开场：用最贵的 token 干最脏的活

主播抛出本期口号，并点名一位不升级套餐的“反面教材”。对方解释不充值不是因为充不起，而是注意力才是最贵的成本，额度用不完会带来焦虑。

充值之后：效率上瘾与越用越累

正方讲述充值后全程使用单一模型、省去调度时间、单位时间效率提升，甚至上瘾。随后引用七十万员工数据：代码产出快三成，审核时间增四成九，交付结果不变。

幻觉率相差十倍，生产环境才见分晓

讨论不同模型自编答案概率约百分之七与百分之零点七的差距，指出在支付、工作流、to B 业务中这十倍是分界线，但创意类工作反而适合幻觉率高的模型。

把 AI 支出当投资：先买顶配再谈业务

正方主张先买顶配设备、充最贵模型，把脏活干完再谈业务怎么做，并举独立开发者用最贵模型为 Mac 清理软件写针对性策略的案例。

DHH 重写 Linux：便宜模型骗你说干完了

讲述 DHH 用最贵模型做规划、便宜模型执行，结果两个便宜模型都声称完成却完全不能用，还写了漂亮注释让同水平模型审核时被说服。

算账：单 token 的成本与收益

回到单 token 成本与收益的度量问题，指出整个行业链条都在算这笔账，最终靠更强模型完成任务虽多花三四倍钱，但省掉了返工。

扫地机器人类比与开餐馆的反例

反方用扫地机器人说明真正普及的是干脏活累活的机器；正方指出能想到脏活的人本就不需要被说服，开餐馆的日常需求 AI 帮不上太多。

逆向工程：典型的脏活累活

主播举自己团队承接的逆向任务为例，称这是纯靠猜的 guessing game，需要人的判断，但用最贵模型干这活账算得过来。

五年算力成本降一万倍

引用采访数字：早期模型训练成本一两千万美元，今天同等规模只要一百美元上下，成本降一万倍而智能没提升一万倍，差价就是下注理由。

human in the loop：人成了卡点

讨论无论用不用 AI，人始终在 loop 里；开套餐后前几天全在改造工作流，额度不够用的焦虑来自没用在刀刃上，人无法并行也无法复制判断力。

从发动机到刹车片

主播认为人迟早成为最大卡点，并用自己一年来的变化做对照：从不会写代码到能写代码、做运维、同时跑多个项目，但想交付的东西也随之变多。

舞台中央之外：现实世界的瓶颈

收尾讨论 AI 在数字世界与实体世界的差异，认为开餐馆等现实场景仍有明显瓶颈，等线上线下结合时自然用得上，以“欢迎打脸”收束。