一句话看懂：过去一周，OpenCode Go 用户平均每天花 1.14 美元调用 DeepSeek Flash V4，而用 10,000 美元的双 DGX 本地部署跑同样任务，需要 24 年才能回本。结论很直接：当前阶段，成本不应该成为本地部署的主要理由。
事件核心：发生了什么
开发者 dax 在 X 上公布了一组对比数据：OpenCode Go 用户过去一周在 DeepSeek Flash V4 上的人均日支出为 1.14 美元；而一些人为了跑同样任务，购置了价值 10,000 美元的双 DGX 工作站。按这个支出水平，本地设备要 24 年才能收回硬件成本；即使使用量增加到 10 倍，回本周期仍需 2.4 年。
这条帖子在 Hacker News 引发讨论。Ahmad 认为，DGX 这类设备用来跑 AI 代理（Agent）本身就“没有意义”；另一位开发者 tmo 则提到，他在 Nous Portal 上调用 API 时频繁遇到速率限制和 503 错误，一周至少 50 到 75 次，导致代理任务中断。他宁愿花 7,000 美元买几台 GB10 设备，也不想再为月度 API 费用和稳定性问题操心。
为什么重要
这组数据折射出 AI 推理成本正在经历剧烈变化。以 DeepSeek 为代表的高性价比大模型，让 API 调用成本降到了极低的水平——每天 1.14 美元意味着个人开发者即使高频使用，月成本也基本可控。与之相比，本地算力的一次性硬件投入显得格外昂贵，仅从“省钱”角度出发，本地部署在绝大多数情况下都是亏的。
但这不意味着本地部署没有意义。真正的理由应该是隐私保护、数据主权、离线可用、以及对运行环境的完全控制。tmo 的抱怨恰恰说明了 API 路线的短板：当服务端不稳定或触发限流时，用户的业务会直接停摆。成本只是本地部署众多考量因素中的一个，而且如今它不是最有力的那一个。
对用户/开发者/创作者的影响
对个人开发者和独立创作者来说，这条新闻提供了一个清晰的决策参考：如果没有特殊的隐私或合规需求，优先选择 API 方案，按量付费比自购硬件划算得多。API 的成本优势也意味着可以把更多预算投入到产品迭代上，而不是攒机器。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对依赖 API 做 AI 代理或批量任务的团队来说，稳定性是不可忽视的风险。速率限制、503 错误、服务商策略调整都可能随时打断业务流程。可视业务重要程度，考虑混合方案：日常任务走 API，关键环节或敏感数据走本地模型。
对企业采购而言，这笔账提醒我们，评估算力成本不能只看硬件单价，还要算清利用率、电费、运维和模型迭代折旧。如果本地算力的利用率上不去，采购决策需要重新论证。
值得关注的后续
几个方向值得持续观察：一是 DeepSeek 这类高性价比 API 的价格是否还会继续下行，又会如何挤压本地推理硬件的市场空间；二是以 GB10 为代表的迷你本地推理设备，是否会放弃“省钱”叙事，转向“隐私+稳定”的定位；三是当 API 成本低到一定程度，开源模型与闭源 API 之间的竞争，会不会从“谁的模型更强”变成“谁的服务更稳定、治理更透明”。
来源：Hacker News
