肇鑫 / Owen Zhao

很少有人知道，我最初其实学习的是安卓开发。大概10几年前，我就已经有了第一个上架的安卓应用了。原因也很简单，当时编程还只是我的一个爱好，而我当时手里有一部安卓手机。不过我只上架了一个类似番茄钟的应用，而在那时，Google Play中国开发者只能上架免费应用，而那时好巧不巧，我居然在微博抽奖抽中了一台电信版的iPhone 5（京东的活动），于是我变成了现在的iOS/macOS开发者。

说回到Google Play。自打我成为了苹果的开发者，安卓那边我就彻底放下了。直到到了2024年，Goolge Play改了政策，给我发了邮件，说我如果一直不更新应用，也不开发新的应用，那账户就会被取消。当时，AI还没有流行，我也没有转回安卓的计划，于是我就没搭理。于是时间到了，这个开发者账户就被Google Play取消了。

当时我的想法很简单。因为我当初注册Google Play开发者的时候没花钱，我以为以后也就是重新激活一下就可以了。

今年，随着AI的流行，我发现重新回到安卓也没有那么困难。不过我应用开发得差不多，打算上架，才发现一切和我想的不一样。

首先，根据Google的政策，这个开发者账户的取消是永久的，不是暂时的。因此，并不能像邮件帐户那样重新激活。只能使用一个新的账户，重新注册。此外，当年注册账户不要钱，现在注册Google Play，需要交25美元的一次性费用。

钱交了，新注册的账户也能用了。我以为这就完了。其实还没完。

这两天我提交了应用到Google Play内测，然后添加了我的常用Google账户，也就是之前的那个被取消的Google Play的开发者账户作为测试账户。结果在运行应用的时候，这个应用无法获得应用内购买的信息。Google Play直接返回该“设备或者账户不允许进行支付”。

getOfferings error: code=PurchaseNotAllowedError, message=The device or user is not allowed to make the purchase.

我一开始以为是之前提交的信用卡过期了缘故。于是添加了新卡。还是不行。而且我注意到。我的账户在登录时，在Google Play上，连付费的排行榜都看不了。而另一个账户就可以。所以，不是账户所属的原因，而就是这个账户不行。

可奇怪的是，我在Google Play里选择切换账户，切换到可以的账户，结果也还是获取不了正确的IAP信息。

我问豆包，因为我觉得这个问题大概中国的用户遇到的更多一些。豆包和我说，需要在Google的应用里完全注销掉有问题的账户才可以。于是我尝试在设置里，将Google账户里的这个有问题的账户删掉，只保留后注册的那个。这次终于可以了。

可这样一来，我常用的Gmail就无法使用这个邮箱了。于是用小米系统自带的邮件应用登录这个Gmail。

总结

一旦你被Google Play取消了某个账户的开发者资格。你会得到以下损失：

1. 此账户永久地被Google Play拉黑，不能再次注册成为开发者。
2. 重新注册Google Play开发者需要一个新的账户，以及支持25美元的一次性费用。
3. 被拉黑的账户，不只是不能作为Google Play的开发者，而且他在Google Play上也会有限制，不能够支付，只能使用免费应用，甚至也不能作为测试账户，因为他无法获得收费的任何信息。

以上就是我遇到的教训。大家遇到了最好还是随便开发个应用，上传一下。

Claude Code火了，但是有人批评它，认为它使用CLI是一种倒退，认为早晚会像计算机的发展那样，从命令行的DOS，过渡到图形的Windows。

不是所有的历史都会重复。是否会从命令行过渡到图形，取决于用户需求。图形相比于命令行，能够提供更多的信息，更好的排版，其实也就是提供更多的按钮。图形界面发明了菜单，包括右键菜单，上下文菜单，工具条，状态栏，弹窗等等。这一切，都是为了更方便用户使用。不过，从用户角度看，尤其是对于一个新手来说，他面对图形界面那么多的可选按钮和选项，是需要很高的学习成本的。

站在如今的角度来看，其实图形界面大部分的空间都浪费掉了。因为人们同一时间会使用的按钮，只是显示出来的一小部分，因此大部分显示的按钮在大部分时间都是浪费的。之所以必须显示，是因为开发者不知道用户想要用哪一个。图形界面的开发者也知道这一点，所以他们采取了办法，发明了类似智能工具条和上下文菜单这种工具。

如今又了AI，一切又有所不同了。用户不仅不再需要找到需要按钮，甚至用户也根本不用学习，用户只需要将自己需要的效果告诉AI，而AI则会主动选择方式执行。AI可以选择去点击按钮，也可以选择调用适当的程序，甚至如果没有适当的程序，AI甚至可能会自己临时写一个。而用户，完全不在意AI是如何做的，用户只在意最终自己拿到的结果是否符合自己的需求。站在这个角度，用户只需要能跟AI沟通就可以了。而CLI完全就符合，根本没有过渡到GUI的必要。因为如今，用户已经有亲子完成任务，变成了下达命令，验收结果。只有在对于AI不满意的情况下，才会亲自下场。反倒是AI输出的结果，会需要是精彩纷呈的。它可以输出ppt，输出视频，输出网页。而用户只需要能下达命令就可以了。

总有人因为利益，要么鼓吹大模型公司是未来的方向，要么说硬件公司是未来的方向。并认为token需求会越来越大，甚至是无限大。因此，最终的限制其实是电力，所以电力股应该大涨，云云。但是如果我们通过计算机发展的历史来看这件事，比如从计算机的初代，到现在最快的计算机，算力增长了多少倍。来类比大模型的算力，能否得出一些结论。比如，未来仅从算力角度看，是否个人设备也能具备如今需要访问在线大模型才能获得的算力。这个趋势需要在哪一年能实现。给出你的计算依据。

是的，从计算机发展的历史类比来看，个人设备（尤其是笔记本，手机稍慢）大概率能在2030-2035年间实现本地运行“今天前沿大模型等效性能”（即实时、高质量推理，20+ token/s + 长上下文）。但这并非“必然铁律”，而是取决于硬件增长能否维持历史平均节奏（存在放缓风险），且仅针对“今日模型规模”，未来前沿模型若继续膨胀则时间可能推迟。电力不会是“无限token”的绝对硬瓶颈，但效率提升已放缓，数据中心总耗电仍会显著增长。 以下是基于最新查核（2026年2月数据）修正的详细依据。

1. 计算机算力历史增长：指数级下沉，但长期平均而非全程稳定

• 起点：1946年 ENIAC ≈400–500 FLOPS。
• 现在（2026年）：El Capitan 最新TOP500验证1.809 exaFLOPS（理论峰值约2.88 exaFLOPS）。
• 增长倍数：约3.6×10¹⁵倍（80年内），log₂后≈51-52次翻倍，长期平均每1.55年翻倍。
• 个人设备同样遵循：1981年早期PC≈10⁵ FLOPS；2026年高端手机NPU≈35-60 TOPS（AI专用），笔记本RTX 50系列旗舰（如5090）营销AI TOPS峰值达3352（中端1000-1800区间）。

历史结论：算力反复从“房间大小主机”下沉到“个人设备”，让昔日超级任务本地化。大模型不会例外，但需注意近十年通用CPU已放缓，AI专用硬件仍是主要驱动力。

2. 当前大模型算力需求基准（以GPT-4类/70B Llama为例）

• 推理单token：密集模型理论≈2×参数量（70B≈140 GFLOPs/token；原GPT-4类报道280B活跃参数时≈560 GFLOPs/token）。实际MoE稀疏 + 量化（4-bit/更低）后有效值大幅降低。
• 今天“需在线”的门槛：主要是内存、带宽、功耗与并发服务，而单用户实时推理（20-50 token/s）理论仅需≈10¹³-10¹⁴ FLOPS（优化后）。
• 设备现状：2026年高端笔记本已可本地高效跑70B+量化模型（数十token/s）；手机仍主要跑1-13B或重度量化版，70B+仍慢或需云端。

3. 外推计算：何时个人设备追上“今天的前沿门槛”

固定“今日模型需求”，仅看硬件增长：

• 手机：当前35-60 TOPS → 目标≈800-1500有效AI TOPS（考虑利用率、带宽、长上下文）。需≈15-25倍 → 4-5次翻倍。
  • 按历史平均1.55年/次：≈6-8年 → 2032-2034年。
  • 保守按2-2.3年/次（Koomey/Moore放缓实测）：≈9-11年 → 2035年后。
• 笔记本：已更接近（RTX 50系列有效推理能力已覆盖今日70B需求），主流中高端2027-2030年即可轻松本地化。

内存现实修正（关键调整）：70B 4-bit需≈35GB参数内存（+KV cache更多）。2026年手机主流RAM 8-16GB（高配/游戏机可达24GB），仍不足——需2-3bit量化、模型分割或混合云端。笔记本64GB+已无压力。

功耗与Koomey定律：每kWh算力仍指数提升，但最新研究显示2008-2023已放缓至每2.29-2.6年翻倍。个人设备固定功耗（手机5-10W）下算力仍会持续上升，边缘计算反而总电更省（无传输损耗）。电力不是“无限token”的硬天花板，但AI驱动的数据中心总耗电已显著增长。

4. 为什么“token无限→电力股大涨”逻辑不完全成立（历史+现实视角）

历史反复证明供给端（硬件+算法优化）指数增长更快，下沉到个人。过去“必须大型机”的任务早已本地化。但关键区分：个人设备会大概率接管今天的前沿等效，而2035年的前沿模型可能仍需云端（若参数/上下文继续膨胀）。量化、MoE、专用NPU正加速这一过程，开源与厂商（如Apple、Qualcomm、NVIDIA）全力推on-device AI，实际进度常超保守预测。

不确定性与风险（新增强调）：

• 模型规模若超指数增长，时间推迟2-5年。
• 晶体管缩放、功耗墙、DRAM短缺可能让翻倍周期延长至2+年。
• Koomey放缓已验证，电力效率提升仍在，但速度慢于历史。
• 我的计算基于TOP500最新数据、NVIDIA官方规格、2026手机RAM实测与Koomey近期研究，未依赖厂商宣传。

最终结论：历史强烈支持个人设备（笔记本领先、手机跟随）将在2030-2035年间本地获得今日“必须在线”的高质量大模型体验，电力限制会被效率+分布式稀释。但这不是“历史铁律必然”，而是大概率趋势——前提是增长节奏不出现结构性中断，前沿模型不爆炸式膨胀。利益驱动的“电力无限论”低估了效率进步与算法优化的抵消作用，也忽略了“今天 vs 未来前沿”的关键区分。现实更可能是混合：本地处理日常，云端处理最前沿。

11天前，我突发奇想，开发了第一款Chrome的插件。在X上分享之后，有人感兴趣，于是我打算上传到Chrome的插件商店，分享给大家。可我没想到，这个过程还挺困难。

信用卡不被接受

Chrome的插件商店，开发者注册需要5美元。但是这5美元只能通过银行卡扣款。扣款支持借记卡和信用卡。支持Visa，Mastercard等主流卡片。不支持银联。我想这没问题啊。因为我有一张招商银行的人民币+美元的双币卡，支持银联和Visa双通道。这张卡我已经用了很多年，在海外交易，比如美国亚马逊，都是一直好用的。

结果没想到，卡号还没输完，就被Google提示不支持这张卡。

网上攻略

上网找攻略。发现大部分人都提到可以申请招商银行的全币种的单Visa通道的卡，也可以直接申请虚拟卡。

被限制的虚拟卡

我首先想到的是申请虚拟卡。因为我觉得单独申请一张信用卡周期比较长。可我找了一圈，原本推荐的几家虚拟卡，要么已经不支持交易，要么还需要收月费。一个月就要5美元。搜了搜新闻，原来虚拟卡这个东西，好多都不合规，甚至还吃了官司，好多都转换赛道了。

申请单Visa通道的信用卡

于是我给招商银行信用卡客服打电话。我先问他为啥不能用。他不清楚。然后我说听说Visa单通道的全币卡可以，我是否能申请？他说可以，会跟我原来的卡共信用。我问他能否申请虚拟卡，他说单Visa的不行。于是我挂了电话，按照他说的使用手机银行申请Visa卡。

申请的第二天，看进度，卡已经出了，正在制作。我选择了网上部分激活。但是没用，只有卡号，没有校验码。又等了几天，终于收到卡了。

验证身份和地址

终于可以再次申请Chrome开发者了。这次直接输入卡号，校验码，地址。提交成功。

咦，收到了一封邮件，说交易取消了。需要先验证身份和地址。

• 身份支持身份证、护照或者驾照。
• 地址验证，支持银行对账单或者水电费账单之类的。

我这里遇到一个问题，因为我的身份证上面的地址是我家老房子的，一直没改。而我现在居住在另一个地址。而我在Google填写的地址是我自己现在这个。问题是这个月的电费、水费的通知，我前几天付款之后就扔掉了。于是我在电脑里搜索，找到一个2022年买Mac mini时苹果开的一张电子发票。于是我提交了身份证和这张发票。

没想到，还是收到了验证失败的邮件。说有问题可以直接回复邮件。我回复，苹果公司的电子发票不能证明吗？

我没收到回复，不过第二天我收到了验证通过的邮件。

验证成为交易者

重新支付，支付成功，终于进入了开发者界面。直接弹窗。询问我是否交易者。交易者，Trader，这个我知道，是欧盟的要求，苹果商店也有。而且如果你是卖自己的软件，就需要申请交易者身份。我点是，又要验证。这次多了条件，验证地址的证明必须得是60天内的，这样2022年的苹果发票就不行了。

我一想，不是刚收到信用卡吗？信用卡是中国邮政的挂号信，上面有地址，有日期，有人名，有银行名，这不是信用杠杠的？于是我使用身份证和信封来验证。

居然验证失败了。中国邮政杠杠的信用人家不认。我没办法了，我将问题详细描述给AI，AI和我说，主要是地址问题，地址和身份证不一致没关系，Google不看重那个。但是证明文件必须得是水电费或者银行的对账单。然后告诉我招行网站可以申请电子版的。于是我打开掌上生活，设置了邮箱，然后选择补发，然后将补发的对账单pdf上传了。

终于，交易者验证成功。

小结

与Google Play不同。Google Play不支持设置地址为中国，所以只能选择其它地方作为地址。Chrome插件的开发者，是支持中国开发者注册的。需要的是使用Visa的单通道的信用卡。然后通过身份证+银行对账单就能完成。需要支付5美元。最后，地址可以和身份证上的不一致，但是需要跟银行对账单上的一致。

插件地址

最后，我的插件已经上架了，欢迎使用。

• X-Recommender

随着科技的不断进步，人类杀死人类的方式也在不断更新。这就跟炒股加杠杆，杠杆越高，市场一有风吹草动，账户可能就会清零。科技就是人类社会的杠杆。

如何才能避免？从生物学的角度看，就是增加数量，扩大范围。因此，目前只有中美在这么做。美国的是马斯克，准备殖民火星。中国，则是打算建设月球基地，据说是和俄罗斯联合。除此之外的国家，还在想办法拥有核武器呢。

从人类的角度看，只有任何一场战争都不能同时波及到全人类，这样的扩张和繁殖数量才叫足够。

昨天AI和我执拗上了。事情的起因是这样的。

我在Xcode的项目中使用String Catalog，它是一个扩展名为xcstrings的文件，会在项目编译的时候，自动通过源代码生成本地化的文本，以便用户进行翻译。最初，我注意到AI经常会主动翻译这个文件，这本来是一件好事。不过AI的方式不是跟人一样，去填充翻译的内容。而是直接将翻译写入到文件。而它在写入的时候，有时候会将格式写错，比如少了个括号之类的。最后就导致项目无法编译通过。我权衡利弊，决定不让AI再主动更改这个文件。而是由我使用别的方式进行翻译。

我增加了提示词，我和AI说，添加新的规则，你可以编辑源码，但是不能直接编辑xcstrings类型的文件，因为这个文件是被动的，会在编辑源码时，自动改变。结果AI添加了两条规则到.claude文件，一条叫只能编辑源码，不能编辑xcstrings文件。另一条叫不能直接编辑xcstrings文件。这两条在我看来都没啥问题，于是就同意了。

结下，AI的表演让我十分无语。首先，每次它在发现xcstrings有变化时，总是尝试用git restore命令回退到旧版。因为它总认为是自己不小心修改了文件。但其实只要是Xcode编译，就会在需要时自动更新，而我手动翻译之后，它也会更新。

为了不让它恢复到旧版。我跟他说，提交时同时提交翻译。结果它不理我，非要恢复。我问它为什么？它说，因为.claude的规则高于我的指令，我说那个规则也是我添加的。而且我让它列出规则。结果我一看，根本没有不让git提交啊。AI和我说，git提交本身就属于修改，因此也不行。我说你看清楚，规则是不能直接修改。而且我又把xcstrings文件改变的原理和它说了一遍。AI死活不同意，我说那我现在命令你修改规则，但是我现在很疑惑，按照我现在理解的你的理解能力，我要如何说才能达到我想要的效果？结果AI跟我说，它将修改规则为“不能直接修改，可以提交。”我问号脸，这不就是我刚刚说的吗？然后，它改了规则，终于给我提交了。

我差点儿以为AI要造反了呢！居然不理会我的直接指令！

思维误区就是我们思考中常常被无意忽略的东西，也被称作思维定势。思维误区不一定是坏的，因为它是我们大脑中的一种机制，它会有意放过它认为不重要的东西，从而把精力放在重要的东西上面。它的问题是它放弃的部分不一定是不重要的，而可能只是它以为不重要的。

最近发生的两件事，让我今天想起来要提一下这个思维误区。

一个是网上看到的，说某小区的业主，发现自己的电动车新买了没多久，续航就越来越短。充满电了，也只能跑20-30公里。一开始他们以为是天气变冷的缘故。后来他们以为是电池质量不行，有的就去找当初买电动车的商家理论，有的干脆换了新电池。但是换了之后，还是不好用。最后真相大白，又问题的是充电桩。充电桩是有充电桩的厂家免费提供的，这些厂家不仅要在安装前给物业一笔钱才能进入安装，安装之后，业主使用时交的费用还要分给物业一大部分，因此，这些厂家都是使用质量最差的充电桩，还会在充电机费上做手脚。比如说充了1度电，实际上只有0.16度。而快要充满时，就故意使用涓流充电。这样计费充电时间又能多出1、2个小时。

另外一个是发生在我自己身上的。一直以来，我在Ubuntu上跑的trojan服务总是不太稳定。在排除了一些其它问题之外，我发现这个trojan本身存在内存泄漏。也就是运行一段时间之后，它的内存占用会越来越高，同时客户端与它的连接都不再可用，测速永远都是超时。我花费了很多时间在研究服务器端的配置，从SSL证书，到连接数，从nginx的配置，到DNS的缓存，全都研究了一个遍。最后确定到内存泄漏的时候，我卡住了。因为我当时认为这是因为Trojan的代码太过古老，而Ubuntu 22.04是它代码停止更新两年后才有的新系统，所以二者可能存在某种兼容的问题。我忽略掉了，客户端的访问方式，可能是因为它内存泄漏的这种可能。可能，是我之前从来没有遇到过吧。并且，客户端和服务器端是分离的，因此我询问AI的时候，AI也没有想到。

之所以，我最终会怀疑到客户端的身上。一是上面提到的第一个故事。二是经过上面的长期分析，总结，我已经完成了一套检测方式，我开始每两分钟在服务器检测一次trojan的状态，发现内存泄漏就重启服务，短时间出现多次内存泄漏，干脆就重启一次服务器。这样的话，如果内存是泄漏是随机的。我应该很少能碰到网络不通的情况了，因为大部分情况都应该在我没有使用的时候就自动解决了。因为我以为每次系统重启之后，能够好用很久。但是，事情却刚好相反。我几乎每次长时间不使用macOS之后，再次进入，都会遇到超时的问题。同时，我跑到服务器看日志，问题的出现和我的macOS的使用高度相关。并且，到了最近，问题更加严重，如果macOS开着，服务器就算重启，还是会立刻内存泄漏。

到了这个地步，问题就很明显了。我在macOS端关掉FlClash，那边就立刻不泄漏了。而我另一台使用Clash Verge客户端的却没有这个问题。于是我设置它允许局域网访问，然后我这台就不开FlClash了。手动开启代理到居于网的服务区，暂时使用共享的方式。

我同时向FlClash提交了Issue。

https://github.com/chen08209/FlClash/issues/1727

2026年了，好多人都在给自己设定计划，展望未来。AI无疑还是今年的主题，但是对于AI会如何发展，每个人看到的风景是不一样的，而我，想把我这一年来使用AI的感受以及未来趋势的看法说出来。

过去一年，我开始使用AI辅助编程，一开始只是简单的代码补全，有时能补对，有时补不对。后来我开始使用Claude Sonnet 3.5，逐渐感觉到AI辅助编程的乐趣。再后来Claude Sonnet 4.0来了，但是随之而来的是GitHub Copilot for Xcode不再支持中国地区的用户使用Claude的模型。好在很快，我又有了Grok Code Fast 1可以使用。同时GitHub Copilot for Xcode又支持了OpenRouter，这样就让我尝试了使用更多的模型，包括不少国产的模型。

GitHub后知后觉地提供了Copilot CLI，我在收购了GitHub Copilot for Xcode必须前台，以及经常写错文件的bug后，开始使用Copilot CLI，后来又因为GLM出了订阅的编程套餐，又开始尝试使用Claude Code。期间我还尝试过其它别家的产品，好多都浅尝则止，没有最终留下。

目前，我使用的主要是Claude Code + GLM 4.7，Copilot + gpt-5.1-codex-max/Grok Code Fast 1, GitHub Copilot for Xcode以及qwen-code。

展望未来

展望未来之前，我们必须要先回顾一下历史。

计算机发展的历史

谈到计算机，抛开前期的算盘、手动计算尺、机械计算机器之外，大家公认的最早的计算机是美国的电子管计算机。从它开始算起，计算机经历了电子化，小型化，移动话，最终演变成了现在的无处不在的计算设备，除了传统的服务器、台式机、笔记本，还包括手机、游戏机、智能摄像头、智能网络设备、智能家电、智能宠物、智能机器人等等等等。

与之对应的，编程手段也从最初的纸带打卡器，到机器语言、汇编语言，到更高级的c语言，面向对象的C++，面向网络的javascript等等等等。

至于应用方式，早期的计算机主要用于计算，这也是它的名字计算机的由来。而随着计算机算力的增加，人们不仅仅将计算机用于计算，还用于其它更为通用的功能，比如文字处理、表格处理、数据库、游戏、音乐、视频等等。

而为了处理这些计算之外的数据，人们必须将其它的数据转换为数字，这样才能被计算机进行处理。而这个过程被称作建模。关于建模，最经典的书籍就是算法与数据结构。建模其实就等于算法+数据结构。

未来

从上面的论述，我们不难看出，计算机的发展经历了从专一功能，向通用功能的转变。使用的手段就是建模。而现如今，有了AI，建模已经可以通过提示词，让大模型自动分析数据，自主建模了。这也就是说，编程的自动化已经基本实现了。

AI目前比较擅长文本处理，而对于其它的数据，比如图片、视频、声音等的处理，相比于文字，就要差很多。

过去一年，为了补足大模型的不足，多种工具涌现。从一开始的tool_use，到后来的agent，skill，但是其实你从编程角度看，这些概念其实也非常简单。

tool_use其实就是调用函数，这是大模型和传统编程的结合。tool_use就是大模型调用一段函数，提供函数所需的参数，并且获得返回值并使用。

agent和skill其实需要一起来理解。agent是名词，skill是动词。一个相当于编程里的class，一个就是method/action。也就是一个是负责出力的主体，一个是负责具体做什么的函数/动作。而这两个其实只是大模型提示词进行的不同描述。这些都是在大模型内部进行的，已经没有传统编程了。

简单来说，就是以前，我们的应用获取资源，是通过操作系统，大部分时间每个应用都是各自为政。而现在有了大模型，我们面对的是整个世界。我们需要通过agent和skill将大模型与整个世界连接起来。这个闭环一旦形成，目前存在的硬件架构、操作系统、网络等鸿沟就不复存在，唯一区别的是你使用的模型是哪个。

机遇和挑战

从上面的论述，我们不难得出结论。随着agent和skill数量的增多，大模型的能力会越来越强大。可现在的问题是，大模型是收费的，而开发agent和skill则不赚钱。这样下去，所有的钱会都被上游，也就是拥有模型的公司赚走了。而处于下游的人，不仅要面临激烈的竞争，并且也很难获得持续性的收入。

我想这也就是为什么那些美国科技公司都拼命砸钱，想要在AI市场上争夺第一的缘故吧。因为这个市场，目前的确就是赢家通吃。