我不是工程師。是一個詠春拳教練、整復師，單兵創業 11 年，從 2025 年 10 月開始把工作流搬到 AI 系統上跑。
這篇是今天一個下午的聊天紀錄整理。從一則免費領 Token 的消息開始，一路追到我自己的數位遊牧目標。
寫給跟我一樣的人——資源不多、技術不深、但想用 AI 把一人公司跑出規模的奈米級玩家。
為什麼一個詠春教練要寫這個？
我不是科技 KOL。每天的工作是教拳、是整復——很實體的東西。AI 最無法取代的那塊，需要靠雙手做事、感覺的實體服務端。
但 11 年單兵創業教我一件事：任何工具，要先在自己的事業上跑得起來，才有資格教別人。我從 2025 年 10 月開始建自己的 AI 多代理系統，到今天已超過六個月。
這六個月每天看的科技新聞，跟科技業內人看的是同一份。但我看的角度不一樣——我是用「這個東西能不能讓我一個人撐起一家公司」這把尺在篩。
這篇是我這把尺今天篩出來的七個東西。
起點：小米在送 Token
今天看到一則消息：小米跟 MiMo-V2.5 系列模型開源同步，推出「Orbit 百萬億 Token 計畫」，4 月 28 日到 5 月 28 日，向全球開發者免費發放共 100 兆 Token 額度。
申請網址：100t.xiaomimimo.com
流程很簡單：填表 → 等 3 個工作天 → 收信 → 登入平台 → 24 小時內到帳。整個計畫採申請制，依申請內容分梯度給方案。最高一檔是 16 億 Credits（值 ¥659）。我自己拿到「Pro 月度套餐」，7 億 Credits，有效期 1 個月。
對奈米級用戶來說，這個機會的價值不在「省一筆錢」，而在「不用先押注就能完整測一輪」。一個月的密集測試，就能弄清楚 MiMo-V2.5-Pro 在你 workflow 裡的能力邊界——這個資訊本身值錢。
為什麼大陸模型便宜得不合理？
這不是行銷策略，是結構性原因。
DeepSeek V4-Pro 目前促銷期輸入定價 $0.145 / 1M tokens；Claude Opus 4.7 是 $5 / 1M tokens——便宜約 7 倍。即使 V4-Pro 回到原價（$1.74/M），也仍然比西方旗艦便宜一個數量級。
原因有三：
① MoE 架構：DeepSeek V4-Pro 1.6T 總參數，每次推理只激活 49B；小米 MiMo-V2.5-Pro 1.02T 總參數，只激活 42B。運算成本遠低於同級稠密大模型。
② 自建算力：中國廠商大量使用自建 GPU/NPU 集群，邊際成本低，不需要向 AWS/Azure 買算力。
③ 開源換流量：MIT 授權吸引開發者黏著，再用 API 服務變現，所以 API 定價可以壓到幾乎不賺錢。
對奈米級用戶來說：「用最頂級的模型」不再是大公司的特權。一個月 100 美元的 AI 預算，過去只夠重度用一家旗艦；現在可以同時養好幾個工作流，跑在不同模型上。
而且 DeepSeek 已透露，昇騰 950 超節點 2026 Q4 上線後，V4-Pro 還會再大幅降價。現在的價格還不是最低點。
四款旗艦，到底選哪個？
| 模型 | 輸入價格 | 特色 |
|---|---|---|
| MiMo-V2.5-Pro | ¥1.4 / 1M tokens | Agent 任務 token 效率高，開源 MIT |
| DeepSeek V4-Pro | $0.145 / 1M（促銷） | SWE-bench 80.6%，1M 上下文 |
| Claude Sonnet 4.6 | $3 / 1M tokens | 指令遵循穩定，Agent 工具呼叫可靠 |
| Claude Opus 4.7 | $5 / 1M tokens | 頂線推理能力，SWE-bench 領先 |
單一模型解決所有任務的時代過了。現在的問題不是「哪個最強」，而是「怎麼配，才划算又夠用」。
對話、決策、規劃這類「不能踩線」的任務，找穩定的模型；大量 coding 或 agent 跑批，找便宜又有大 context 的；中文初稿和發散整理，用免費或低價額度養。每個任務分配一個剛好夠用的模型，不要每件事都派最貴的去做。
本地 LLM 追上了嗎？
這是我最在意的問題，因為我一直在評估何時能把雲端依賴降下來。
答案是：特定任務，已經追上了。
2026 年 4 月 Alibaba 釋出的 Qwen3.6-27B 是 27B 參數的稠密開源模型。它在 Terminal-Bench 2.0 拿到 59.3 分——這個分數恰好跟 Claude Opus 4.6 持平。SWE-bench Verified 上 77.2%，距離 Opus 4.6 的 80.8% 只差 3.7 分。
一個 27B 的開源模型，跑在你自己的硬體上，特定 Agent 任務已經摸到頂線閉源模型的天花板。
但有一個重要的概念要釐清：參數數字不是能力的絕對值。Qwen3.6-35B-A3B 每次推理只激活 3B 參數，但實測在許多任務上全面超越前一代 72B 稠密版。關鍵是架構效率和訓練方式，不是數字本身。
我目前 Mac mini M4 16GB，能跑 Qwen3.6-35B-A3B（MoE 架構，激活 3B），速度約 15 tok/s。要無限制跑 72B 級的，需要 48GB 以上統一記憶體——那是 Mac mini M5 Pro 的領域，預計 2026 年 6 月 WWDC 後發表。
這個分水嶺對奈米級用戶很重要。等到 M5 Pro 出，自建本地 + 雲端混合的架構，可以把 AI 月費壓到趨近於零，只剩硬體攤提。這個方向值得早點開始評估。
顯卡缺貨，何時會好？
一句話：AI 伺服器把消費端的記憶體產能搶光了。
三星、SK 海力士、美光的選擇很簡單：HBM（AI 伺服器用）毛利高、大客戶鎖單；GDDR7（消費端用）利潤普通。產能往 HBM 移，消費端斷貨。
幾個關鍵數字：NVIDIA 在 2026 上半年已將 GeForce RTX 50 系列產能下調 30-40%；三大廠商雖合計投資 500 億美元擴充 HBM 產能，但新廠從動工到投產需要 18-24 個月。業界主流預估：消費顯卡缺貨要等到 2028-2029 才會回到正常的供需平衡。NVIDIA RTX 6000 系列發布時程也已傳出延後到 2027 年底。
對想買顯卡跑本地 LLM 的人：RTX 5090 二手市場詐騙猖獗——挖晶片退貨空殼、石頭毛巾包裝（中國論壇都已有實例）。加上 575W 功耗的電費——Mac 的統一記憶體架構在這個時間點反而是更理性的選擇。
用大陸模型，資料安全嗎？
台灣國安局 2025 年 11 月示警 5 款中國 AI 模型，問題集中在手機 App 層級——強制截圖、蒐集地理位置、回傳境外伺服器。
但透過 API 使用的風險型態完全不同。API 的風險只在於：你送進去的 Prompt 內容會被儲存。
判斷邏輯很簡單：你送進去的內容有多敏感？
- 公開課程素材、行銷文案、一般 Agent 任務 → 風險可接受
- 客戶個資、財務資訊、商業機密 → 換到受 GDPR/SOC2 規範的美系服務
涉及學員、案主資料的工作流，永遠不會碰中國 API；寫一篇教學文章的草稿？放心送進去。判斷敏感度，比拒絕一切更實用。
最後一件事：奈米級用戶的 10 萬月收入
我問了自己一個問題：靠 Agent workflow、內容創作、知識管理，月收入 10 萬台幣，可能嗎？
分析下來的答案是：可能，但前提是讓對的人看到你在做什麼。
多數在摸索 AI 的人，卡的不是能力，是曝光。他們在用工具，但沒人知道他們用得多好。在這個時間點，「會用 AI」已經不是門檻了——能拉開差距的，是你帶到 AI 面前的那個本來的自己。
奈米級用戶的差異化護城河，不在工具，在你過去那些跟 AI 無關的累積。一個 11 年的詠春教練拿 AI 去做的事情，跟一個剛畢業的工程師拿 AI 去做的事情，產出會長得完全不一樣——不是技術問題，是輸入素材本來就不同。
最大的風險不是市場，是繼續只跟 AI 對話、不讓外面的人看到你在做什麼。
作者：Frank（陳師父）。詠春拳教練（黃系第四代）/ 整復師（勞動部 22700 職類）/ 孵化署創辦人。11 年單兵創業，2025 年 10 月起進入 AI 系統建構。這篇文章是用我自己建的多代理系統輔助完成的。