目錄

快速精華 Key Takeaways

先講我實際觀察到的現象。過去幾個月,我一直在盯應用商店的自動代理類排行,而 Muse 衝榜的速度確實有點反常——它上線 11 天就累積了約 70 萬名用戶,這種斜率通常只出現在「免費又送好康」的產品上。而 Muse 送的「好康」很硬:每個人都配一台雲端 PC。當我第一次看到「每人 2 vCPU、8GB 記憶體、100GB SSD」這組規格時,心裡的第一個念頭不是「好大方」,而是「這對晶片廠是場慶典」。因為傳統聊天機器人是「你問一句、它回一句」,伺服器忙完就放掉;但代理是你關掉 App、它還在你背後幫你跑任務。這兩種模式的基礎設施成本,完全不是同一個物種。

這也是為什麼 Muse 的討論會從「應用商店排名」一路燒到「AMD 的 CPU 出貨」。當 AI 從單次問答轉向長時間執行任務,算力的戰場就不再只發生在 GPU 那一格。

為什麼一個 AI 代理 App,會讓整個 CPU 供應鏈緊張起來?

關鍵在於「常駐」。傳統 chatbot 的推理負載是短暫且可排隊的,你今天問十句,尖峰過了就沒事。但一個能自主行動的代理,它為了完成「幫我訂機票、比價、填表、確認信寄出」這種連環任務,在過程中需要維持一個持續可用的作業系統環境、記憶體狀態與背景程序。換句話說,它不是一個「函式呼叫」,而是一台「一直在開機的電腦」。

這正是代理式 AI(Agentic AI)與工具型 AI 的分野:前者具備目標導向行為、使用外部工具、能自主完成多步驟任務,控制流程通常由大型語言模型驅動。它除了模型推理,還得做瀏覽器操作、工具呼叫、資料處理、權限管理與任務協調——這些工作對 CPU、記憶體、儲存的依賴度,遠高於單純的文字生成。

所以當外界說「代理式 AI 對基礎運算資源的消耗遠高於傳統聊天機器人」,講的不只是量,而是「質」:負載型態從脈衝式變成常態式,硬體配置邏輯也跟著從「買爆 GPU」轉向「GPU 跟 CPU 一起買」。

158 萬顆 Ryzen 怎麼算出來的?拆解 Muse 的算力帳本

把規格攤開就一目了然。Muse 每位用戶預設一台專屬雲端 PC:2 顆 vCPU、8GB 記憶體、100GB 儲存。單看一個人不痛不癢,但乘上規模就變成天文數字。

外界以 1 億用戶、且採「一對一、全天候常駐」的理想條件推算:需要約 158 萬顆 AMD Ryzen 級 CPU(接近 160 萬個 126 核心插槽的量級)、800 PB 的記憶體,以及 10,000 PB(即 10 EB)的 SSD。注意,這些數字是「滿載配置」下的極端值,不是必然結果。

業界的理性聲音也很清楚:實際部署未必會硬幹一對一全天候開機。若能在用戶閒置時暫停 VM、需要時再按需啟動,或讓多名活躍用戶共享同一批 CPU 核心,整體成本與硬體壓力都能明顯下降。這有點像叫車平台——不是每個註冊用戶都同時在路上跑車,重點在「同時活躍數」而不是「總註冊數」。

這張圖想傳達的不是「Meta 真的要買 158 萬顆」,而是「規模化的斜率有多陡」。當使用者從百萬級跳到億級,CPU 需求是線性放大的,但採購、機房、電力、散熱的排隊時間卻不是。這才是供應鏈真正緊張的地方。

CPU 對 GPU 可能拉到 40:1,這代表什麼產業訊號?

市場上開始流傳一個關鍵比值:在代理式 AI 的工作負載裡,CPU 對 GPU 的需求比可能被推到 40:1 這種等級。這在「生成式 AI 等於 GPU 狂潮」的敘事裡,是相當反直覺的數字。

為什麼會這樣?因為代理的一天是這樣過的:模型負責「想」,CPU 負責「做」。開一個瀏覽器分頁、登入網站、比對表格、呼叫 API、管理權限、協調多個子任務——每一項都是 CPU 密集的協調與狀態管理工作。GPU 仍然重要,因為推論要它;但當系統從「單次問答」變成「長時間執行任務」,瓶頸自然往 CPU、記憶體、儲存移動。

這個比值對產業的意義很直接:過去兩年,大家把 AI 的錢幾乎都押在 GPU 上;代理式 AI 出現後,記憶體、SSD、尤其是 CPU 的能見度被重新拉高。AI 不再只是「買卡」的遊戲,而是「買整座雲」的遊戲。

Intel、AMD、Arm 誰笑到最後?2026 年的受益邏輯

Muse 這類案例最有趣的地方,是它讓市場重新評估 Intel、AMD 與 Arm 在 AI 時代的受惠程度。過去它們常被當成「AI 浪潮的旁觀者」,因為鎂光燈都在 GPU 上。但代理式 AI 的負載結構,恰好落在它們的主場。

AMD 直接被點名為估算案例中的核心供應量級——1.58 百萬顆 Ryzen 級處理器不是小數字。對資料中心而言,若沙盒層需要大量高核心密度的 x86 插槽,AMD 的 EPYC 系列在核心數與性價比上的優勢會被放大。Intel 則有機會在通用運算與伺服器 CPU 的採購回補中受益。而 Arm 架構的價值在於「每瓦效能」——當耗電成為瓶頸(推論層可能吃掉數 GW),能提供更低功耗密度的架構,反而會被重新青睞。

說白了,代理式 AI 把「AI 硬體」從一條腿(GPU)變成一張網(CPU＋GPU＋DRAM＋SSD＋電力)。2027 年之前,這張網的每一個節點都會被重新定價。

把時間拉到 2027 年,代理式 AI 會把雲端架構帶去哪裡?

如果 Muse 的邏輯繼續走下去,2026 到 2027 年會出現幾個明顯的架構轉向。

第一,「沙盒經濟學」會變成核心成本科目。每用戶一台 VM 的模式在規模下幾乎不可持續,市場會逼出三種優化:閒置暫停、按需啟動、活躍用戶共享核心。誰先把這套排程做到極致,誰就能在同樣硬體上塞進更多用戶。

第二,CPU 需求從「週期性」變成「結構性」。過去的伺服器 CPU 採購跟隨換機週期;代理式 AI 讓 CPU 變成服務的必需品,需求更接近「隨用戶數成長」,這對晶片廠是長期順風。

第三,電力與散熱成為隱形天花板。當推論層可能吃掉數 GW,能否取得穩定電力,會比能否買到晶片更早成為瓶頸。這會把資料中心選址、綠電採購推上談判桌。

第四,記憶體與儲存被重新重視。800 PB 記憶體、10 EB SSD 這些量級,會讓 DRAM 與 NAND 供應商在 AI 敘事裡的地位提升,不再只是「跟漲的配角」。

回到 Muse 本身,它很可能不是終點,而是第一個把「代理式 AI 的算力帳本」攤在陽光下的大規模案例。當 1 億用戶這個數字被寫出來,整個產業就被迫認真回答一個問題:當 AI 從會聊天變成會幹活,我們到底準備好那座雲了沒有?

常見問題 FAQ

Muse 為什麼會需要這麼多 CPU,而不是 GPU?

因為代理式 AI 除了模型推論,還要操作瀏覽器、呼叫工具、處理資料、管理權限與協調多步驟任務,這些屬於通用的協調與狀態管理工作,主要靠 CPU、記憶體與儲存完成。GPU 負責「想」,CPU 負責「做」,當任務變成長時間常駐,CPU 的需求自然被放大。

158 萬顆 Ryzen、800 PB 記憶體是確定會發生的嗎?

不是。這是在「1 億用戶、一對一、全天候常駐」的理想滿載條件下的估算,屬於單一來源的推論。若採用閒置暫停、按需啟動或共享核心等優化,實際硬體需求會明顯下降。它的價值在於揭示趨勢方向,而非精確採購數字。

這波趨勢對一般開發者或中小團隊有什麼實際啟示?

如果你正在做代理類產品,現在就該把「每用戶一台常駐 VM」的成本模型算清楚,並預先設計暫停、按需與共享機制。代理式 AI 的成本結構和聊天機器人完全不同,忽略沙盒層的資源帳,很容易在規模成長時被帳單反噬。

參考資料與延伸閱讀

本文核心數據與事件背景,整理自以下公開來源:

• TrendForce — Meta’s Muse Highlights AI Agents’ Higher CPU-to-GPU Needs
• Wccftech — Meta’s Muse Personal Agent 1 億用戶算力估算
• Wikipedia — AI agent(代理式 AI 的定義與架構背景)

想為你的團隊規劃代理式 AI 的雲端算力策略、或需要一份客製化的資源成本評估?直接找我們聊聊。

立即預約 AI 算力策略諮詢 →