人工智能的经济学有一个肮脏的秘密：技术是可行的。真正的问题是，你是否负担得起使用它。
据报道，Andrej Karpathy每月在AI token上花费约130万美元（约940万人民币）。这个数字——大约每年1560万美元——超过了大多数软件创业公司的总收入，接近中型大学研究实验室的运营预算。这是一位研究人员个人AI实验工作流程的月度算力账单。对于普通独立开发者或小型团队来说，这不是电子表格上的一个数字。这是一堵墙。
AI行业已成功将其能力局限重新包装为等待工程解决方案的技术问题。基准测试在改进。上下文窗口在扩展。推理链变得越来越复杂。然而，AI应用最关键的制约因素不是模型能否执行某项任务——而是对除了拥有机构支持的顶级实验室之外的任何人来说，经济账是否算得过来。
这就是真正的瓶颈。不是能力。是成本。
Karpathy的月度支出——130万美元——揭示了AI访问的结构性分层。顶级实验室和大型企业在某个规模上运营，这些数字只是会计项目，而非生死存亡的问题。个人开发者和精打简装的创业公司则在完全不同的规模上运营——在那里，token效率比能力最大化更重要，问题不是"模型能做到吗"，而是"我们负担得起尝试吗"。
开源社区以令人钦佩的聪明才智做出了回应。量化技术、蒸馏方法和高效架构已将卓越的能力推入更小、更便宜的模型。但这些收益主要累积到已经规模化运营的人身上。每月预算130万美元的研究人员可以自由实验、尝试疯狂架构、在失败的实验上烧掉token。每月支付19美元购买GitHub Copilot的个人开发者则做出不同选择——更少的查询、更短的上下文、更多的人工分类。
成本-能力关系并非线性的。它有层级。底层，便宜访问但能力受限。中层，预算与雄心之间的痛苦权衡。在前沿，近乎无限的实验、近乎无限的成本。这种分层正在加深，而非收窄。
Karpathy的轶事浓缩了一个更广泛的真相：AI行业最重要的制约因素不是技术是否可行。而是你是否负担得起探索它是否适合你的用例。每月130万美元的数字不仅仅是一个数字。它清楚地说明了顶级实验室能做什么与普通开发者能负担得起尝试之间的距离。
对AI从业者而言，这意味着瓶颈不是你的提示词技巧或数据集质量。是你的算力预算。对投资者而言，论点很明确：解决成本问题（而不仅仅是能力问题）的公司将捕获下一波AI价值。Karpathy的每月130万美元不仅仅是一个数字。它是进入前沿的入场券价格。其他所有人都在争夺剩下的东西。