Epoch AI估算：2027年出货芯片可支撑数亿智能体，但需求缺口巨大

AI公司每年在芯片和数据中心上投入数千亿美元，前提是这些硬件将运行AI智能体来完成人类今天做的工作。但一个关键问题往往被忽视：这些硬件究竟能支持多少个智能体？如果算力过剩，投资回报从何而来？

Epoch AI研究员Jason Li在2026年10月2日发布的研究中，试图量化这一供需关系。Li此前在NVIDIA从事大模型推理优化工作，目前专注于AI推理相关课题。他选择高带宽内存（HBM）作为衡量标准，因为HBM同时是推理的关键组件和芯片生产的主要瓶颈，且其供应数据相对透明。全球HBM主要由Micron、Samsung和SK hynix三家生产。

Li的估算方法分两步：首先将2025年以来出货的HBM按288GB（对应一块GB300 GPU）为单位折算为等效GPU数量，再根据每块GPU能承载的并发智能体会话数推算总容量。对于闭源前沿模型，他从TraceLab数据集中分析Codex和Claude Code的实际会话记录，得出每智能体小时的API等效支出——Codex约16至18美元，Claude Code约24至50美元——取30美元作为中心参考点，再结合GPU租赁成本（5美元/GB300小时）和API收入与推理成本的倍数（5至10倍），推导出每块等效GPU可支持的并发会话数。

核心发现是：2025至2027年间出货的HBM，一旦完全部署并分配给智能体工作负载，理论上可支持约3000万至1.7亿个并发前沿模型智能体。由于AI智能体可以每周工作168小时而非人类的40小时，这些智能体提供的周工作小时数相当于1.4亿至7.2亿名全职员工。作为参照，美国约有3.42亿人口和1亿知识工作者。

然而，这种理论产能与实际市场吸收能力之间存在显著差距。Li假设只有20%的潜在容量被用于产生收入的推理服务（40%分配给推理、50%利用率），对应的年API等效支出为2.6万亿至5.3万亿美元。作为对比，如果主要模型开发者的收入保持每年五倍的增长速度，到2027年底总年化收入约为1万亿美元。潜在供给对应的需求规模是当前预期收入的2.6至5.3倍。

Li明确指出，关键不确定性在于需求侧。近期可能因数据中心电力或土地限制出现短期短缺——微软CEO纳德拉在2025年底曾表示有芯片库存因缺乏可用电力空间而无法安装。但随着瓶颈缓解，累积硬件将迅速上线。Epoch的另一项分析估计，自2023年以来AI推理价格每季度下降约47%。如果价格下降速度快于需求增长，维持利用率就需要智能体活动量增长超过效率提升带来的算力节省。

这项分析不是股价预测或投资推荐，而是一个结构性视角：AI基础设施投资的赌注不仅在于技术能否实现，更在于经济需求能否跟上物理算力的扩张速度。如果AI应用未能从简单问答转向广泛的经济价值创造，或者用户不愿支付接近人类工资水平的智能体费用，当前的资本开支热潮将面临严重的回报率压力。