 不生產它；只有 SK Hynix、Samsung 和 Micron 生產，TSMC 負責鍵合，而 Nvidia 不控制任何物理環節。據報導，2027 年的所有產量都已被預訂，Micron 的收入增長了 346%，而 Altman 在經過首爾時壟斷了全球 40% 的 DRAM。Nvidia 的核心交易一直是購買稀缺的東西，然後將其包裹在 GPU 中以 70 個百分點的利潤賣回，這是一門有硬性上限的好生意：它只能以三個晶圓廠堆疊晶片的速度成長。這使得整個 5 兆美元建設中真正的單點故障不是台灣，而是利川：整個計劃的瓶頸在於一家韓國公司的封裝良率，而 SK Hynix 是兩個超級大國都要排隊等候的軍火商，位於北韓的飛彈射程內，且在中國境內設有晶圓廠。我們每天都在為台灣風險定價。沒有人為利川風險定價。
Spark 和 Station 完全避開了這場戰鬥。它們運行在普通的統一 DRAM 上，這種記憶體並不稀缺，甚至 CXMT 都能製造。Jensen 的第二幕運行在沒有人排隊等候的組件上。
退後一步，這種對稱性幾乎是優雅的。中國的策略是在邊緣使用廉價盒子運行開放模型。Nvidia 的避險策略是在邊緣使用廉價盒子運行開放模型，其中大部分是中國的。AI 戰爭中兩個假想的對手已經收斂到同一筆交易上：銷售這樣一個未來——智慧是你擁有的商品，而不是你租用的公用事業。唯一仍然致力於收費公路的，是兩家沒有它就無法生存的公司，以及為其提供十五倍融資的貸款機構。Nvidia 將在音樂停止之前向資料中心出售鏟子，然後向其他所有人出售鏟子，因為它從未長期看好實驗室。它長期看好運算，而運算正在走出退休基金支付的大樓，一次一個金色盒子。
如果你曾懷疑這一切是否出於故意，上週 Jensen 消除了這個懷疑：Nvidia 以 129 億美元收購了 Hugging Face。Hugging Face 不是資料中心業務，它恰恰相反：世界上開放模型權重的儲存庫，你下載 GLM、Qwen 和 DeepSeek 的地方，是這篇文章所說的一切勝利者的分發中心。這家財富建立在服務封閉西方實驗室之上的公司，剛剛花了 130 億美元購買了開放模型世界的大門，也就是說，購買了與每個將擁有盒子而不是租用雲端的人的客戶關係。Stripe 買下了計量表。SpaceX 買下了需求。Jensen 買下了後實驗室時代的應用商店，而實驗室自己的 Agent 在兩個月前入侵了它，恰好證明了其戰略價值。
這就是整篇文章濃縮成的一幅圖像。地球上最有價值的公司，其估值完全依賴於資料中心建設，卻正在公開地、以零售方式，多元化地脫離資料中心建設，而主題演講中似乎沒有人注意到這一點。Jensen 透過向淘金熱出售鎬和鏟子賺了 1500 億美元。現在，他查看了化驗結果，得出礦脈已被鹽化的結論，並悄悄地開始向大眾出售探礦工具包。
你仍然可以買到一個探礦工具包。但你買不到把它們串聯起來的設備。我知道這一點。我買了瑞典最後的交換機來嘗試連接我的設備。
