GPT-6 之後，算力飆升的故事又說得通了嗎？

GPT-6 Astra 於 9 月 3 日發布後，半導體與記憶體股率先反彈。9 月 4 日，SOXX 單日上漲 3.5%，美光（Micron）上漲 6.1%，SanDisk 飆漲 11.9%；9 月 7 日，韓國 KOSPI 指數上漲 4.61%，三星電子（Samsung Electronics）上漲 5.7%，SK 海力士（SK hynix）上漲約 8%。
在此之前，對於 AI 資本支出過熱與算力需求見頂的擔憂，已讓相關板塊震盪了好一段時間。MarketWatch 甚至形容這波漲勢是 Astra「重新點燃了記憶體晶片交易」。

《輝達之道》（The Nvidia Way）作者、曾任《巴倫周刊》（Barron's）科技記者的 Tae Kim 提出了更激進的解釋：AI 可能正進入過去四年來第四輪算力需求的指數級增長。

前三輪分別來自 Chatbot、Reasoning 與 Coding Agent，而第四輪可能將是 Computer Use，也就是 Astra 這次重點展示的能力。Kim 的邏輯是，Chatbot 讓數億人開始消耗推理算力，Reasoning 讓每個答案需要更多運算，Coding Agent 則讓模型從「回答一次」變成持續運作數十分鐘甚至數小時。如今，Computer Use 將持續運作的代理從程式設計師，擴大到使用 Excel、Blender、CAD、Power BI 與瀏覽器的普通知識工作者。

Kim 長期關注輝達（Nvidia）與半導體投資，其電子報 Key Context 以科技投資判斷為核心，近期文章對 AI 基礎設施的態度偏向樂觀。

因此，「第四輪指數級增長」主要是一個由 AI 算力多頭提出的投資假設，而非已經被驗證的產業規律。不過，它出現的時機相當微妙。

在 Astra 發布之前，代理範式才剛經歷一輪「能力撞牆」的質疑：短任務越來越強，但一旦進入長時間、多步驟、真實軟體環境，可靠性就明顯下降，這也引發了前述對算力需求見頂的疑慮。如果代理的能力天花板無法突破，算力持續增長的故事就站不住腳。

Astra 真的能突破這個天花板嗎？

每 1 個人類工作日對應 3.1 個 Agent 工作日

AI 算力的前三輪「指數級增長」，指的是過去幾年每次使用範式轉變時，單一用戶可消耗的運算量都出現顯著提升。

ChatGPT 首次將推理帶入主流市場；Reasoning 模型開始願意為單一問題進行更長的內部運算；到了 Coding Agent，一句簡單指令就能觸發「讀代碼、修改、測試、檢查錯誤、再修改」的持續循環。

與此同時，代理也開始突破「一個人一天只能工作 8 小時」的物理限制。

9 月 6 日，OpenAI 才剛披露一組內部數據。截至今年 8 月中旬，該公司研究人員中，第 50 百分位的人每天使用 Coding Agents 消耗的推理量，若按公開 API 定價計算，已超過 600 美元；第 90 百分位的研究人員每天更超過 7000 美元。根據《商業內幕》（Business Insider）整理的 OpenAI 數據，7 月時的中位數僅約 162 美元，等於一個多月內增長了近 3.7 倍。 圖：截至 8 月中旬，OpenAI 研究部門每 1 個人類工作日對應 3.1 個 Agent 工作日；研究人員每天消耗的推理量中位數，按 API 定價計算超過 600 美元。

這將內部使用量換算成 API 定價，更接近「單一用戶的推理強度」。

6 月之前，OpenAI 研究部門所有代理的總運行時間尚未超過研究人員自身的工作時長；到了 8 月中旬，每 1 個人類工作日已對應 3.1 個 Agent 工作日。越來越多的研究人員也開始同時運行多個代理。

這意味著，在代理範式之後，單一用戶背後開始出現多個可並行工作的「數位進程」，不再受限於「人類輸入速度」的物理限制。如今一個人可以讓三、四個代理持續工作，甚至讓代理再創建子代理。

算力需求的衡量單位，可能因此變成：一個用戶背後同時運行著多少個代理，以及這些代理每天工作多少小時。

Computer Use 擴大了工作空間

儘管 Coding Agent 增長迅速，但它仍有明確的邊界；多數能同時運行多個代理任務的仍是程式設計師，而程式設計師只是全球知識工作者中的一小部分。

Computer Use 則進一步擴大了空間。Astra 發布後，Kim 親自做了一次測試。他原本不會使用 Blender，於是讓 Astra 研究太空梭、打開 Blender，並在 Mac 上完成 3D 建模。大約 10 分鐘後，一個可旋轉的模型就完成了。

普通對話大致遵循「輸入──推理──輸出」；Coding Agent 變成「讀代碼──推理──修改──測試──再推理」；Computer Use 則進一步演化為「看螢幕──理解介面──決定動作──執行──等待結果──再觀察──驗證──修正錯誤」。

一個人類需要十分鐘完成的任務，背後可能涉及 AI 數十輪的視覺理解、推理與工具調用。

一旦這項能力進入 Excel、Salesforce、SAP、Power BI、Photoshop、CAD 以及各種企業內部系統，潛在用戶群將擴大到幾乎所有坐在電腦前的知識工作者。

這就是 Kim 所說的「第四輪需求」的核心：

Coding Agent 想消耗程式設計師的電腦時間，而 Computer Use 的目標是消耗所有白領工作者的電腦時間。

但到目前為止，這仍只是一種可能性。

OpenAI 並未披露 Astra 發布後 Computer Use 任務的量級，也沒有公布單一用戶 token 使用量、GPU 利用率或推理吞吐量的每日曲線。因此，尚無法確切證明「Astra 帶來了第四輪算力增長」。

算力真的開始吃緊了嗎？

Astra 發布後，騰訊科技注意到，一些開發者社群出現了一種難以量化但值得關注的回饋：用戶體驗似乎開始因地區和帳號而出現差異。

部分亞太地區的開發者反映，近期 ChatGPT 與 Codex 的回應速度變慢，複雜任務的穩定性也不如美國帳號。社群將這種體驗戲稱為「降智」。

至少有一部分並非完全主觀。

9 月 4 日，OpenAI 官方狀態頁通報亞太地區服務出現效能下降，影響包括 ChatGPT、Work 與 Codex Cloud 在內的多項產品。四天後，OpenAI 宣布與輝達支援的資料中心營運商 Firmus 達成多年協議，將從馬來西亞的兩座資料中心取得專用算力。

同樣地，目前也沒有證據顯示 OpenAI 因 Astra 帶來的負載增加，而調降亞太用戶的模型推理預算，或改用較弱的模型。

所謂亞太地區的「降智」，至少可能混雜了三種不同因素：區域基礎設施與路由問題、帳號層級的風控與速率限制，以及尖峰時段的動態資源調度。這些在使用者端可能表現為速度變慢、失敗率升高、工具調用中斷，甚至複雜任務的最終答案變差。

不過，這項回饋仍提供了觀察 AI 算力壓力的另一種方式。

當模型越來越有能力持續消耗運算時，供給緊張可能首先表現為不同地區、不同帳號之間在延遲、失敗率與服務品質上的波動。

問題在於，這項判斷目前缺少一組最關鍵的數據：

同一模型、同一方案、同一任務，在不同地區之間，首 token 延遲、總推理時間、工具成功率與最終任務完成率，是否存在穩定差異。

在取得這項數據之前，「降智」只能是一條線索，而非算力吃緊的證據。

圖：9 月 8 日，有用戶分享 GPT-6 Astra 出現「容量已滿」的提示，稱自己四個帳號都無法正常使用，系統建議切換至其他模型。Tibo 在轉發時開玩笑說「我們又回來了」，將「模型滿載」視為 AI 需求重燃的訊號。

資本市場又開始下注了

儘管 Astra 發布後的實際算力使用曲線尚未公開，資本市場已經開始交易「AI 需求尚未見頂」的故事。

MarketWatch 報導，Astra 發布後，iShares 半導體 ETF 上漲約 3.5%，三星、SK 海力士、鎧俠（Kioxia）等記憶體相關公司表現更強。外媒甚至直接將這波行情形容為 Astra 「重新點燃了記憶體晶片交易」。

值得注意的是，這波漲勢最搶眼的並非輝達，而是記憶體。

如果 Computer Use 真的成為運行代理的持續性工作負載，需要增加的不只是 GPU 運算。更長的上下文、KV Cache、並行代理、虛擬機、瀏覽器與軟體環境，都可能持續推高對 HBM、DRAM、CPU、網路與儲存的需求。

因此，資本市場近期的交易，並不全然是「GPT-6 更強了」；主要邏輯仍是：更聰明的模型，是否會讓用戶願意購買更多算力？

這也是這輪 AI 基礎設施故事與傳統軟體最大的不同。

傳統軟體越優化，單一用戶需要的伺服器資源可能越少。

生成式 AI 反而可能呈現相反的「傑文斯悖論」（Jevons Paradox）：模型效率越高、任務成功率越高，人們就越願意把更多、更長、更複雜的工作交給 AI，最終導致總算力消耗上升。

不過，仍須謹慎，因為資本市場也有自己的「屁股」。

AI 基礎設施在此之前已經歷過一輪大漲與調整，半導體股今年也因資本支出過熱、雲端廠商自由現金流下滑而出現明顯回檔。因此，Astra 帶來的這幾天反彈，只能說明投資人開始重新下注，但還不足以證明第四輪算力需求真的出現了。

一筆經濟帳

Kim 的判斷，最終取決於三個更實際的問題。

第一個仍是可靠性。

真實的商業運作不是一次性的展示。一個 Agent 能否在 ERP、財務模型或工程軟體中連續運作數小時，並在彈出視窗、權限變更、資料更新發生時仍保持正確，是完全不同的問題。

第二個是成本。

未來，完成相當於人類使用電腦一小時的工作量，在Computer Use出現之前，實際要花多少錢？

如果 AI 能用 10 美元完成員工 50 美元的工作，需求很容易爆發；如果成本是 100 美元，市場潛力就完全不同。

OpenAI 每天 600 美元的數字表明，Agent 雖然能創造巨大需求，但也暗示這種工作模式在今天可能仍然非常昂貴。

第三個問題：Computer Use 最終會不會消滅掉一部分自己的需求？

目前模型需要看螢幕、找按鈕，是因為現有軟體是為人類設計的。一旦 Salesforce、微軟（Microsoft）、Adobe 或企業內部系統開始直接開放 API、MCP 與 Agent 介面，許多任務就不再需要模擬滑鼠和鍵盤操作。

更可能的結果是 Computer Use 與 Tool Use 的融合：有結構化介面的地方直接調用；沒有介面或難以改造的舊系統，則繼續用視覺操作。

因此，Computer Use 真正打開的市場，可能不是「讓 AI 永遠像人類一樣點電腦」，而是透過這種「我的人類主子授權我點你的軟體，所以你管不著我」的方式，讓 Agent 突破既有的應用生態。Agent 終於能進入自動化過去無法覆蓋的最後一批大型工作環境。

這也正是 Kim 所說的「第四輪指數級增長」真正值得驗證的部分：「Computer Use 是墊腳石，還是真的又一次範式轉移？」

GPT-6 之後，那個因 Agent 撞牆而越來越難講的算力故事，是否又說得通了？

資本市場已經開始重新下注。

生成式 AI 爆發之後，市場持續打臉「算力增長」的空頭。這一次，會不一樣嗎？