六月，我寫了一篇「別再叫你老闆買 AI 主機」，用真實帳單算給大家看：30 億 token、台幣 1,000 元。頂規 Mac Studio 50 萬，除以每月 1,000，要 41 年才回本。誰買誰盤子。

八月十七日，DeepSeek 漲價。帳單從一千變三萬四，我連寫兩篇打自己臉的文章，然後默默把 M5 Max 放進購物車。

八月十九日，Artificial Analysis 那張 Intelligence Index v4.1.1 圖在網路上炸開——137 個模型攤在「智力分數 × 每 task 成本」的座標上，一條斬殺線傳瘋了。

三件事連在一起，我看懂了一件事：我被打臉，不是因為我算錯——是因為我活在舊的成本結構裡。而現在，這個結構正在被拆掉。這篇想講的，就是我從「被斬」到「看懂斬殺線」的過程。

先說我怎麼被斬的

（細節我寫過兩篇了，這裡只講重點。）

DeepSeek 的「峰谷定價」，說穿了就一句話：輸出漲最多，高峰輸出 4.5 倍、緩存命中輸入最高 +1100%。
而輸出偏偏是 agent 工作流唯一躲不掉的計價項——你讓 agent 寫 10 行程式碼，那 10 行就是輸出，沒有第二條路。

斬的是誰？持續消費的人。
AI 漫劇整排停更、淺層用戶退場、死忠用戶被逼著每按一次 Enter 都先問「值得嗎」。

活下來的是誰？資產型用戶。
我的教育刷題平台：1653 題大考真題，一次建好，學生刷一萬次，token 成本是零。
同樣的漲價，漫劇是每個月流血的傷口，題庫是躺著不動的資產。

我那兩篇的結論：重活躲高峰、輕活照做、本地推理終結輸出成本。
一台 M5 Max 128G，六個多月回本。

當時我心裡想的是：機器就是個帳單殺手。買了它，DeepSeek 就斬不到我了。

那條斬殺線

Artificial Analysis 那張圖：Y 軸智力分數、X 軸每 task 成本。
Qwen3.8-27B 自架在 RTX 5090 上，10% 利用率，成本 $0.0143/task，Intelligence Index 52 分——跟 GPT-5.6 Luna 同級，Apache 2.0 零授權費。

從這個點往右畫一條水平線：所有比它貴、智力又不比它高的模型，全部被一刀斬掉 👉 斬殺線。

社群炸了，很多人喊「奇點已到」。
但興奮歸興奮，有兩件事得先講清楚。

第一件：雲端不是全暴利。
$0.0143 是「硬體攤提＋電費」，是材料費——麵粉、水、電，攤一攤就這些
雲端那 $0.3–$3 是餐廳價 —— 房租、廚師、洗碗、冷氣、店員全包在裡面，還有 7x24 運維、自動擴容、資安合規、SLA、客服。
拿自助餐的成本比餐廳菜單，宣布餐廳要倒，邏輯是壞的。
要比，比 TCO。

第二件：地端也沒那麼簡單。
一張 RTX 5090，台灣八月初大概 17 萬。
買回來之後呢？散熱規劃、575W 滿載功耗你家電路扛不扛得住、驅動相容性、推理引擎選型、量化格式（AD 量化）、KV cache 設定不對就 OOM、跑到一半 kernel panic 你查不查得出來。
社群裡 300+ 條實測貼文，多少人踩坑才跑起來的？

叫人無腦買機器的人，比賣 API 的更壞。

這句話我看了兩遍。
因為我八月那兩篇，其實就站在懸崖邊：我只算了回本，沒算坑。

本地對決：Qwen3.8-27B vs DeepSeek V4 Flash

斬殺線圖上，其實有兩個「地端選手」值得擺在一起看：Qwen3.8-27B 和 DeepSeek V4 Flash。一個 dense、一個 MoE，本地跑起來是兩套完全不同的經濟學。

第一眼會覺得 DS Flash 比較「划算」：每 token 只激活 13B，分/激活 B 3.85，是 Qwen 的兩倍 —— 每一分算力買到近兩倍的智力，這就是 MoE 的效率優勢。

但本地部署看的不是算力，是記憶體。
284B 參數得全部塞進記憶體才跑得起來，就算 q2 量化也要 70–90GB —— 這決定了它只能住在 128GB 的 Mac 或幾張卡串起來的機櫃裡。
而 Qwen 27B dense 雖然每 token 都激活全部參數，算力效率輸，但 24GB 就裝得下，一張 5090 插上去就跑。

用兩個指標看就很清楚：

• 分/總 B（決定你要花多少錢買記憶體）：Qwen 1.93 vs Flash 0.18，差 10 倍。這一項 Qwen 完勝。

• 分/激活 B（決定每一秒的電費與速度）：Qwen 1.93 vs Flash 3.85，Flash 近兩倍。這一項 Flash 贏。

翻譯成人話：DS Flash 是「跑起來很省」的模型，Qwen3.8-27B 是「買得起」的模型。

再往深一層看，這是兩種架構的設計哲學。
DS Flash 是雲端架構的王者：MoE 激活只有 13B，伺服器上每顆 GPU 能塞進最多用戶 —— 對雲端老闆是完美的成本結構，但那 284B 是有人替你扛的。
Qwen 是地端架構的王者：27B dense，為「一台機器一個人用」設計。
DS Flash 在雲端贏，Qwen 在本地贏，而斬殺線正好畫在兩者交界。

對中小企業來說，這是決定性的差異。
一張 5090、17 萬、單卡部署、不用跨卡——這是十人公司老闆點頭就能簽的預算；128GB 的 Mac 或幾張卡拼起來的機器，已經進入「要寫採購申請」的等級。
智力只差 2 分（52 vs 50），硬體門檻差一個量級 —— 這就是 Qwen3.8-27B 能被畫出斬殺線的原因：不是它最強，是它在「夠用」的智力水準上，第一次把硬體成本壓到中小企業伸手就夠得到的地方。

那 DS Flash 的舞台在哪？當你已經有 128GB 機器、需要長上下文、或追求單位算力效率時，它依然是好選擇。
我自己八月那篇的實測：M5 Max 128G 跑 DS V4 的 q2 量化版，生成約 39 t/s、prefill 約 790 t/s，輸出側一個月能扛 1–3 億 token，剛好吃掉 agent 帳單裡最貴的那塊輸出。
但那是「已經有機器的人」的選擇；對「從零開始的人」，Qwen3.8-27B 是門檻最低的那扇門。

線後面才是重點

斬殺線只是 2026-08-18 的一個 snapshot。
真正值得看的，是背後所有結構性力量都往同一個方向推：

• 開源模型四個月一代。
  Qwen 3.6 到 3.8，四個多月，Intelligence Index 從 38 跳到 52，一代 +14 分，27B dense 第一次站到 frontier 門口。而且這不是偶然 —— Apache 2.0 放出來，讓社群壓測、量化、找問題，再吃回去當下一代訓練數據。社群不只是用戶，是免費的 QA 團隊。

• Serving framework 雨後春筍。
  llama.cpp 的 MTP 讓 RTX 4090 從 45 飆到 97 tok/s；SGLang 在 5090 上四人併發、每人 106 tok/s；AtomicChat 的 AD 量化在 24GB VRAM 上跑出 97.3% Top-1。每個引擎的優化，都讓同一張卡更快，或讓更便宜的卡跑得動。

• Harness 層全面開源。
  模型是嘴，harness 是手。過去這雙手只能借——Cloud Code、Codex、Cline，你用的是別人寫的 harness，改不了、帶不走。這個月 DeepSeek 把 DSH 完整開源，OpenClaw、Hermes、Pi、Maka 一整排選擇。嘴跟手，第一次都可以是你自己的。

• 單位智力密度結構性暴漲。
  用分/B 來看：Qwen3.8-27B 每 B 參數買到 1.93 分，Kimi K3 只有 0.02——差 90 倍。上一代 Qwen3.6-27B 約 1.41，一代之間密度提升 37%。如果這個速度持續，兩三代之後同樣的 27B 參數量能做到什麼水準？

這些力量合在一起，不是「進步一點」，是單位智力成本正在結構性崩盤。

同一條長思維鏈，兩種經濟學

整件事裡，我覺得最深的觀察是這個。

評測紀錄顯示，Qwen3.8-27B 在評測中總共生成了 1.6 億 tokens，所有受測模型的中位數只有 4300 萬。
它用將近 4 倍的推理量——更長的思維鏈、更多的搜索與驗證——去補參數量不足的劣勢。

關鍵在成本結構：

• 在雲端，想得更用力 = 生成更多 token = 帳單更高。
  長思維鏈是成本放大器。不是雲端模型不會思考，是每一次思考都在燒你的錢，所以企業只敢在最高價值的任務上讓它想久一點。

• 在本地，想得更用力 = 多花一點電和時間。
  硬體是買斷的，token 成本接近零。長思維鏈是免費的智力放大器。

同一個機制，兩種成本結構，產生完全相反的經濟效應。
開源地端模型天生就適合靠推理時間換品質——「以時間換取智力」。

這順便升級了我八月的結論。我那時候只把機器當帳單殺手，現在我懂了：機器不只是省錢的工具，它是免費的智力放大器。
雲端模型想 10 秒就開始燒錢，我的模型可以想 10 分鐘——只要電費。
一台 27B 的小模型，可以用奢侈的思考量去跟雲端巨頭在特定任務上扳手腕。
這是地端模型彎道超車的核心武器。

杰文斯悖論：省下來的智力，不會被存起來

1866 年，英國經濟學家杰文斯翻帳本發現一件事：蒸汽機越省煤，英國的煤消耗反而翻著倍漲。因為煤一便宜，紡織廠用得起了、鐵路用得起了、輪船用得起了，最後連家裡燒熱水都用得起了 —— 每一分省下來的成本，都被新冒出來的用途吃回去，還不夠吃。

智力正在走同一條路。

今天 frontier 雲端模型 $0.3–$3/task，所以只有最高價值的任務才配用：寫程式、做研報、跑量化策略。絕大多數日常任務請不起頂級模型。
但當 $0.014/task 就能買到 52 分的模型時，一整層「過去不值得用 AI」的任務被解鎖了：

• 逐條比對那份 200 頁的政府採購規格書

• 讀懂公司跑了十五年、沒人敢重構的 legacy 系統

• 每天三百封客服信件的分類與情緒分析

這些事從來不缺方案，缺的是「值得為它花那個腦子」的經濟條件。現在條件成立了。

而且這跟我那兩篇的「資產型用戶」是同一枚硬幣的兩面：價格上漲時，資產型用戶免疫；價格崩盤時，杰文斯悖論讓長尾任務全數解鎖——而能把便宜的智力變成資產的人，會是最大的贏家。漫劇在燒錢，題庫在躺賺，差別不在模型，在用法。

五道門檻同時倒，最後一哩路是 Killer App

把這件事攤開看，Qwen3.8-27B 做了一件過去沒有任何單一模型做到的事——把中小企業部署 AI 的五道門檻一次性拆掉。

• 資安：Apache 2.0，模型跑在自己機器上，資料不出公司。受監管行業（醫療、金融、法律、政府標案）直接從「不能用 AI」變「可以用 AI」。

• 性價比：$0.014/task、52 分，大量日常任務根本不需要 Sota。

• 智力水準：跟 GPT-5.6 Luna 同級，不是玩具，是真的能幹活的等級。

• 硬體價格：一張 5090、17 萬，一間十人公司付得起，不用機房、不用年約。

• 部署門檻：27B dense 單卡就裝得下，不用跨卡、不用 NVLink、不用 tensor parallelism，插上去就跑。跟 DS Flash 這種 284B MoE 比，你要嘛有 128GB 機器、要嘛組多卡——複雜度差了一個量級。

大家都說五道門檻同時倒。我想補第六道：對重度用戶來說，還有一道「持續消費 vs 買斷」——而這道，正是斬我的那把刀。

那現在缺什麼？缺 Killer AI App。
基礎設施已經就位：模型有了、成本降了、harness 開源了。但中小企業不會因為「AI 便宜了」就自動導入——他們需要看到一個具體場景、一個真實痛點、一個可量化的回報。

這也意味著一個全新的商業機會：AI System Integrator。
未來的 ToB 生意不是轉賣 API，是替中小企業「踩坑」——把開源模型、開源 harness（DSH、Hermes）、消費級 GPU 打包成開箱即用的地端 AI 方案。
散熱、驅動、量化、KV cache 這些坑，未來都會是別人的服務費。

結論

• Qwen3.8-27B： 52 分的 27B 地端王，$0.014/task、Apache 2.0、24GB 顯卡就能跑——買斷智力的門檻第一次低到伸手就摸得到

• DS V4 Flash： 參數效率 3.85 全場最強，但那是雲端王的優勢——284B 自己扛要 q2 量化加 39 t/s，地端性價比輸 Qwen 一個量級

• 真正的重點： 買不買根本不是重點 —— 重點是你打算用這些便宜的智力，做什麼資產

斬殺線斬的不是雲端，是「持續消費」。
買斷智力的人，這次終於站在線的這一邊。

最後：那算力中心呢？

整篇都在講「個人跟中小企業買機器」。但這條斬殺線其實還有一刀，我沒砍下去：算力中心。

當 27B 的地端模型在「夠用」的智力水準上逼近 frontier，當一台 17 萬的 5090 就能扛住一間公司大半的日常任務——那雲端大廠幾百億砸出來的 GPU 資料中心，到底在為哪些任務服務？

這個話題牽動的層面很大：H100 等級的軍備競賽、資料中心的電力與散熱、模型廠商整個商業模式的重組。數據我還在整理，下一篇再展開。

先留一句話：當智力從「租」變成「買」，賣智力的生意，遲早要換一種賣法。

P.S. 誠實註腳：這篇的數據來源都是公開資料——Artificial Analysis 的 Intelligence Index、社群實測貼文，以及我自己前兩篇的實測。我八月說的「機器六個多月回本」到現在依然成立，但要提醒的是：回本數字是「替代的那部分帳單」算出來的，坑的成本還沒算進去——散熱、保固、kernel panic 的週末。買之前，先想清楚誰來踩這些坑。

還有：六月我說別買Mac，八月我勸大家去訂，今天又多了一個買的理由。
梁文峰繼續幫蘋果賣Mac，阿里幫 NVIDIA 賣顯卡 👉 大頭們都開心，只有我們的帳單不開心。


౨ৎ Anthony 不負責任編輯 ~