Muse 智能体算力需求估算：支撑 1 亿日活需要多少电力？
粗略结论
基础情形下，支撑 1 亿日活大约需要 1 至 2GW 平均总功率，其中 CPU/VM 层只占约 0.1GW。根据每个 Muse 日活用户每天产生的“推理等效”模型调用次数不同，3 至 4GW 也完全合理。
沙箱层的 CPU 采购成本不到 10 亿美元，DRAM 成本约 20 亿美元，比很多人预期的要小。
1. Muse VM / 沙箱基础设施
每个用户分配 2 个 vCPU、约 8GB 内存和约 100GB 持久逻辑存储。这是观测到的 Muse VM 配置。
A. 沙箱 CPU
第一个错误是假设 1 亿日活意味着 1 亿台 VM 同时在消耗算力。
假设平均每个 Muse 日活用户的智能体每天活跃工作两小时：
1 亿用户 × 2 小时 / 24 小时 = 约 800 万台同时活跃的 VM
Meta 显然不能只按日均值来配置资源。使用量会集中在清醒时段，且具有突发性。
假设峰值与均值之比为 2.5 倍：
800 万 × 2.5 = 约 2000 万台峰值活跃 VM
再加上约 20% 的容量冗余：约 2500 万台常备在线 VM。所以基础假设实际上是，Meta 需要的算力基础设施大约要支撑日活用户的 25% 同时在线。
下一个重要区分是虚拟 CPU 分配与物理 CPU 需求之间的差异。智能体沙箱特别适合 CPU 超售。它们大量时间在等待。在等待期间，VM 可能仍然存活，但几乎不使用 CPU。
DeepSeek 最近发布的 DSec 基础设施提供了一个有用的基准。其生产级智能体沙箱平台在大约 160 个节点上运行约 3 万个物理 CPU 核心和 250TB DRAM，峰值并发超过 38 万个沙箱。DSec 还展示了稳定运行能力：每个节点约 800 个微型 VM。按每个节点约 188 个物理核心计算：188 个物理核心 / 800 个微型 VM = 每个存活 VM 约 0.23 个物理核心。
DeepSeek 显然是效率之王。Muse 的数字可能在每个存活 VM 0.3 至 0.75 个物理核心之间，基础情形取每个存活 VM 0.5 个物理核心。这相当于每个物理 CPU 核心支撑大约两个同时存活的 Muse VM。
代入基础假设：2500 万台存活 VM × 每 VM 0.5 个物理核心 = 1250 万个物理 CPU 核心。
在 256 核 CPU 上：1250 万核心 / 每 CPU 256 核心 = 约 5 万颗 CPU；在 192 核 CPU 上则是 6.5 万颗。
按当前公开价格计算，大约是 8 亿美元。
B. 沙箱内存
Muse 向用户环境暴露约 8GB 内存，但一个被观测到的实例在测量时实际只用了约 3GB。
2500 万台存活 VM × 3GB = 75PB 物理 DRAM，取 75 至 100PB 作为合理的基础区间。
按当前公开价格计算，大约是 20 亿美元。
C. 沙箱功耗
在 1 亿日活规模下，整个 Muse 沙箱/VM 层大约需要 0.1GW。
2. Muse Spark 推理
模型推理通过 Meta 的外部推理基础设施完成。这是 Meta 对 Muse 架构的描述。
推理层
Muse 的个人电脑在本地执行工具和存储状态，但实际模型运行在独立的推理基础设施上。这是 Meta 对 Muse 架构的描述。
每次推理事件的能耗
微软 2026 年的研究估计，优化后的前沿规模推理每次普通查询的能耗中位数约为 0.31Wh。
但一次长推理查询的 token 数量约为普通查询的 15 倍，能耗约为普通查询的 13 倍，即每次长推理查询约 4Wh。
该研究特别指出推理和智能体工作负载的能耗显著更高。参考微软研究院关于 AI 推理能耗的研究。
对于 Muse 这类工作负载，我们假设每次重度推理等效事件的能耗为 5 至 10Wh，作为粗略的敏感度区间。
每个日活用户每天推理等效事件次数的敏感度分析
假设每个日活用户每天产生 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 次重度推理事件的负载。
按每次 5Wh 计算：
1 亿用户 × 50 次/天 × 5Wh = 2500 万 kWh/天
2500 万 kWh/天 / 24 小时 = 约 1.0GW 平均功率
所以仅推理一项就可能需要约 1 至 2GW 的平均功率。
因此，一个 3 至 4GW 的 Muse 完全合理。也许这正是 Meta 被传明年要新增 7 至 10GW 算力的原因。
结论
关于 Muse 的流行说法是，给每个用户 2 个 vCPU 和 8GB 内存会创造巨大的 CPU 需求。但那种简单化的计算显著夸大了 CPU 需求，因为它把逻辑 VM 分配当成了专用物理基础设施。
更有意思的结论是：消费级智能体可能成为 CPU 和传统 DRAM 的一个有意义的新需求来源，但推理仍然是真正的算力瓶颈。而且随着智能体做更多工作、运行更长轨迹、并越来越多地派生其他智能体，推理需求的增长速度可能远超用户数量本身的增长。
