3000 万到 1.7 亿个并发智能体：Epoch AI 把 HBM 产能换算成了「劳动力」

Epoch AI 这份研究的结论可以一句话概括：按 2025–2027 年出货的 HBM 算，全部部署后能支撑约 3000 万到 1.7 亿个并发前沿模型智能体，折算成工作量是每周 1.4 亿到 7.2 亿个全职员工的产出。听起来像科幻，但真正有价值的是它的推算方法，以及这个方法暴露出的三个约束。

数字是怎么来的

链条不复杂：HBM 出货量 → 每个 token 的显存占用（权重 + KV Cache）→ 单个智能体的请求节奏 → 并发数。区间之所以跨了 5 倍多，主要卡在三个假设上：单智能体的负载强度、上下文长度、以及「并发」的口径——是峰值并发还是全天候持续并发，两者能差一个数量级。

三个容易被忽略的约束

1. 显存不是唯一瓶颈。HBM 只解决容量问题；芯片间互联带宽、电力供应与冷却能力，通常和显存卡在同一数量级上。算力园区里最先撞墙的往往不是芯片，是电。
2. 供给能力不等于需求。能撑 1 亿个智能体，不代表有人愿意为 1 亿个智能体付费。报告的对照项正是需求侧收入——这也是它给出「产能过剩风险」判断的依据。
3. 成本下降会自我消灭。单位成本一降，用法会从「按次调用」变成「长期常驻」——智能体开始 7×24 挂着做监控、做巡检、做交易。这是典型的杰文斯悖论：便宜不会减少消耗，只会改变消耗的形态。

对读者的实际影响

• 做 Agent 产品的团队：商业模型里必须显式写出「常驻成本」，只算单次调用价格会严重低估支出；
• 看算力与存储标的的人：供给宽松的年份，很可能同时是单价与利润率被压缩的年份，产能不等于利润；
• 做基础设施规划的：把「并发智能体数」当成容量单位来规划电力与散热，比按 GPU 张数规划更贴近真实负载。

一句话判断：制约智能体规模化的，短期内不是模型够不够聪明，而是显存、电力与愿付价格这三条线谁先见底。

参考来源

• Epoch AI：Estimating the agent population（epoch.ai/publications/estimating-the-agent-population）