智能越便宜，算力为何越短缺？Anthropic揭示了Agent经济的两层基础设施

信源：DRM News｜Anthropic联合创始人、首席算力官Tom Brown与美国商务部长Howard Lutnick对谈｜2026-09-02⁠

这场对话表面上很像一场面向G20国家的AI招商会。Tom Brown希望各国提供土地、许可、电力和建筑工人，把数据中心建起来。但他同时给出了两个看似矛盾的判断：同等智能的模型使用成本一年下降约20倍，全球前沿AI产生的经济价值却以每年约4倍的速度增长，而算力仍将长期处于短缺状态。

把这三句话连起来，才是这场演讲真正重要的地方：智能单价下降，并不会让算力总账单下降。随着AI从一次问答升级为能够连续工作、调用工具和执行任务的Agent，成本下降释放出的不是节省，而是此前不值得自动化的大量需求。AI产业正在同时需要两层基础设施——外部的电力与算力，内部的context、权限和工具系统。

Brown对AI的基本信念来自他参与完成的语言模型Scaling Laws研究⁠。这项工作的意义，不只是证明“大模型更聪明”，而是把模型能力与算力、数据和参数规模之间的关系变成一条可以预测的曲线。智能由此从偶然的算法突破，逐渐变成一种可以通过资本投入稳定生产的工业品。

不过，“同等智能成本一年下降20倍”目前仍是Brown在现场给出的估算，并没有公开统一的计算口径。2026年更新的一项AI推理价格研究⁠给出的中位趋势是5—10倍，较高性能区间接近32倍。更有意思的是，该研究发现，固定能力的价格在下降，运行最前沿模型的实际成本却可能继续上升，因为模型使用了更长的推理过程和更多计算资源。

这正是Agent带来的算力反弹效应。Anthropic自己的经济指数⁠显示，创建应用所消耗的token超过普通对话中位数的3倍；用户交给Claude的自主决策越多，token消耗通常也越高，两者相关系数达到0.68。模型越便宜，企业就越愿意让它读取更多资料、尝试更多路径、运行更长时间。最终决定算力需求的，不再只是用户数量，而是：

用户数量 × 每个用户发起的任务数 × 每项任务的Agent工作量。

这解释了为什么模型价格战与数据中心投资潮可以同时存在。智能价格下降扩大了经济可行边界，Agent又把一次推理扩展成几十甚至上百次模型调用，加上长上下文、工具执行、失败重试和并行探索，单位业务任务的总计算量反而可能上升。Brown所说的电力、土地、施工能力和许可短缺，正是这条需求曲线在物理世界里的投影。

但只建设数据中心，还不能自动获得AI生产力。Brown在视频中反复强调，要把模型当作一名新员工：向它开放文件、业务系统和执行工具，并给予与职责相匹配的权限。这里的context并不是把更多资料塞进上下文窗口，而是持续向模型提供当前任务需要的组织状态，同时管理记忆、权限、工具、执行记录和风险边界。

这其实就是正在成形的Agent OS。Anthropic的Managed Agents架构⁠已经把它拆成三个部分：保存完整工作历史的session、负责模型循环和工具路由的harness，以及真正执行代码和修改文件的sandbox。模型只是“大脑”，企业还要为它准备记忆、双手、工作环境和管理制度。模型回答问题，系统才能让模型承担工作。

Brown甚至声称，Anthropic内部大部分智力劳动已经由拥有员工级权限的模型完成，并且能够自主执行。这一表述比Anthropic在2025年底公布的数据激进得多：当时工程师和研究人员自报在约60%的工作中使用Claude，但多数人能够“完全委托”的工作仍只有0—20%。这份内部研究⁠与Brown的新说法并不一定冲突，可能是九个月内能力发生了跃迁，也可能只是“AI参与工作”与“AI独立完成”的统计口径不同。在出现更详细数据前，它更适合作为领先信号，而不是已被验证的生产率事实。

类似的边界也适用于Brown关于科学和癌症的预测。AI在数学、蛋白质设计和化学分析上的进展已经很快。Anthropic最近公布的实验中，Claude针对15个蛋白靶点完成设计，其中14个获得了有效结合结果，单个设计的成功率达到22%—35%。但Anthropic自己也承认⁠，这些任务只覆盖药物开发的早期环节，湿实验验证仍需要数周，临床试验、监管和生产更不可能被模型能力直接跳过。

AI可以把假设生成扩展成“百万研究员”，却不能同步制造百万套实验设备、患者样本和临床试验。随着推理能力增强，科学创新的瓶颈将从提出假设，迁移到实验自动化、结果验证、专业数据和现实执行系统。

因此，这场G20对谈真正留下的问题不是各国应该建设多少数据中心，而是能否同时建设两套基础设施：一套生产token，另一套把token变成可验证的工作成果。只有前者，得到的是AI资产落地；两者同时具备，才可能形成真正的AI生产力。接下来最值得跟踪的也不是单一模型分数，而是Agent单任务运行时间、token消耗，以及无需人工返工即可完成的端到端任务比例。