智能体 (Muse) 计算需求 （5分钟阅读）

# Agent（Muse）计算需求分析 来源：https://robonomics.substack.com/p/agent-muse-compute-demand 显然存在许多动态假设：智能体保持活跃的时间长度、CPU和内存的超额分配程度、每个智能体产生的模型调用次数，以及这些模型的运行效率。 大致结论如下： - **平均总功耗约1–2GW**以支持基础情况下1亿日活跃用户（DAU），其中仅**约0.1GW来自CPU/虚拟机层**。根据每个Muse日活用户每日产生的推理等效模型调用次数，**3–4GW**的功耗完全可能。 - 沙盒层的成本预计**低于10亿美元**（用于CPU资源）和**约20亿美元**（用于DRAM资源），这比许多人预期的要小。 欢迎所有反馈/质疑。 Muse背后存在两种截然不同的基础设施： 1. **Muse虚拟机/沙盒基础设施** **每个用户分配2个虚拟CPU、约8GB内存和约100GB持久化逻辑存储**。观测到的Muse虚拟机配置见此链接（https://www.starkinsider.com/2026/09/meta-muse-specs-what-it-runs-on.html）。 2. **Muse Spark推理服务** 模型推理通过Meta的外部推理基础设施进行。Meta对Muse架构的描述见此链接（https://research.meta.ai/blog/security-and-safety-for-ai-agents-our-approach-with-muse）。 第一个常见误区是假设**1亿日活用户意味着1亿台虚拟机同时消耗计算资源**。 假设平均每个Muse日活用户的智能体每天积极工作2小时： 1亿用户 × 2小时 / 24小时 ≈ 平均800万台同时活跃的虚拟机 Meta显然不能仅按日平均值配置资源。使用会在白天集中并产生峰值波动。 假设峰值与平均值的比率为2.5倍： 800万 × 2.5 = 约2000万台峰值活跃虚拟机 再加上约20%的容量缓冲：**约2500万台预分配的实时虚拟机**。因此，基础假设实际上是Meta需要支持**约25%的日活用户同时在线**。 [](https://substackcdn.com/image/fetch/$s_!Rk_q!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F958cc7c7-8b76-4da9-80d1-7052b0deb327_1672x456.png) 下一个重要区别是**虚拟CPU分配**与**物理CPU需求**。智能体沙盒特别适合进行CPU超额订阅，因为它们大部分时间处于等待状态。在这些时期，虚拟机可能仍然存活，但几乎不使用CPU。 DeepSeek近期发布的DSec基础设施提供了一个有用的基准。其生产级智能体沙盒平台运行在约160个节点上，拥有约**30,000个物理CPU核心和250TB DRAM**，峰值并发超过**380,000个沙盒**（DeepSeek DSec论文：https://arxiv.org/abs/2609.22978）。DSec还展示了在每个节点约**800个微虚拟机**下稳定运行的能力。每个节点约有188个物理核心：188个物理核心 / 800个微虚拟机 ≈ 每个活跃虚拟机占用0.23个物理核心。 DeepSeek显然是效率之王。Muse的数字可能在每个活跃虚拟机0.3–0.75个物理核心之间，我们暂定**每个活跃虚拟机0.5个物理核心**作为基准情况。这相当于**每个物理CPU核心大约同时支持两个Muse虚拟机**。 基于基础假设：**2500万实时虚拟机 × 0.5物理核心/虚拟机 = 1250万物理CPU核心**。 以256核心CPU计算：1250万核心 / 256核心/台 ≈ 5万台CPU；若以192核心CPU计算，则需要6.5万台CPU。 **按当前公开定价，成本约为8亿美元。** [](https://substackcdn.com/image/fetch/$s_!h3Sq!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F707b35ef-5681-4371-9c6e-fa61b918df5a_1684x676.png) CPU可以进行激进的超额订阅，因为等待中的虚拟机可能几乎不消耗CPU。内存则更难超额订阅，因为活跃的虚拟机仍需保留其工作状态。 Muse向用户环境暴露约**8GB RAM**，但在观测时，某个实例实际使用量仅约**3GB**。 2500万实时虚拟机 × 3GB = 75PB物理DRAM，合理的基础范围约**75–100PB物理DRAM**。 **按当前公开定价，成本约为20亿美元。** **以1亿日活用户计算，整个Muse沙盒/虚拟机层的功耗约为0.1GW。** Muse的个人计算机本地执行工具并存储状态，但实际模型运行在独立的推理基础设施上（Meta的Muse架构：https://research.meta.ai/blog/security-and-safety-for-ai-agents-our-approach-with-muse）。 微软2026年的研究估计，优化后的前沿规模推理，中位数消耗约为：**每次普通查询0.31瓦时（Wh）** 但一个约15倍token量的长推理查询消耗约13倍能量，即：**每次长推理查询约4瓦时（Wh）** 该研究特别指出，推理和智能体工作负载的能耗显著更高（微软关于AI推理能耗的研究：https://www.microsoft.com/en-us/research/publication/energy-use-of-ai-inference-efficiency-pathways-and-test-time-scaling/?utm_source=chatgpt.com）。 对于类似Muse的工作负载，我们暂定**每次重度推理等效推理事件消耗5–10瓦时（Wh）**作为粗略的敏感性范围。 假设每个日活用户每天进行50次推理等效事件。 假设每个活跃Muse用户每天产生相当于50次重度推理事件。 按每次5瓦时计算： 1亿用户 × 50次/天 × 5瓦时 = 25亿瓦时/天（25GWh/天） 25GWh/天 / 24小时 ≈ 平均功率1.0GW 因此，仅推理部分就可能需要：**约1–2GW的平均功率** [](https://substackcdn.com/image/fetch/$s_!QYgl!,f_auto,q_auto:good,fl_progressive:steep/https%3A%2F%2Fsubstack-post-media.s3.amazonaws.com%2Fpublic%2Fimages%2F3883608c-7bda-4731-800d-bf10da4d2d75_1696x558.png) 因此，一个**3–4GW的Muse系统**是完全可能的。这或许就是为什么有传言称Meta明年将增加7–10GW的计算能力。 关于Muse的常见说法是，为每个用户分配**2个虚拟CPU和8GB内存**会产生巨大的CPU需求。但这种简单计算极大地高估了CPU需求，因为它将逻辑虚拟机分配等同于专用物理基础设施。 更有趣的结论是：**消费级智能体可能成为CPU和传统DRAM的一个重要新需求驱动因素，但推理仍是真正的计算瓶颈。**随着智能体完成更多工作、运行更长的任务轨迹并越来越多地生成其他智能体，**推理需求的增长速度可能远超用户数量本身的增长**。 #### 关于本文的讨论 ### 想看更多内容吗？