一所学校如果让30个学生用云端AI做作业，一年下来要花多少钱？答案是：只要换一种部署方式，这笔钱可以几乎归零。这不是理论推演，而是把大语言模型（LLM）直接跑在本地硬件上的现实结果。

学校采用AI的默认路径，是把学生作业送到厂商的云端处理。这个选择同时制造三个问题，而这三个问题最终都压在预算最紧的学校身上。第一，学生数据离开了校园。未成年人的作文、提问和错误答案，在教师很少细读的条款下被传输给第三方。第二，账单随使用量增长，学生用得越多，学校付得越多，这反过来迫使学校限制AI的使用。第三，它依赖稳定的网络，而很多学校并非每间教室都有可靠连接。

打开网易新闻 查看精彩图片

有一种设计能同时消除这三个问题：在本地运行一个小型开源模型，用学校自有的硬件，与互联网隔离。我研究离线且沙箱化的LLM用于安全学术计算，这套保护敏感研究的架构，可以无缝迁移到学校机房。两者的约束几乎一致：数据留在内部，成本保持固定，断网时也能正常工作。

“离线”和“沙箱化”到底指什么

离线意味着模型运行在本地机器上，生成回答时不调用任何外部API。模型权重存放在校园内的硬盘上。沙箱化意味着模型进程被隔离——它读取提示词，返回答案，但没有路径把数据发送出去。学生使用它时不需要账号、不需要登录，也不会留下任何数据痕迹。

这件事在2026年变得可行，是因为能在普通硬件上运行的小型开源模型已经真正好用。参数规模在几十亿级别的模型，可以在配备消费级GPU的单台工作站上运行，轻量任务甚至用CPU就能跑。它能处理学校实际需要的任务：解释概念、检查写作、回答关于文本的问题、帮助调试第一段程序。

隐私账：数据根本没离开机房

隐私是应该最先打动学区的理由。使用本地模型，关于学生数据去向的问题根本不存在，因为它哪里都没去。一个14岁孩子写了一半的作文，永远不会离开机房。合规负担也随之减轻——学生数据规则中最难的部分，是追踪厂商在收到数据后做了什么。把厂商从路径中移除，这部分负担就消失了。数据始终处于学校控制之下，由学校自己的政策管辖。

我在自己的研究中认真对待这一点，因为我处理的学术数据不能存储在第三方云端。同样的逻辑，用在未成年人数据上，理由只会更强。

成本账：边际成本只剩电费

云端AI的按次计费账单永远不会结束。即使在2026年的低价下，一个30人的班级每天跑几十次提示词，一个学年累积下来也不是小数目，而且它随使用量增长——这种计费模式惩罚成功。本地模型把这个逻辑反转了：学校购买或改造一台够用的工作站，一次性配置好，之后每增加一次提示词的边际成本就是电费。服务30个学生的机房，运行成本和服务5个学生的机房差不多。没有计量、没有超额费用、没有季度账单惊吓。

对一所需要在付费方案之间做选择的学校来说，这个账本的方向是明确的。