假期被玩壞了的奧特曼，正在玩弄全世界的算力

如今，春天英偉達的GTC，秋天OpenAI的DevDay，是硅谷最重要的盛會。它們預告了未來。

在剛過去的OpenAI開發者日上，除了發布了ChatGPT Apps SDK、AgentKit、GPT-5 Codex，奧特曼提到的幾組截至2025年的數據，揭示AI行業正在駛向何方：

• 平臺400萬開發者；

• 8億ChatGPT周活用戶；

• API調用每分鐘60億token。

讓我們就此做一點大膽的假設與簡單的計算。

第一， OpenAI整體每月tokens消耗。

基于API的調用，顯然不是OpenAI對外提供AI服務的全部。去年，OpenAI曾披露它的基于ChatGPT的消費者訂閱業務，收入占比約為75%。而按照OpenAI對未來的收入路線規劃，ChatGPT訂閱收入占比將逐步下滑，取而代之的是API、Agents與其他新業務占比。當然，目前OpenAI正在布局Agents相關產品線，并開始探索廣告與電商業務，但相比其他兩大業務，可以說仍然處于商業化早期階段。

不妨讓我們假定，目前，OpenAI來自API的收入，仍然占據25%，而且，收入占比對應著token的消耗數量。

那么，OpenAI基于API的token消耗量，每周將達到60*60*24*7 =60萬億tokens，每月則約為260萬億。相應的，基于ChatGPT訂閱的token消耗量，每周將達到180萬億tokens，每月約780萬億。整個OpenAI每月的token消耗合計約為1040萬億。

這意味著OpenAI與谷歌處于相同烈度的競爭之中。谷歌的AI工廠同樣在瘋狂地生產token，從5月的480萬億tokens，驟增至6月的980萬億。當時，Veo 3發布不久，Nano Banana尚未發布。谷歌目前月均token消耗量肯定已經突破千萬億量級。而OpenAI這次公布的數據應該也沒有統計Sora 2放量所帶來的。

第二， ChatGPT用戶畫像。

OpenAI的ChatGPT目前擁有約8億周活用戶，每周消耗約180萬億tokens，折算下來人均每周使用約22.5萬tokens。一項研究將典型推理任務設定為輸入10k、輸出1.5k tokens，據此估算，平均每位用戶每周大約執行20次此類推理任務，也就是在每個工作日向ChatGPT提出約四個重要問題。

當然，這一抽象的平均值，掩蓋了幾個實際應用場景中的結構性差異：少數中重度用戶貢獻了絕大部分token消耗；不同重要程度的問題，交互深度與輪次并不相同。

第三， 開發者用戶畫像。

若將API調用主要視作由開發者生態貢獻，那么，相對2023年，OpenAI平臺上的開發者人數增長了2倍，而API消耗的token數量卻增加了20倍。簡言之，短短兩年間，平均每位開發者消耗的token數量增長了10倍。

促成人均消耗量大幅增長的，也許正是深度推理與智能體在各行各業，尤其首先是編碼行業的滲透。

在演講中，奧特曼宣布GPT-5 Pro將開放API。它就非常適合協助完成非常困難的任務，在金融、法律、醫療保健等領域，以及更多需要高準確性和深度推理的領域。此外，OpenAI的GPT-5 Codex正式發布，從8月以來，Codex的日使用量增長了10倍以上。

這個趨勢仍在增強。智能體的摩爾定律就預言了它能處理的任務的復雜度每7個月翻倍；多智能體間的協作，至少將推理消耗進一步放大到簡單對話的15倍以上。

難怪在綁定英偉達10GW的數據中心后，OpenAI又與AMD打得火熱，約定了總計高達6GW的數據中心。奧特曼已經開始營銷它強大10倍的GPT-6，并將數據中心規模提升至2033年的到驚人的250GW。

第四， Sora 2的峰值GPU需求。

從文本推理到多模態生成，算力消耗的曲線將更急劇陡峭。奧特曼還宣布Sora 2也將開放API。多模態將不斷向現有應用場景滲透，也有望創造出新的應用市場。

但由于 OpenAI 越來越不透明，不再公開技術細節，對 Sora 2 算力消耗的估算也不得不建立在一系列大膽而高度敏感的假設之上。總體而言，它與模型與視頻的性能參數，以及工作負荷模式密切相關。

在初代Sora發布的時候，風險投資機構Factorial Funds的Matthias Plappert，就曾出，72萬張H100才能滿足它的峰值需求。他假設，初代Sora的參數規模為200億，且以24幀/秒編碼，采樣步數為250步，它與典型的DiT模型類似，即6.75億參數的模型，8倍的壓縮率，以及單幀畫面524×10^9 次浮點運算。他還假設Sora在TikTok與Youtube上的滲透率分別為50%與15%。他還考慮了算力實際利用率，峰值需求與候選視頻需求。

可見，模型規模、采樣步數、硬件效率，以及OpenAI在AI社交短視頻上的野心，將是決定Sora 2整體算力需求最關鍵的變量與杠桿。

整體而言，擴散模型仍然滿足擴展定律。年初，對標初代Sora的Step-Video-T2V參數規模達到了300億，也許Sora 2的參數規模也有小幅增長。業界也在探索通過算法改進推動采樣步數的下降。此外，從Hopper架構到Blackwell架構算力性能的提升，以及針對性地推出定制芯片，都在提升算力效率。

不妨先讓我們假定，Sora 2的參數規模增長2.5倍至500億參數；它主要在GB200的FB8精度下推理，約較H100的FP16精度提升了5倍；其他變量此消彼長，整體不變。再讓我們假定，Sora 2繼續向TikTok與Youtube輸出相同體量的內容，且OpenAI最新的獨立應用Sora，將成為短視頻平臺的有力競爭者，即每天生成的AI視頻總時長，等同于對外輸出的體量。

換言之，Sora 2 的峰值算力需求仍高達約72萬張 GPU，只是硬件代際從H100 更換為 GB200。

這當然只是一個靜態的、片面的估算。隨著 AI 視頻生成性能的提升，其應用將從社交分享擴展到影視制作等專業領域；社交和短視頻平臺也將卷入這場新的軍備競賽，把算力競爭推向新的量級。

難怪奧特曼的目標，是今年底百萬張卡。