假期被玩坏了的奥特曼，正在玩弄全世界的算力

如今，春天英伟达的GTC，秋天OpenAI的DevDay，是硅谷最重要的盛会。它们预告了未来。

在刚过去的OpenAI开发者日上，除了发布了ChatGPT Apps SDK、AgentKit、GPT-5 Codex，奥特曼提到的几组截至2025年的数据，揭示AI行业正在驶向何方：

• 平台400万开发者；

• 8亿ChatGPT周活用户；

• API调用每分钟60亿token。

让我们就此做一点大胆的假设与简单的计算。

第一， OpenAI整体每月tokens消耗。

基于API的调用，显然不是OpenAI对外提供AI服务的全部。去年，OpenAI曾披露它的基于ChatGPT的消费者订阅业务，收入占比约为75%。而按照OpenAI对未来的收入路线规划，ChatGPT订阅收入占比将逐步下滑，取而代之的是API、Agents与其他新业务占比。当然，目前OpenAI正在布局Agents相关产品线，并开始探索广告与电商业务，但相比其他两大业务，可以说仍然处于商业化早期阶段。

不妨让我们假定，目前，OpenAI来自API的收入，仍然占据25%，而且，收入占比对应着token的消耗数量。

那么，OpenAI基于API的token消耗量，每周将达到60*60*24*7 =60万亿tokens，每月则约为260万亿。相应的，基于ChatGPT订阅的token消耗量，每周将达到180万亿tokens，每月约780万亿。整个OpenAI每月的token消耗合计约为1040万亿。

这意味着OpenAI与谷歌处于相同烈度的竞争之中。谷歌的AI工厂同样在疯狂地生产token，从5月的480万亿tokens，骤增至6月的980万亿。当时，Veo 3发布不久，Nano Banana尚未发布。谷歌目前月均token消耗量肯定已经突破千万亿量级。而OpenAI这次公布的数据应该也没有统计Sora 2放量所带来的。

第二， ChatGPT用户画像。

OpenAI的ChatGPT目前拥有约8亿周活用户，每周消耗约180万亿tokens，折算下来人均每周使用约22.5万tokens。一项研究将典型推理任务设定为输入10k、输出1.5k tokens，据此估算，平均每位用户每周大约执行20次此类推理任务，也就是在每个工作日向ChatGPT提出约四个重要问题。

当然，这一抽象的平均值，掩盖了几个实际应用场景中的结构性差异：少数中重度用户贡献了绝大部分token消耗；不同重要程度的问题，交互深度与轮次并不相同。

第三， 开发者用户画像。

若将API调用主要视作由开发者生态贡献，那么，相对2023年，OpenAI平台上的开发者人数增长了2倍，而API消耗的token数量却增加了20倍。简言之，短短两年间，平均每位开发者消耗的token数量增长了10倍。

促成人均消耗量大幅增长的，也许正是深度推理与智能体在各行各业，尤其首先是编码行业的渗透。

在演讲中，奥特曼宣布GPT-5 Pro将开放API。它就非常适合协助完成非常困难的任务，在金融、法律、医疗保健等领域，以及更多需要高准确性和深度推理的领域。此外，OpenAI的GPT-5 Codex正式发布，从8月以来，Codex的日使用量增长了10倍以上。

这个趋势仍在增强。智能体的摩尔定律就预言了它能处理的任务的复杂度每7个月翻倍；多智能体间的协作，至少将推理消耗进一步放大到简单对话的15倍以上。

难怪在绑定英伟达10GW的数据中心后，OpenAI又与AMD打得火热，约定了总计高达6GW的数据中心。奥特曼已经开始营销它强大10倍的GPT-6，并将数据中心规模提升至2033年的到惊人的250GW。

第四， Sora 2的峰值GPU需求。

从文本推理到多模态生成，算力消耗的曲线将更急剧陡峭。奥特曼还宣布Sora 2也将开放API。多模态将不断向现有应用场景渗透，也有望创造出新的应用市场。

但由于 OpenAI 越来越不透明，不再公开技术细节，对 Sora 2 算力消耗的估算也不得不建立在一系列大胆而高度敏感的假设之上。总体而言，它与模型与视频的性能参数，以及工作负荷模式密切相关。

在初代Sora发布的时候，风险投资机构Factorial Funds的Matthias Plappert，就曾出，72万张H100才能满足它的峰值需求。他假设，初代Sora的参数规模为200亿，且以24帧/秒编码，采样步数为250步，它与典型的DiT模型类似，即6.75亿参数的模型，8倍的压缩率，以及单帧画面524×10^9 次浮点运算。他还假设Sora在TikTok与Youtube上的渗透率分别为50%与15%。他还考虑了算力实际利用率，峰值需求与候选视频需求。

可见，模型规模、采样步数、硬件效率，以及OpenAI在AI社交短视频上的野心，将是决定Sora 2整体算力需求最关键的变量与杠杆。

整体而言，扩散模型仍然满足扩展定律。年初，对标初代Sora的Step-Video-T2V参数规模达到了300亿，也许Sora 2的参数规模也有小幅增长。业界也在探索通过算法改进推动采样步数的下降。此外，从Hopper架构到Blackwell架构算力性能的提升，以及针对性地推出定制芯片，都在提升算力效率。

不妨先让我们假定，Sora 2的参数规模增长2.5倍至500亿参数；它主要在GB200的FB8精度下推理，约较H100的FP16精度提升了5倍；其他变量此消彼长，整体不变。再让我们假定，Sora 2继续向TikTok与Youtube输出相同体量的内容，且OpenAI最新的独立应用Sora，将成为短视频平台的有力竞争者，即每天生成的AI视频总时长，等同于对外输出的体量。

换言之，Sora 2 的峰值算力需求仍高达约72万张 GPU，只是硬件代际从H100 更换为 GB200。

这当然只是一个静态的、片面的估算。随着 AI 视频生成性能的提升，其应用将从社交分享扩展到影视制作等专业领域；社交和短视频平台也将卷入这场新的军备竞赛，把算力竞争推向新的量级。

难怪奥特曼的目标，是今年底百万张卡。