在2022年11月，第一个ChatGPT模型问世后，我对人工智能的依赖迅速增加。最初，它只是个高效的搜索工具，但随着推理模型的推出，它的作用扩展到了深入分析与研究。随后，视觉处理和编程能力也接踵而至，逐步融入我的日常工作流程。某个时刻，我开始依赖这种高效处理方式，而这并不是一蹴而就，而是在一次又一次的“交给它更快”的体验中逐渐形成的。

然而，这种依赖也带来了订阅费用的增加。随着云端AI服务使用频率的提升，账单也水涨船高。为此，我决定使用个人的GPU来承担部分计算负载。简单来说，这块GPU为我节省了所有的AI订阅费用，并在一定程度上降低了云端使用额度的开支。

具体逻辑并不复杂：将可以在本地完成的任务留在自己的GPU上，自然减少了云端的消耗。节省的费用并不是一次性的大笔支出，而是源源不断的小额节省。过程可以描述为：依赖度提升 → 云端使用量增加 → 账单增加；而通过本地GPU的负担减轻了云端的消耗，最终使得订阅成本部分抵消。 龙8头号玩家

虽说数百元的节省看似不算夸张，但对一个深度使用AI的用户而言，这是一种可持续的省钱策略。硬件投入一次性，而订阅费用则是每月的持续支出，使用前者减轻后者的负担，确实在经济上更加划算。

更值得注意的是，这种模式揭示了一个重要事实：当AI从工具演变为依赖后，成本结构也随之改变，而本地算力是能主动调整的少数因素之一。这一发现值得深思。