Was bedeutet Meta Muse für GPU und CPU?

Im Gegensatz zu Chatbots mit hoher Leerlaufrate führt die „Always-On“-Eigenschaft von Agenten wie Meta Muse zu einem um Größenordnungen steigenden Verbrauch an Rechenleistung. Nach Schätzungen von Citi wird dieser Trend das CPU-GPU-Verhältnis von 1:8 in der Trainingsphase auf 1:1 entwickeln und den CPU-Markt bis 2030 auf ein Volumen von 300 Milliarden US-Dollar anheben. Gleichzeitig könnten allein 100 Millionen täglich aktive Nutzer von Muse Nvidia GPU-Einnahmen von bis zu 19 Milliarden US-Dollar bescheren.

Mit der Veröffentlichung persönlicher KI-Agenten wie Meta Muse entwickelt sich die KI von passiv reagierenden Chatbots zu rund um die Uhr autonom operierenden Agenten, was den Verbrauch von CPU, GPU, Speicher und Netzwerkinfrastruktur anheben dürfte.

Laut dem neuesten Forschungsbericht von Citi vom 6. Oktober treiben Agentenanwendungen, vertreten durch Meta Muse, die Markterwartungen für Computerhardware auf ein neues Niveau. Die Bank prognostiziert, dass bis 2030 das gesamte potenzielle Marktvolumen (TAM) von CPUs weltweit von 29 Milliarden US-Dollar im Jahr 2025 auf 300 Milliarden US-Dollar expandieren wird, was einer jährlichen Wachstumsrate von bis zu 60 % entspricht.

Auf der GPU-Seite bringen Agenten ebenfalls einen strukturellen zusätzlichen Bedarf. Die Bank berechnet, dass wenn Meta Muse 100 Millionen täglich aktive Nutzer erreicht, etwa 200.000 bis 390.000 GPUs der Blackwell-Klasse benötigt werden, was Nvidia einmalige Einnahmen von 7 bis 19 Milliarden US-Dollar bescheren könnte.

Dieser Trend kommt den Kernanbietern von Rechenleistung direkt zugute. Die Bank weist darauf hin, dass AMD, da Meta einer der größten Kunden im Servergeschäft von AMD ist, zu den Hauptnutznießern der CPU-Renaissance wird, und sein Zielpreis wurde auf 800 US-Dollar angehoben; gleichzeitig wird Nvidia von dem sprunghaft gestiegenen GPU-Bedarf kontinuierlich profitieren.

01

Der Aufstieg von Agenten: CPU wird zum neuen Engpass

Vor dem Ausbruch der Agenten-KI war die CPU hauptsächlich auf herkömmliche Arbeitslasten und die Rolle als Head Node für KI-Anwendungen beschränkt. In der Head Node ist die CPU nur für die „Verwaltung“ zuständig, sie sendet Nutzeranfragen an die GPU und gibt die Ergebnisse zurück, während die aufwändigen Matrixmultiplikationen und Inferenzaufgaben von der GPU übernommen werden.

Agenten ändern jedoch diese Arbeitsteilung. Citi weist in dem Bericht darauf hin: „Im Vergleich zu herkömmlichen Chatbots gehen wir davon aus, dass Agenten-KI ein Treiber für einen potenziell um Größenordnungen steigenden Berechnungsbedarf ist.“ Agenten müssen Orchestrierung, Inferenzschleifen, Datenverarbeitung und Sicherheitskomponenten verarbeiten, was die CPU zu einem neuen Engpass macht.

Mit dem Übergang der KI vom Modelltraining zur Inferenz und weiter zu autonomen Arbeitsabläufen von Agenten ändert sich das Verhältnis von CPU zu GPU erheblich. In der Modelltrainingsphase beträgt dieses Verhältnis 1:8, in der Inferenzphase 1:4, und bei der Agenten-KI entwickelt sich dieses Verhältnis in Richtung 1:1 oder sogar noch höherer Werte. Die Bank prognostiziert, dass bis 2030 die Anzahl der ausschließlich für Agenten eingesetzten CPUs mit einer jährlichen Wachstumsrate von 247 % wachsen und 52 % des gesamten CPU-Marktes einnehmen wird.

02

Die GPU-Rechenleistungsbilanz von Meta Muse

Meta Muse ist der erste Verbraucher-KI-Agent, der im Maßstab eines echten sozialen Netzwerks veröffentlicht wurde, und sein Rechenfußabdruck ist eine der wichtigsten Variablen in der aktuellen KI-Infrastruktur. Im Gegensatz zu Standard-Chatbots läuft Muse als autonomer Agent kontinuierlich, und seine zugrundeliegende Logik bestimmt, dass sein Verbrauch an GPU-Leistung weitaus größer ist.

Citi hat ein von unten nach oben aufgebautes Modell für den GPU-Bedarf erstellt. Im Basisszenario wird angenommen, dass ein typischer Nutzer täglich 4 einfache Anfragen und 12 Agentenaufgaben (z. B. Suche nach Restaurants, Überprüfung des Kalenders und Erstellung von Einladungen) stellt, wobei jede Agentenaufgabe etwa 8 Modellaufrufe umfasst. Da das Modell zwischen den Aufrufen kein Gedächtnis hat, muss es jedes Mal den wachsenden Gesprächskontext neu einlesen.

Auf dieser Grundlage berechnet die Bank, dass jeder Muse-Nutzer etwa 0,0020 GPUs der GB200-Klasse benötigt. Kurz gesagt, eine einzelne GPU kann nur etwa 500 Nutzer bedienen. Die Bank betont: „Agenten sind strukturell anspruchsvollere Inferenzarbeitslasten als Chatbots.“ Im gleichen Rahmen beträgt die erforderliche GPU-Kapazität für Chat-Nutzer nur 12,5 % bis 25 % der von Agentennutzern.

03

Die Kettenreaktion von Speicher und Netzwerk

Die Arbeitsabläufe von Agenten stellen nicht nur höhere Anforderungen an Logikchips, ihre Kettenreaktion erstreckt sich auch auf den Speicher- und Netzwerkbereich. Auf der Speicherseite hat die CPU eine sehr hohe Zusatzrate bei LP, DDR und SSD. Micron hat kürzlich darauf hingewiesen, dass die Arbeitsabläufe von Agenten, vertreten durch Meta Muse, den Verbrauchern mehr Wert verschaffen, während die CPU mehr Einschränkungen für DRAM verursacht.

Auf der Netzwerkseite erhöht die Agenten-KI den Netzwerkverkehr erheblich. Das Management von Nvidia teilte in einem Gespräch mit Citi mit: „Agenten können stundenlang oder ununterbrochen laufen … wodurch weitaus mehr Token-Generierung in Arbeitslasten von Verbrauchern und Unternehmen angetrieben wird.“

Dieser kontinuierliche Betrieb bedeutet, dass immer mehr Akteure, die auf die Infrastruktur zugreifen, Agenten und keine Menschen sind. Dies treibt das Wachstum des „Nord-Süd“-Verkehrs innerhalb des Rechenzentrums (z. B. Dienste wie Speicherzugriff, Sicherheit, Konfiguration) voran und schafft neue Beschleunigungsmöglichkeiten für den Einsatz von DPU (z. B. BlueField 4) und Spectrum-X-Ethernet.

Dieser Artikel stammt aus dem WeChat-Offiziellen Konto „Hard AI“, Autor: LONG Yue, Redakteur: Redaktion von Hard AI, veröffentlicht mit Genehmigung von 36Kr.