AI agents 正在改写数据中心扩张背后的能耗逻辑

数据中心建设热潮通常被归因于生成式 AI 的普及，但真正改变能耗逻辑的，可能是更具体的一类工作负载：AI agents。Wired 在 9 月 13 日的报道中指出，硅谷正在建设的大量算力并不只是为了回答简单聊天问题，而是为了支持能够拆解任务、反复调用模型、使用工具并长时间运行的智能体系统。这个差别很关键。一个聊天框里的问题看起来只有一次输入，而一个 agent 完成项目时，背后可能已经产生了几十次、几百次甚至更多内部调用。

过去很多关于 AI 能耗的讨论都围绕“单次查询”展开。公司高管常把一次聊天请求的用水或用电量，与日常生活中的某个小动作相比，以说明单次使用成本并不高。但 agentic AI 会让这种比较失去解释力。一个代码 agent、研究 agent 或企业自动化 agent 可能会先规划，再搜索，再写作、测试、修改，还可能调用其他辅助 agent。用户看到的仍然是一个请求，但真实计算路径已经大幅扩张。

Wired 提到的前沿实验展示了这种扩张的上限。OpenAI 曾描述过一个由大量 agent 参与的数学问题相关项目，过程中涉及上万 agent 和数百万条消息。这个案例并不代表普通用户每天的使用方式，相关成果也受到部分数学家的质疑，但它说明基础设施讨论为什么正在变化。如果前沿实验室把 agent 当作推动研究、编程、企业自动化和个人助理体验的主要路径，那么“任务”而不是“查询”才可能成为衡量成本的单位。

影响并不只体现在电费上。数据中心需要土地、水资源、输电容量、备用电源和地方政治许可。很多社区已经在讨论，AI 基础设施带来的就业、税收或技术收益，是否足以抵消它对电网、水系统和排放目标造成的压力。当科技公司设想未来每个人都拥有能在云端持续工作的个人 agent 时，规划难度会进一步上升。一个会在用户离线时继续执行任务的服务，与只在用户输入时才响应的搜索框，基础设施足迹完全不同。

行业目前仍缺少透明、可比较的 agent 工作负载能耗数据。研究者可以根据模型规模、硬件效率和调用次数估算，但封闭系统很少公开真实路由、缓存策略、空闲时间、工具调用和模型组合。缺少这些信息，政策制定者、企业客户和社区就很难判断新的数据中心项目究竟是服务于真实需求、投机性容量，还是服务于一个每个人和每家公司都运行多个后台 agent 的未来。

对 AI 公司来说，这已经不是单纯的环保问题，而是商业战略问题。Agent 是提高收费、自动化更多工作、把 AI 从助手变成运营基础设施的核心叙事。但同样的承诺也把电力接入、芯片供应、本地基础设施和环境审查变成产品战略的一部分。如果 agentic AI 成为主流交互界面，胜出的公司可能不只是模型最强的公司，还会是那些能更好披露、优化和治理用户点击提交之后所发生计算的公司。