OpenAI推出常驻型智能体Dots，直接对标Meta（META）的Muse。公开报道显示，Dots基于GPT-6 Astra运行，可通过ChatGPT、Slack和微软（MSFT）Teams与用户交互，并操作电脑、调用第三方应用，完成调研、文件起草和软件开发（881272）等任务。OpenAI还推出月费500美元的高端订阅，并调整了200美元套餐的部分使用权限。
市场关注点很快从“模型有多强”转向另一个问题：当AI开始替用户持续执行任务，新增的基础设施需求究竟会落在哪里？答案恐怕不只是GPU，也不能仅凭一个产品上线，就推导存储芯片（886042）或服务器厂商业绩必然增长。
一条用户指令，可能只是工作流的起点。
智能体需要先理解目标、拆解任务，再进行规划、检索和浏览；随后读取文件、调用外部应用或执行代码，并对结果进行检查、修正，必要时重复此前步骤。每个环节都可能触发模型调用和工具调用。与一次问答相比，任务链条更长，调用次数、上下文长度和失败重试都会增加。
如果任务在云端持续运行，系统还需要为其分配虚拟机、浏览器环境或代码沙箱。用户关闭网页，并不等于任务立即停止；持续监控、数据收集和后台执行都需要占用计算、存储与网络资源。任务持续时间越长、同时在线的智能体越多，系统需要准备的容量就越大。
这也是Muse引发市场重估的原因之一。相关报道显示，Muse上线12天约获得280万次下载、日活64.2万，并提供订阅服务。数据是否能够代表长期留存和稳定付费，仍待后续验证，但产品形态已经把AI从“陪用户聊天”推进到“替用户完成工作”。
AI基础设施的新账本，首先要按执行环节拆开。
GPU或ASIC承担模型推理中的重型计算，尤其是复杂规划、代码生成和多轮推理；CPU则更多负责虚拟机管理、任务调度、数据预处理以及工具执行。智能体不是只在模型服务器上运行，它还要访问文件、浏览器、企业软件和数据库，因此CPU、内存和网络的作用会被放大。
内存也不是一个笼统概念。HBM主要服务于加速器附近的高带宽数据交换；服务器DRAM承接虚拟机、调度程序和运行中任务的工作集；企业级SSD则用于文件、日志、检索数据和持久化状态。模型推理中的KV Cache可以减少重复计算，但它本身也需要占用显存或内存，并随着上下文长度和并发任务增加而扩大。
集群扩张还会传导到高速网络、光互连、供配电和散热系统。多个智能体同时调用模型、浏览器和外部工具，数据不只是在GPU之间传输，也在计算节点、存储节点和应用系统之间流动。由此形成的需求链条是：智能体任务增加，带动推理与工具调用增加；任务并发上升，推高CPU、DRAM、SSD和网络容量；集群规模扩张，再增加电力、散热和互连投入。
但效率提升并不自动等于基础设施需求上升。
OpenAI披露的GPT-6 Sol和Luna相较此前对应产品，API价格永久下降50%；Anthropic发布的Opus 5.5则被称运行成本较上一代Opus 5降低40%，缓存读取价格下降60%，生成速度提高超过30%。更低价格和更高速度，有可能减少单次任务的Token用量、工具调用次数和等待时间，单位任务的资源消耗因此下降。
可以做一个简化测算：若模型优化使单个任务的资源消耗下降25%，任务总量至少增长约33.3%，总资源用量才会重新超过原有水平。用户规模、单用户任务频次、任务持续时间和系统并发量，是判断需求能否抵消效率红利的四个关键变量。
这就是杰文斯效应在智能体领域的适用边界。成本下降可能让原本不经济的自动化任务变得可行，进而刺激更多调用；但如果用户只是把聊天升级为偶尔使用的助手，或者云平台通过复用模型、提高硬件利用率消化增量，基础设施需求未必同步放大。更低Token价格首先改善的是应用经济性，能否转化为硬件订单，还要看真实任务量和持续运行时间。
产业链判断不能停留在“AI应用上线”四个字。
存储环节需要观察HBM、DRAM、NAND和企业级SSD的订单、价格与产品结构，不能只看名义收入。美光此前披露，已签署16份战略客户协议，其中14份按合同最低价格计算，在剩余合同期限内对应累计收入约1000亿美元。这类长期协议提高了收入可见度，但不等同于所有收入已经实现，也不代表新增产能一定能够及时兑现。
美光上一季度营收为414.56亿美元，同比增长约346%，调整后每股收益25.11美元；公司此前对2026财年第四财季给出的营收指引为500亿美元、上下浮动10亿美元，调整后每股收益为31美元、上下浮动1美元。高增长基数下，市场更应区分季度收入、周均收入、出货量、平均售价和产品结构变化。
后续观察美光财报，重点不只是当季是否超预期，还包括订单持续性、DRAM与NAND价格走势、HBM和企业级SSD的占比变化，以及长期协议对应的有效产能能否兑现。若收入增长主要来自价格上涨，而出货量、客户使用量和产能释放没有同步改善，市场对“智能体带来存储超级周期（883436）”的判断就仍然缺少完整验证。
Dots的商业化也存在另一重约束：自主执行能力越强，安全和审计要求越高。公开报道提到，先进模型能够更复杂地规划、调用工具和访问系统后，行为偏离预期的风险会放大；白宫AI协议则提出内部风险审查、独立外部评估和董事会监督等机制。安全控制可能增加部署成本，也可能放慢部分高风险场景的扩张速度。
因此，智能体带来的并不是一张简单的GPU受益清单，而是一套需要逐层验证的基础设施账本。模型价格下降能否转化为更多任务，更多任务能否形成稳定并发，稳定并发能否转化为CPU、内存、SSD、网络和数据中心订单，最终还要回到用户留存、付费率、调用频次、任务时长、硬件利用率和公司财报。市场可以交易Dots带来的预期，但业绩兑现仍需要这些变量逐一回答。
市场关注点很快从“模型有多强”转向另一个问题：当AI开始替用户持续执行任务，新增的基础设施需求究竟会落在哪里？答案恐怕不只是GPU，也不能仅凭一个产品上线，就推导存储芯片（886042）或服务器厂商业绩必然增长。
一条用户指令，可能只是工作流的起点。
智能体需要先理解目标、拆解任务，再进行规划、检索和浏览；随后读取文件、调用外部应用或执行代码，并对结果进行检查、修正，必要时重复此前步骤。每个环节都可能触发模型调用和工具调用。与一次问答相比，任务链条更长，调用次数、上下文长度和失败重试都会增加。
如果任务在云端持续运行，系统还需要为其分配虚拟机、浏览器环境或代码沙箱。用户关闭网页，并不等于任务立即停止；持续监控、数据收集和后台执行都需要占用计算、存储与网络资源。任务持续时间越长、同时在线的智能体越多，系统需要准备的容量就越大。
这也是Muse引发市场重估的原因之一。相关报道显示，Muse上线12天约获得280万次下载、日活64.2万，并提供订阅服务。数据是否能够代表长期留存和稳定付费，仍待后续验证，但产品形态已经把AI从“陪用户聊天”推进到“替用户完成工作”。
AI基础设施的新账本，首先要按执行环节拆开。
GPU或ASIC承担模型推理中的重型计算，尤其是复杂规划、代码生成和多轮推理；CPU则更多负责虚拟机管理、任务调度、数据预处理以及工具执行。智能体不是只在模型服务器上运行，它还要访问文件、浏览器、企业软件和数据库，因此CPU、内存和网络的作用会被放大。
内存也不是一个笼统概念。HBM主要服务于加速器附近的高带宽数据交换；服务器DRAM承接虚拟机、调度程序和运行中任务的工作集；企业级SSD则用于文件、日志、检索数据和持久化状态。模型推理中的KV Cache可以减少重复计算，但它本身也需要占用显存或内存，并随着上下文长度和并发任务增加而扩大。
集群扩张还会传导到高速网络、光互连、供配电和散热系统。多个智能体同时调用模型、浏览器和外部工具，数据不只是在GPU之间传输，也在计算节点、存储节点和应用系统之间流动。由此形成的需求链条是：智能体任务增加，带动推理与工具调用增加；任务并发上升，推高CPU、DRAM、SSD和网络容量；集群规模扩张，再增加电力、散热和互连投入。
但效率提升并不自动等于基础设施需求上升。
OpenAI披露的GPT-6 Sol和Luna相较此前对应产品，API价格永久下降50%；Anthropic发布的Opus 5.5则被称运行成本较上一代Opus 5降低40%，缓存读取价格下降60%，生成速度提高超过30%。更低价格和更高速度，有可能减少单次任务的Token用量、工具调用次数和等待时间，单位任务的资源消耗因此下降。
可以做一个简化测算：若模型优化使单个任务的资源消耗下降25%，任务总量至少增长约33.3%，总资源用量才会重新超过原有水平。用户规模、单用户任务频次、任务持续时间和系统并发量，是判断需求能否抵消效率红利的四个关键变量。
这就是杰文斯效应在智能体领域的适用边界。成本下降可能让原本不经济的自动化任务变得可行，进而刺激更多调用；但如果用户只是把聊天升级为偶尔使用的助手，或者云平台通过复用模型、提高硬件利用率消化增量，基础设施需求未必同步放大。更低Token价格首先改善的是应用经济性，能否转化为硬件订单，还要看真实任务量和持续运行时间。
产业链判断不能停留在“AI应用上线”四个字。
存储环节需要观察HBM、DRAM、NAND和企业级SSD的订单、价格与产品结构，不能只看名义收入。美光此前披露，已签署16份战略客户协议，其中14份按合同最低价格计算，在剩余合同期限内对应累计收入约1000亿美元。这类长期协议提高了收入可见度，但不等同于所有收入已经实现，也不代表新增产能一定能够及时兑现。
美光上一季度营收为414.56亿美元，同比增长约346%，调整后每股收益25.11美元；公司此前对2026财年第四财季给出的营收指引为500亿美元、上下浮动10亿美元，调整后每股收益为31美元、上下浮动1美元。高增长基数下，市场更应区分季度收入、周均收入、出货量、平均售价和产品结构变化。
后续观察美光财报，重点不只是当季是否超预期，还包括订单持续性、DRAM与NAND价格走势、HBM和企业级SSD的占比变化，以及长期协议对应的有效产能能否兑现。若收入增长主要来自价格上涨，而出货量、客户使用量和产能释放没有同步改善，市场对“智能体带来存储超级周期（883436）”的判断就仍然缺少完整验证。
Dots的商业化也存在另一重约束：自主执行能力越强，安全和审计要求越高。公开报道提到，先进模型能够更复杂地规划、调用工具和访问系统后，行为偏离预期的风险会放大；白宫AI协议则提出内部风险审查、独立外部评估和董事会监督等机制。安全控制可能增加部署成本，也可能放慢部分高风险场景的扩张速度。
因此，智能体带来的并不是一张简单的GPU受益清单，而是一套需要逐层验证的基础设施账本。模型价格下降能否转化为更多任务，更多任务能否形成稳定并发，稳定并发能否转化为CPU、内存、SSD、网络和数据中心订单，最终还要回到用户留存、付费率、调用频次、任务时长、硬件利用率和公司财报。市场可以交易Dots带来的预期，但业绩兑现仍需要这些变量逐一回答。
