智慧的單位成本正快速下跌：Epoch 把晶片出貨量換算成 agent 人口

重點摘要

• 截至 2027 年出貨的 AI 晶片，理論上可同時支撐 3000 萬至 1.7 億個前沿模型智慧代理不間斷運行，換算全職工時約等同於 1.4 億至 7.2 億名全職員工
• 若改跑較便宜的模型，同批晶片可支撐近 20 億個同時在線的智慧代理，比前沿模型估算值大了將近一個數量級
• Epoch AI 研究員 David Roodman 與 Luke Emberson 在報告《The plunging price of thought》中指出，達到固定 AI 性能水準的成本，比歷史上任何其他變革性技術下降得都快

2026 年 10 月 8 日，Epoch AI 在最新一期報告中同步發布了兩份互補的研究。研究員 Jason Li 計算了截至 2027 年出貨的 AI 晶片理論上能支撐多大規模的智慧代理族群；David Roodman 與 Luke Emberson 則在報告《The plunging price of thought》中，追蹤達到固定 AI 性能水準的成本在歷史技術曲線中的位置。兩份研究放在一起，共同指向一個還沒答案的問題：當思考的單位成本比歷史上任何其他變革性技術下降得都快，晶片出貨量換算出的智慧代理理論供給已達億級，這個供給能找到對應的需求嗎？

當 AI 晶片出貨量預示著億級智慧代理的理論供給即將到來，思考成本的斷崖式下跌，正將 AI 的勝負手從算力產能推向真實市場的需求驗證。

AI 成本下降有多快？「固定性能」這個基準為什麼比基準測試分數更重要？

討論 AI 進步速度，慣用的衡量方式是看模型在某個基準測試上比上一代高了幾分。這個指標能告訴你性能往哪走，但不告訴你同樣的性能要付多少錢，以及這個價格在歷史技術演進中是快是慢。

David Roodman 與 Luke Emberson 換了一個角度：固定一個性能水準，追蹤達到這個水準的成本如何隨時間變化。這個指標問的是「你花一塊錢，能買到的智慧量增加了多少」。他們的結論是，AI 的這條成本曲線，下跌速度比歷史上其他變革性技術都快。注意比較的邏輯：不是說 AI 晶片本身效能提升最快，而是每單位性能的價格，在歷史技術比較中下跌得最陡峭。

這個框架從工程師和創業者的角度換算，意味著你在估算推論成本時，參照的那個基準可能以比預期更快的速度失效。六個月前算不過的商業案例，今天的成本結構可能已經讓它變得可行。但這是從報告成本趨勢推衍出來的觀察：Roodman 與 Emberson 的研究聚焦在歷史成本資料的比較，而不是對未來的預測。

這份研究在方法論上有一個前提需要成立：不同技術的「固定性能基準」能夠以可比的口徑衡量。不同時代、不同技術的性能指標如何對齊成同一個比較坐標系，是這份研究最核心的方法論挑戰。結論方向明確，但要得到更廣泛的認可，還需要後續研究的獨立驗證。

從晶片出貨量到智慧代理數量：Jason Li 是怎麼換算的？

Jason Li 從供給端出發。問題是：截至 2027 年預計出貨的 AI 晶片，扣掉用於模型訓練和其他基礎設施用途的算力後，剩餘算力理論上能同時支撐幾個持續在線的智慧代理？

結果是一個寬達六倍的範圍：前沿模型智慧代理 3000 萬至 1.7 億個。假設這些智慧代理不間斷運行，每週可供應約 1.4 億至 7.2 億名全職員工的工時當量。這個六倍寬的區間不是估算不嚴謹，而是如實反映了模型中幾個關鍵假設的不確定性。Jason Li 給出範圍而非點估計，是對這些不確定性的直接承認，不是模糊，是誠實。

模型選擇讓數字產生量級差距。前沿模型每次推論調用消耗的算力高，因此同時在線的智慧代理數量少；較便宜的模型每次調用消耗的算力可能只有前沿模型的幾分之一，分母縮小，同樣晶片能支撐的智慧代理數量大幅增加。Jason Li 估算，改跑較便宜模型的情況下，同批晶片可支撐近 20 億個同時運行的智慧代理，比前沿模型版本多了將近一個數量級。

一個必須說清楚的前提：這些數字回答的是「算力允許多少」，不是「現實中已部署多少」，也不是對市場需求的預測。它是基礎設施的理論天花板，對應的是「晶片全部投入且持續滿載」這個極端情境，現實中不會完全成立。

需求端存在嗎？為什麼這仍是開放問題？

供給端的算力數字算得出來，因為晶片出貨量有可追蹤的資料。需求端則不然，Epoch 的報告直接點出：這麼大規模的智慧代理族群，需求端是否真的存在，目前仍是開放問題。這個坦承是整份研究最值得注意的部分。

需求能否追上供給，至少有兩個條件需要同時成立。能力面的挑戰比聽起來複雜。一個智慧代理在受控環境下任務完成率看起來不錯，但在生產環境裡，任何有意義的失誤率都需要人工攔截，而你通常事先不知道哪個任務會落在失誤那一側。可靠性不夠高時，智慧代理帶來的不是省人力，而是把操作層的工作換成監督層的工作，整體成本不一定下降。成本面的問題同樣不只是推論費用。整合、維護、錯誤處理的工程成本也屬於使用成本的組成部分，模型推論費用快速下跌，但這些其他成本能否同步跟上，目前看來還沒有清楚的答案。

需求端的這個不確定性，決定了 Jason Li 數字真正的意義：3000 萬到 20 億這條供給區間，反映的是基礎設施能支撐多少，不是市場上已在使用多少，也不是三年後會用多少。

這份研究有哪些侷限需要注意？

這兩份報告都來自 Epoch AI，使用他們自己建立的分析框架。這不是對研究品質的批評，而是提醒：方法論假設的外部驗證是後續工作，目前尚未完成。

Jason Li 的智慧代理數量模型，核心依賴幾個推算值而非直接觀測值的關鍵參數。六倍的結果範圍（3000 萬至 1.7 億）正是這個不確定性的如實呈現。

《The plunging price of thought》的跨技術歷史比較，需要在不同時代、不同技術之間建立可比的性能基準。「比歷史上任何其他變革性技術都快」這個結論，在更多獨立研究跟進驗證之前，是有資料支撐的研究結論，不是已獲廣泛共識的事實。

對在做部署決策的工程師而言，最實用的讀法是：把成本趨勢當作方向感，把智慧代理供給數字當作算力的理論天花板，但不要把這些數字直接帶入商業規劃，因為需求端的關鍵問題還沒有答案。