别再争谁是“中国版Muse”了，卖铲子的ICT厂商先赚到了钱 - MK体育官网入口

别再争论谁才是“中国版Muse”了，提供工具的信息与通信技术厂商已经率先赚到了钱。

永久在线的智能体将人工智能搬到了云端，重新定义了数据中心里中央处理器、存储与网络的配置比例。国内跨平台智能体发展受阻，基础设施先行获得订单，但其价值最终仍取决于应用层。

硅谷的科技巨头在人工智能应用领域的新一轮竞争，已经将战火蔓延到了云端数据中心。

10月22日凌晨，正处于首次公开募股冲刺阶段的Anthropic推出了全新的个人与工作智能体应用Claude Duet。

在此之前的一个多月里，Meta旗下的Muse、OpenAI的Dots、xAI的Grok Bot以及华人创业团队打造的Manus Cue陆续上线，几乎同时给出了答案：为人工智能在云端配备一台专属的虚拟计算机。

在Anthropic公开展示的内容中，呈现了一个有趣的场景：

每天早上5点30分，在一家咖啡连锁店的老板起床前，Duet已经自动从收银系统、Shopify网店、客服邮箱、Gusto薪资系统和银行账户中提取了最新数据，生成了一份晨间运营简报，并指出东湾地区因运费调整导致退订率从2.6%上升至3.4%。

Claude Duet的推出，迅速在科技领域引发了新一轮热议：为何国内未能出现一款能跨平台的“中国版Duet”？

如果将视线从应用层的入口争夺移开，转向更底层的产业链，会看到截然不同的景象——最先感受到永久在线智能体浪潮冲击、最先实现商业价值变现的，并非台前的人工智能企业，而是水面下的基础设施层。

一位国内头部云服务商的架构师坦言，当人工智能的产品形态从“一问一答的对话框”转变为“全天候在线的云端虚拟机”时，数据中心内部的计算、存储与网络配比都需要彻底重新设计。

01. 从对话框到云端电脑

将过去四年的人工智能应用发展轨迹放在一条时间线上观察，产品形态已经经历了四个阶段。

2023年是聊天机器人阶段：ChatGPT定义了问答交互方式，模型负责生成文字或代码，具体的执行动作仍由人类完成。

2024年至2025年进入任务型智能体阶段：初代Manus与Claude Code证明了人工智能可以分解多步骤任务并交付结果，但交互仍是单次触发，任务结束后会话随之清零。

转折点出现在2026年初。

开源框架OpenClaw（因其图标和名字谐音，在国内开发者圈内被称为“小龙虾”）在三个月内于GitHub上获得了24万星标，腾讯、字节跳动、阿里巴巴等国内大厂迅速跟进，打造了一个个“存活”在用户电脑里的人工智能助手。

时间来到2026年秋季，Meta Muse、Grok Bot连同刚发布的Claude Duet，将协作逻辑推向了云端：

智能体不再占用用户的本地电脑，而是在云端拥有独立的运行环境（Meta甚至为每位Muse用户分配了一台专属虚拟机），并普遍引入了“主动巡检”机制——不等用户下达指令，系统每隔几小时就会在后台自动启动，检查邮件、日历和业务系统。

对用户而言，这是从“被动工具”到“主动管家”的体验升级；对底层的算力基础设施来说，则意味着负载发生了根本性变化。

传统的聊天机器人是无状态的，用户提问时调用一次图形处理器，回答结束后连接即断开，夜间流量自然回落。而永久在线智能体是有状态的，以Meta Muse为例，底层由多个“工作子代理”并行运作，同时配有一个独立的“Sentinel审查代理”在后台监控权限与安全。

这种变化将直接推高单个用户的服务成本。

9月30日，摩根士丹利互联网首席分析师Brian Nowak团队发布了一份针对Muse的单位经济模型测算：在仅使用每周免费Token配额25%的基准情景下，单个活跃用户每月大约消耗1.08亿个Token，对应每月37.12美元的直接服务硬支出——其中24.30美元为图形处理器推理成本，12.82美元为中央处理器沙箱环境与存储开销。

在重度开发者群体中，数字更加惊人。

OpenAI首席执行官萨姆·奥特曼曾在6月份公开透露，OpenAI内部使用量排名第一的工程师单月消耗达1000亿Token。当永久在线智能体可以在云端全天候工作，1000亿绝不是月Token消耗量的上限。

将这条时间线拉长，会发现一个容易被忽略的细节：每一次产品形态的跃迁，都伴随着算力账单的转手。

聊天机器人时代，账单按次结算；“小龙虾”时代，智能体运行在用户自己的电脑上，电费与硬件折旧由用户默默承担；到了云端永久在线阶段，账单又被整体搬回了人工智能厂商与云服务商的资产负债表。

永久在线智能体的竞争变量正在从“模型有多聪明”，转向“养活一个活跃用户每月要花多少钱”。所谓“主动巡检”，本质上是一个成本旋钮：巡检越频繁，体验越像管家，单用户成本也越高。谁能在体验与成本之间找到可持续的平衡点，谁才可能把这门生意做下去。

而在这个问题被回答之前，最先确定拿到钱的，是卖工具的人。

当海量智能体在云端持续运转，数据中心里最先告急的，并非过去三年备受追捧的图形处理器。

02. 中央处理器重回舞台中央

过去三年，人工智能算力市场的主角一直是图形处理器。

在传统的大模型训练和单次推理服务器中，中央处理器与图形处理器的配比通常在1:4到1:8之间。图形处理器负责高密度并行矩阵运算，中央处理器仅承担数据搬运、基础调度等任务。

以Meta Muse为代表的永久在线智能体，正在打破既有配比。

一个智能体接到任务后，需要经历意图理解、任务拆解、拉起安全沙箱、执行代码、操作浏览器、调用外部应用程序接口、验证结果及反思重试等多个步骤。除了“模型推理”的一小段由图形处理器完成，绝大部分流程控制、工具调用与环境隔离，都属于典型的串行逻辑运算，由中央处理器承担。

云端虚拟机的普及，将进一步推高中央处理器核心的需求。

比如Meta Muse在云端为每位用户配置了一台标配2个vCPU、8GB内存和100GB固态硬盘的Linux虚拟机。

海外硬件媒体Wccftech曾按静态峰值做过一次推算：若Muse扩展至1亿用户且每人独占物理核心不共享，按单颗126核AMD EPYC处理器计算，仅此一款应用就需要158万颗服务器中央处理器。

当然，在实际工程中，云服务商并不会让虚拟机全天候空转。

可即便计入休眠机制与多倍超售比，当数千万活跃用户在高峰期并发拉起多个子智能体临时沙箱时，数据中心对独立“智能体中央处理器机架”的需求依然显著增长。

伯恩斯坦在研报中判断，智能体负载中中央处理器的计算占比将从传统大模型的14%升至50%，中央处理器与图形处理器配比正从1:8向1:1收敛，并将2030年全球服务器中央处理器市场规模预期上调至2230亿美元。

需求的变化已经传导至供应链。

KeyBanc的数据显示，受大型云服务商集中采购影响，英特尔与AMD在2026年全年的服务器中央处理器产能已基本售罄，两家公司均计划将服务器中央处理器价格上调10%至15%，交付周期已从常规的1至2周拉长至8至12周，部分型号自年初以来涨幅超过40%。

面对高昂的中央处理器成本与高并发沙箱需求，国内云与服务器厂商纷纷在2026年加快了底层架构改造：

阿里云上线了基于微型虚拟机隔离的ACS Agent Sandbox（智能体沙箱），重点优化大规模低延迟弹性拉起与低成本状态保持。

腾讯云在7月开源了Cube Sandbox v0.5.0，联合Arm工程团队完成了Arm架构的原生主线支持，使Arm平台在沙箱创建速度、状态恢复耗时与单机并发密度上追平x86。

新华三提出了基于CXL内存池的沙箱镜像池方案，将常用操作系统与依赖库预先常驻于共享内存层，新沙箱拉起时无需读取磁盘，直接通过内存映射实现零拷贝启动，将沙箱冷启动时间从秒级压缩至毫秒级。

在中央处理器涨价、交期拉长的背景下，单机能塞下多少个沙箱、休眠后多快能唤醒，直接决定单用户成本。产业价值正在从“卖更多核”，迁移到“让每个核跑更多智能体”。

03. 当显存被撑爆之后

与中央处理器一同迎来价值重估的，还有长期处于数据中心边缘的存储系统。

在传统云计算架构中，存储主要负责静态保存数据，毫秒级的读写延迟即可满足业务需求。

但在长程智能体场景下，存储直接进入了计算主路径，核心瓶颈变成了键值缓存。

就像在Claude Duet的演示场景中，为了协助用户准备A轮融资路演，智能体需要连续读取25份数据室文档、6位投资合伙人的背景资料，并进行数十轮工具调用。

随着模型上下文窗口扩展至百万级，且多轮慢思考成为常态，单任务链条下的键值缓存容量需求激增了几十倍。

容量有限且价格高昂的图形处理器高带宽显存很快被占满，溢出的温热键值缓存与长期记忆数据，不得不向下一层级的动态随机存取内存、CXL内存池以及企业级固态硬盘下沉。

除此之外，数以亿计的云端沙箱在执行“快照休眠与唤醒恢复”时，也需要高频读写各自的独立文件空间。

华为数据存储产品线副总裁吴俊杰在媒体采访时表示，当智能体以全天候不间断的方式访问上下文时，底层存储的时延要求已经从过去的毫秒级提升到了微秒级——任何一丝数据返回延迟，都会导致图形处理器等待空转；若因缓存空间不足被迫截断上下文，就必须进行大量重复计算。

供需关系的紧绷，已经反映在了价格与财报上。

国内动态随机存取内存厂商长鑫科技在2026年前三季度业绩预告中表示，受人工智能算力需求拉动，动态随机存取内存产品供不应求、价格大幅上涨，公司产能利用率保持高位；存储模组龙头江波龙则预计2026年前三季度实现营收380亿至400亿元（同比增长127%至139%）。

为了缓解“显存墙”与亿级沙箱的存储隔离难题，国内的科技大厂也在推进存储架构重构。

华为推出了支持异构算力的CMS（上下文记忆存储）与UCM（统一缓存管理）方案，通过专用数据处理单元语义卸载构建PB级共享键值缓存池，使推理首Token时延最高降低90%，单Token综合成本下降约30%。

腾讯云在7月发布了业内首款面向智能体场景的原生存储Agent Bucket。通过在存储桶下引入独立的“Space”空间单元，将单个智能体的凭证隔离、容量配额与读写限速从业务代码层下沉至系统底层，配合GooseFS分布式缓存应对高频小文件访问。

如果说中央处理器需求取决于消费级智能体能否跑通商业模式，存储的逻辑则更为扎实。长上下文与多轮推理并非常驻智能体独有，企业级智能体、编程智能体乃至普通的深度推理任务，都在推高键值缓存的规模。即便某款明星应用增长放缓，存储需求也不会退潮。

更深层的变化在于，存储正在“用容量换算力”：缓存留得住，图形处理器就少做重复计算；留不住，就得拿更贵的图形处理器时间来补。存储由此从成本项变成了效率项，在人工智能基础设施中的话语权不断上升。

04. 倒过来的网络漏斗

计算与存储之外，通信与数据中心网络同样在经历一场流量结构的逆转。

过去二十年，互联网主要围绕“人消费内容”设计。用户浏览网页、观看视频、下载应用，数据流向以机房下发至终端为主，传统场景下网络上行流量占比通常仅为10%左右。

在智能体场景下，流量结构被倒置了。

无论是云端智能体持续读取本地工作流，还是用户通过手机、智能眼镜向智能体实时传输高清截图、音视频流与文档，人工智能执行任务的前提是终端向云端高频上传上下文。

比如年初的MWC 2026上，华为披露了上海某美术馆的实测数据：引入多模态人工智能智能体作为导览员后，每天有超过3000名观众上传展品照片或视频进行交互，网络上行流量占比首次突破60%。

在数据中心内部与跨云协同场景中，机器对机器的通信密度也在同步攀升。

一个典型的例子：当Claude Duet在后台生成一份经营简报时，数分钟内需要通过MCP协议连续调用十余个外部软件即服务系统的应用程序接口；而在机房内部，分立部署的“智能体中央处理器机架”、“图形处理器推理机架”与“CXL存储机架”之间，需要时刻进行高带宽、低延迟的状态同步。

面对千亿级的智能体连接预期，国内通信与网络产业链早已开始调整布局：

在运营商侧，中国移动正在探索于4.9GHz频段将上下行流量配比调整为3:2以匹配智能体上行需求，并提出了无损智算光网络架构；中国联通则在9月将传统内容分发网络升级为人工智能内容分发网络，实现人工智能Token算力与边缘内容的协同调度。

在硬件与边缘服务侧，数据中心对800G及1.6T高速光模块的需求持续放量，TrendForce预估2026年全球人工智能光收发模块市场规模将达260亿美元。

需要说明的是，网络侧的变化方向虽然清晰，兑现节奏却很可能落后于计算与存储。调整频谱配比、建设无损光网络，周期以年计，投入必须先于需求；而目前关于上行流量反转的实证，仍主要来自个别场景的测试。

真正值得关注的是运营商的角色。

很长一段时间里，网络按下行带宽设计、按内容分发收费；如果智能体让上行成为主流量，“上行”本身就可能成为新的计费维度。运营商未必最先受益，却可能握有最长期的定价杠杆。

05. 写在最后

回到开头的问题。

中国市场短期内恐怕难以跑出一款跨平台的“中国版Duet”，症结不在技术，在于生态边界：截至10月下旬，已有包括微信、淘宝、支付宝、美团在内的上百款应用拒绝了豆包手机助手的屏幕自动化操作，跨应用程序代理在国内首先是一道商业题。

由此构成了一个耐人寻味的错位：

应用层的入口之争在国内暂时僵持，而由全球智能体浪潮拉动的中央处理器扩容、存储升级与算力网络改建，已经让中国信息与通信技术产业链上的基础设施厂商先一步拿到了订单。

但红利的成色，最终仍取决于应用层：只有当永久在线智能体找到“养得起用户”的商业模式，今天的扩容才不会变成明天的过剩。

本文来自微信公众号 “Alter聊科技”（ID：spnews），作者：张贺飞，36氪经授权发布。