当大模型从简单问答聊天机器人，进化到可以自主完成复杂任务的智能体，AI 行业正在迎来一轮范式变革。灰度（Grayscale）研究主管 Zach Pandl 发布研究指出，随着 AI 模型使用成本持续走低叠加自主智能体技术快速落地，市场或将迎来新一轮算力需求大爆发，即便模型本身越来越便宜，支撑 AI 运行的实体算力基础设施依旧会处于紧平衡状态。

AI 市场的需求正在快速攀升，背后两股核心力量在驱动：一是模型调用成本不断下探，二是 AI 拥有了自主完成任务的智能体能力。这两大变化，直接推高市场对于计算资源、实体 AI 基础设施的渴求。以 Anthropic 最新 Sonnet 模型为例，单任务调用成本最高下降 30%；OpenAI 推出的 “dots” 全天候智能体产品，可以不间断向着用户设定目标推进工作，这类产品的普及，或将带来算力需求的跨越式增长。

模型价格下降正在解锁更多 AI 商业可能性。大量开放权重模型参与市场竞争，持续压低 Token 调用费用 —— 也就是开发者调用 AI 读写文本所要付出的成本。模型调用成本的下降，让一大批过去因成本过高无法落地的应用、自动化业务流程，拥有了商业化落地的条件。成本门槛降低之后，开发者敢于把 AI 嵌入更多业务场景，市场整体 AI 使用体量随之扩张。

真正放大算力消耗的，是智能体本身。普通聊天机器人只负责单次问答交互；而智能体需要拆解目标、分步执行多项工作。举个例子，一场客户会议的筹备，智能体需要翻阅历史资料、分析投资组合变动、撰写会议议程，整套流程要完成多轮思考与工具调用。根据任务复杂度不同，智能体完成一件工作消耗的 Token 数量，可达普通聊天交互的5‑50 倍。而像 dots 这类 7×24 小时在线的常驻智能体，会脱离单次对话限制持续运算，进一步放大推理侧的资源开销。

推理，也就是运行 AI 模型所需要的计算资源，已经进入高速增长通道。高盛做出预测，受智能体大规模普及带动，到 2030 年，全球 AI Token 总消耗量有望实现 24 倍增长。这里出现一个反常识现象：即便 AI 模型本身的运行效率持续提升，只要 AI 的使用规模、任务数量扩张速度超过效率提升速度，整体算力的总需求就依旧会向上增长。

值得注意的是，所有炫酷的 AI 数字能力，都建立在实体硬件之上。电力供给、数据中心建设、GPU 硬件生产部署都需要漫长周期，无法跟随软件迭代瞬间扩张。这就造就了一个看似矛盾的市场现象：AI 调用越来越便宜，但算力供给持续偏紧。行业案例 CoreWeave 近期签订的新合同，算力报价不降反升，正是这一现状的现实印证。

这本质上是 AI 领域的杰文斯悖论：技术进步降低单位消耗成本，反而刺激总需求爆发。模型变得更省钱、智能体能力更强，催生海量全新应用场景，这部分增量足以抵消模型效率提升带来的节约，持续抬高稀缺算力资源的价值，拥有算力基础设施的主体将会充分享受红利。

研究核心结论： 更廉价的 AI 模型、功能强大的自主智能体，将持续加速算力需求扩张。软件层面的成本下降不会消解硬件的稀缺性，电力、数据中心、GPU 等支撑 AI 扩张的实体算力基础设施的所有者，将成为这一轮智能体浪潮当中重要的受益方。