我認為這是一個挑釁性的觀點，也是個不錯的想法，但我想稍微探討一下其背後的理由。 今天，大多數 AI 工具都運行在雲端。每當你請求模型寫作、總結、翻譯或分析某些內容時，該請求就會觸及數據中心的 GPU。更多用戶 → 更多查詢 → 更多 GPU → 更多數據中心 → 更多電力線、變壓器、變電站 → 更多發電，等等。這就是當前 AI 硬體 + 數據中心資本支出繁榮的核心驅動力。 有用的設備端推理打破了這一線性鏈條。 如果一個擁有數十億參數的模型足夠高效，可以在你手機、筆記本電腦、汽車或耳機內的神經芯片上運行，那麼許多日常任務就不必離開設備。想想簡單但高頻的請求：自動完成、電子郵件草擬、語音轉錄、總結、簡單的圖像識別。這些正是可能主導使用的高頻、低複雜度的一般查詢。 快速檢查一下可能的變化：簡單假設 - 隨意調整。 - 10 億用戶 × 50 查詢/天 × 約 $0.002/查詢 × 365 天 = 約 $350 億/年 的雲端推理成本。 - 如果其中 30% 轉移到設備端，那就是每年約 $110 億以上的雲端需求不再出現。 - 每個本地查詢的邊際成本在設備出貨後實際上是約 $0。 正常的警告：硬體正在進步，但仍需擴大記憶體、帶寬等。但一個運行在手機神經芯片上的 30–70 億參數模型（今天大約 10–45 "TOPS"，預計到 2027 年將超過 60）可以在本地處理這些高頻、低複雜度的任務。你不需要每個提示都使用前沿規模的模型。 雲端仍然很重要，這一點要非常清楚。訓練前沿模型、重型長上下文推理、大型企業工作負載、多代理協調——所有這些仍然更適合大型集中式數據中心。關鍵的變化是邏輯鏈不再是“每新增一位用戶 = 我必須增加更多的 GPU 和更多的數據中心容量”。這裡未知的是傑文悖論的論點，以及它是否會推動更多的 AI 使用，並驅使用戶尋求更複雜的提示，從而抵消部分這一點。 針對 Aashay 的觀點，資本支出繁榮並不會完全“破裂”，但其當前的強度軌跡很可能會被改變。在當前的規模下，將 5–30% 的推理工作負載從雲端轉移到設備端可能是有意義的。困難的問題仍然集中在雲端。但“日常 AI”成為你已擁有的硬體的一個特徵，而不是按查詢租用的計量公用事業。