效率越高，算力越缺：Sam Altman在G20讲透了Agent时代的需求函数

信源：G20创新部长会议｜Sam Altman与美国商务部长Howard Lutnick对谈｜2026-09-02⁠

Sam Altman在这场对谈中给出了一个颇具冲击力的例子：过去一家创业公司在加速器里三个月完成的工作，现在用Codex可能17分钟就能做完。这个数字显然带有演讲式夸张，但它指向的变化是真实的——AI需求正在从“有多少人使用”，转向“每个人能调度多少机器工作”。

这意味着，未来算力需求不能只看用户渗透率，还要看单个用户的任务深度。可以把它简单拆成：

总需求＝活跃用户数×人均任务数×每项任务的执行轮次×并发Agent数量。

聊天机器人时代，人类问一次，模型答一次；Agent时代，模型需要规划、搜索、调用工具、编写代码、检查结果、失败重试，并在后台持续运行。即使每一步推理都越来越便宜，任务长度、执行频率和并发数量仍可能增长得更快。

Altman为此给出了一组未经审计的内部估算：2020年初，全球最重度的token用户每月大约使用10万token；到2026年中，最重度用户已经达到每月数千亿token，而全球人均月使用量接近10万。他甚至推演，六年半后全球人均可能达到每月1000亿token。他自己也承认，token是一个“很蠢的单位”。这些数字不宜当成严谨预测，却清楚暴露了OpenAI的需求模型：AI消费不会停留在人类阅读和输入的速度上，而会逐渐由持续工作的机器进程主导。

OpenAI公布的内部数据提供了一个现实缩影。到2026年6月，Codex已经贡献OpenAI内部99.8%的周度输出token；最重度的1%用户每天可以生成超过60小时的Agent工作量，因为他们同时运行多个任务。大量token并不是写出更长的回答，而是在购买并行执行、反复验证和更长的任务周期。OpenAI的统计⁠显示，用户正在从一次调用一个模型，转向同时编排多条机器工作流。

这也是为什么模型效率提升未必会减少基础设施需求。更强的模型和更便宜的推理会降低一次任务的成本，却也会让原本不值得自动化的任务进入经济可行区间：过去只让AI写一段代码，未来可以让几十个Agent维护整套系统；过去只分析一份文件，未来可以持续监控整个行业。单位智能降价释放出更多需求，新增需求又消耗掉效率红利，这是一种典型的“杰文斯效应”。

OpenAI已经把这一逻辑写进自己的资本开支飞轮：基础设施改善模型能力并降低服务成本，更强的产品扩大使用量和收入，收入再投入下一轮算力建设。物理世界的数据也没有显示效率正在消灭能源需求。IEA最新基准情景预计，全球数据中心用电将从2025年的485TWh上升至2030年的950TWh，其中AI数据中心用电量将增长约两倍。约束正在从GPU本身向电网接入、发电设备、变压器、HBM、建设周期和资本供给扩散。

但这场演讲更值得注意的一句话，是Altman明确表示：OpenAI可以提供通用智能引擎，却不会、也不应该替各国和企业提供“context”。

这里的context不是一份更长的提示词，而是企业数据、业务规则、工具权限、身份系统、审批流程、历史经验和审计机制的组合。同样的模型接入不同的context，能够完成的工作完全不同。OpenAI在2026年6月的企业样本中发现，使用强度最高的前10%企业，每位活跃用户产生的输出token是中位企业的8.3倍，1月时这一差距还是2.6倍；OpenAI将差距主要归因于context、工具、培训和工作流重构，而不只是模型访问权限。

因此，Altman实际上为国家和企业划出了三层分工：能源与数据中心负责供应智能，模型公司提供通用能力，本地组织负责把智能转化为可执行的生产流程。一个国家可以选择自建或租用算力，也未必需要复制一家完整的前沿实验室；但如果连本地数据、Agent工作流、身份权限和评估体系都锁在外部平台上，那么所谓“主权”就只剩选择账单由谁支付。

这也是“AI像电力”这个比喻最容易误导的地方。电力输出相对标准化，而AI输出具有概率性；Agent获得工具和权限以后，错误还可能被自动放大。token增长既可能代表生产率提升，也可能只是更长的推理、更多失败重试和昂贵的无效劳动。OpenAI同日发布的《参与经济》因此主动修正了指标：应该衡量的不是token数量，而是扣除复核和返工之后，每一美元能够产生多少可靠成果。

未来几年，最重要的领先指标将不是模型榜单，也不是孤立的token增速，而是“单次成功结果成本”能否持续下降，同时Agent可可靠执行的任务周期是否继续延长。如果token消耗上升，却没有带来更高的成品率、更低的人工复核负担和可验证的收入或生产率，Altman的需求曲线就需要被下修。

反过来，一旦可靠性跨过临界点，效率提升和算力建设就不会互相替代，而会互相放大。届时AI产业的竞争核心，将从谁拥有更聪明的模型，扩展为谁能更便宜、更安全地把能源、算力与本地context转化为持续完成的工作。