关于 Muse 的一种流行说法是：如果给每个用户分配 2 个 vCPU 和 8GB 内存，CPU 需求会非常庞大。Robonomics 的这份估算给出的结论并不一样。按文中的基础情形，Muse 若支撑 1 亿日活，平均总功率大约需要 1 至 2GW，其中 CPU/VM 沙箱层只占约 0.1GW；如果每个用户每天触发的「推理等效」模型调用次数更高，整体功率达到 3 至 4GW 也完全合理。
文章认为，真正的瓶颈不在 CPU，而在推理层。对 AI 基础设施和能源赛道的关注者来说，这份测算把 Muse 的算力、内存和电力需求拆成了更具体的账本。
Muse 沙箱层：1 亿日活不等于 1 亿台 VM 同时跑满
文中首先拆解了 Muse VM 或沙箱基础设施。根据观测到的配置，每个用户会分配 2 个 vCPU、约 8GB 内存，以及约 100GB 持久逻辑存储。
作者指出，第一个常见误区，是把 1 亿日活直接等同于 1 亿台 VM 同时消耗算力。估算采用的基础假设是：平均每个 Muse 日活用户的智能体每天活跃工作 2 小时。按这个口径计算，1 亿用户乘以 2 小时，再除以 24 小时，约等于 800 万台同时活跃的 VM。
但 Meta 不可能只按日均值配置资源。使用量会集中在清醒时段，也会出现突发峰值。文中假设峰值与均值之比为 2.5 倍，那么 800 万台活跃 VM 对应的峰值活跃规模约为 2000 万台。再加上约 20% 的容量冗余，最终得到约 2500 万台常备在线 VM。换句话说，基础假设并不是为全部日活用户同时配置资源，而是让基础设施支撑约 25% 的日活用户同时在线。
CPU 需求：基础情形约 1250 万个物理核心
文章接着区分了虚拟 CPU 分配和物理 CPU 需求。作者认为，智能体沙箱很适合 CPU 超售，因为大量时间都处于等待状态。VM 在等待期间可能仍然存活，但几乎不占用 CPU。
作为参考，DeepSeek 最近发布的 DSec 基础设施被用作基准。文中称，这一生产级智能体沙箱平台运行在约 160 个节点上，配备约 3 万个物理 CPU 核心和 250TB DRAM，峰值并发超过 38 万个沙箱。DSec 还展示了稳定运行能力，即每个节点约 800 个微型 VM。按每个节点约 188 个物理核心计算，188 个物理核心除以 800 个微型 VM，意味着每个存活 VM 约对应 0.23 个物理核心。
作者认为，DeepSeek 的效率非常高，Muse 的数字可能落在每个存活 VM 0.3 至 0.75 个物理核心之间，基础情形取每个存活 VM 0.5 个物理核心，也就是每个物理 CPU 核心大致支撑两个同时存活的 Muse VM。
把这一假设代入前述 2500 万台存活 VM，可得出约 1250 万个物理 CPU 核心的需求。若采用 256 核 CPU，大约需要 5 万颗 CPU；若采用 192 核 CPU，则约为 6.5 万颗。按当前公开价格估算，CPU 采购成本约为 8 亿美元。
内存与功耗：DRAM 约 75 至 100PB，沙箱层约 0.1GW
在内存部分，文章提到，Muse 向用户环境暴露约 8GB 内存，但一个被观测到的实例在测量时实际只用了约 3GB。
按 2500 万台存活 VM、每台实际占用约 3GB 计算，物理 DRAM 需求约为 75PB。文中将 75 至 100PB 视为合理的基础区间。按当前公开价格估算，这部分 DRAM 成本约为 20 亿美元。
功耗方面，作者给出的结论是，在 1 亿日活规模下，整个 Muse 沙箱或 VM 层大约需要 0.1GW。
真正的大头在推理层
文章认为，Muse 的模型推理通过 Meta 的外部推理基础设施完成。按照 Meta 对 Muse 架构的描述，个人电脑负责本地执行工具和存储状态，实际模型运行则放在独立的推理基础设施上。
在单次推理事件能耗的估算上，文中引用微软 2026 年研究称，优化后的前沿规模推理，每次普通查询的能耗中位数约为 0.31Wh。若是一次长推理查询，其 token 数量约为普通查询的 15 倍，能耗约为普通查询的 13 倍，对应每次长推理查询约 4Wh。
文章还提到，该研究特别指出，推理和智能体工作负载的能耗显著更高。基于这一点，作者为 Muse 这类工作负载设定了一个粗略敏感度区间：每次重度推理等效事件的能耗为 5 至 10Wh。
按每人每天 50 次推理等效事件计算，仅推理就可能达到 1GW
在敏感度分析中，文章假设每个日活用户每天产生 50 次推理等效事件，也就是每个活跃 Muse 用户每天形成相当于 50 次重度推理事件的负载。
若按每次 5Wh 计算，1 亿用户乘以 50 次每天，再乘以 5Wh，得到 2500 万 kWh/天。将其除以 24 小时，约等于 1.0GW 平均功率。
据此，作者认为，仅推理一项就可能需要约 1 至 2GW 的平均功率。因此，一个总功率达到 3 至 4GW 的 Muse 是完全合理的。文章还提到，也许这正是 Meta 被传明年要新增 7 至 10GW 算力的原因。
结论：消费级智能体会拉动 CPU 和 DRAM，但推理仍是瓶颈
文章最后总结称，把每个用户的 2 个 vCPU 和 8GB 内存直接换算成专用物理基础设施，会显著夸大 CPU 需求，因为这种算法把逻辑 VM 分配误当成了独占式物理资源。
更值得关注的是，消费级智能体可能会成为 CPU 和传统 DRAM 的一类新需求来源，但真正的算力瓶颈仍然是推理层。按作者的说法，随着智能体承担更多工作、运行更长轨迹，并越来越多地派生其他智能体，推理需求的增长速度可能会超过用户数量本身的增长。
