日活 1 亿仅耗 0.1GW？Meta Muse 推理层吞噬 3-4GW

据 Woofun AI 消息， 在部署 智能体时面临算力瓶颈的结构性转移，核心矛盾并非源于传统的 CPU 资源短缺，而是集中在推理层的极端能耗需求。

这一现象揭示了 AI 基础设施中常被忽视的能效失衡：尽管前端沙箱层看似庞大，其实际功耗仅占 0.1GW，而后台推理层却可能吞噬 3 至 4GW 的电力。这种巨大的能耗落差，使得推理层成为限制 Muse 智能体实际应用的关键瓶颈，也重新定义了巨头在 AI 时代的基建投资逻辑。

在沙箱层基础设施的估算中，逻辑远比直觉复杂。每个 Muse 用户被分配 2 个 vCPU、约 8GB 内存以及 100GB 持久逻辑存储，但这并不意味着 1 亿日活用户需要 1 亿台同时运行的虚拟机。假设平均每位用户每天活跃工作 2 小时，则同时活跃的 VM 数量约为 800 万台（1 亿用户 × 2 小时 / 24 小时）。考虑到使用量的突发性和清醒时段的集中效应，若设定峰值与均值之比为 2.5 倍，则峰值活跃 VM 达到 2000 万台。再加上约 20% 的容量冗余，Meta 需常备约 2500 万台在线 VM，这意味着基础设施需支撑日活用户的 25% 同时在线。

更关键的变量在于虚拟 CPU 与物理核心的超售效率。 最近发布的 基础设施提供了极具参考价值的基准：其在约 160 个节点上运行 3 万个物理 CPU 核心和 250TB DRAM，支持超过 38 万个沙箱并发。具体来看，每个节点承载约 800 个微型 VM，拥有约 188 个物理核心，折算下来每个存活 VM 仅消耗 0.23 个物理核心（188 个物理核心 / 800 个微型 VM）。

尽管 DeepSeek 展现了极高的效率，但 Muse 的环境更为复杂。保守估计，Muse 每个存活 VM 消耗 0.3 至 0.75 个物理核心，取基础情形为 0.5 个物理核心/VM。据此推算，2500 万台存活 VM 需要 1250 万个物理 CPU 核心（2500 万 × 0.5）。若采用 256 核 CPU，则需约 5 万颗（1250 万 / 256）；若采用 192 核 CPU，则需 6.5 万颗。按当前公开价格计算，这部分 CPU 采购成本约为 8 亿美元。在内存方面，尽管分配了 8GB，但观测显示实际使用量仅为 3GB。因此，2500 万台 VM 对应的物理 DRAM 需求为 75PB（2500 万 × 3GB），合理区间在 75 至 100PB。

Woofun AI 整理数据显示，这部分 DRAM 成本约为 20 亿美元。综合来看，沙箱层的 CPU 采购成本约为 8 亿美元，DRAM 成本约为 20 亿美元，且整个沙箱/VM 层在 1 亿日活规模下的功耗仅为 0.1GW。

然而，真正的能耗巨兽隐藏在推理层。Meta 将模型推理任务外包给其外部推理基础设施，这种架构使得本地 PC 仅负责工具执行和状态存储，而核心计算发生在云端。在 2026 年发布的研究为能耗基准提供了关键依据：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。但智能体工作负载远非普通查询可比。一次长推理查询的 token 数量约为普通查询的 15 倍，其能耗约为普通查询的 13 倍，即每次长推理查询约消耗 4Wh。微软研究院特别指出，推理和智能体工作负载的能耗显著高于平均水平。鉴于 Muse 智能体的高频交互特性，我们将每次重度推理等效事件的能耗敏感度区间设定为 5 至 10Wh。