本周 Reddit 上一个帖子引起我们注意：一位自学者用云端 AI 学完了量子力学和狭义相对论，正在啃广义相对论，但 token 费用（按调用量计费，提问越多越贵）让他想换本地模型（在自己电脑或服务器上运行的开源大模型，免调用费），结果试了 Qwen 和 Ministral 的小参数版本，推理质量「撑不住」。

这是什么

发帖人不是开发者，是一位有计算机科学和数学背景、自学物理的爱好者。他的学习流程是：读教材 → 不懂的地方打开大模型追问 → 让 AI 给出形式化推导。这套流程在入门级量子力学和狭义相对论阶段运转良好，但到了广义相对论（涉及弯曲时空与张量分析的复杂数学），他对模型的推理深度要求明显提高——云端的 GPT、Claude 能讲清楚，本地的小模型讲不清楚。

他不是个案。我们注意到，越来越多的「用 AI 自学」用户撞上了同一堵墙：入门知识本地够用，进阶知识仍需云端。问题不是 token 贵不贵，是本地模型的「智商天花板」够不够。

行业怎么看

本地派会告诉你：DeepSeek-R1 蒸馏版（用大模型推理能力训练出来的小模型）和 Qwen 的推理模型本地跑已经很强，14B（140 亿参数）以上效果接近云端入门档。

但反对意见同样真实：硬核科学推理需要的不是「能跑」，是「能想」。小参数模型在多步形式化推导、假设检验上仍然掉链子——尤其当用户会追问、会验证，AI 一旦在第三步出错，整条学习链路就崩了。云端的算力与参数规模优势，目前还不是开源社区能轻易追平的。

另一个被低估的判断是：自学者愿意为「能讲明白广义相对论」的 AI 付费。免费本地模型不是所有人的答案——这反过来印证了高质量 AI 知识服务在消费端的真实需求。

对普通人的影响

对企业 IT：本地化部署对数据合规友好，但涉及复杂推理任务时，混合架构（本地跑基础任务+云端跑硬任务）短期内仍是务实选择，别被「全栈本地」的厂商话术带跑偏。

对个人职场：把 AI 当学习工具是 2026 年最实在的应用之一，但请意识到——入门知识零成本，进阶知识仍然要钱，这笔账得提前算清楚。

对消费市场：愿意为高质量 AI 知识服务付费的人，比我们想象的多。做教育、做知识付费的产品，能力上限比价格战更值得卷。