---
title: "第四轮算力增长来临？GPT-6、Computer Use与银行的三种身份"
date: "2026-09-08"
description: "腾讯科技文章提出AI正进入第四轮指数级算力需求增长：Chatbot、Reasoning、Coding Agent之后，Computer Use重构白领工作。本文从银行三重身份深读：算力与Agent的重度买家、算力重资产的资金供给方、模型风险的最后承担者，剖析对成本结构、信贷逻辑与风控框架的实质含义，并给出行动清单。"
tags: ["GPT-6","算力","Computer Use","Agent","银行数字化","算力信贷","AI基础设施","风险管理","大模型","银行转型"]
schema_type: "Article"
AIGC:
Label: "1"
ContentProducer: 001191440300708461136T1XGW3
ProduceID: c7b5f4d3e2a1b6c8d9e0f1a2b3c4d5e6_1a2b3c4d5e6f7a8b9c0d1e2f3a4b5c6d7
ReservedCode1: 8VQhFkTWWb5Lwah6y4HbSNIDZHopVIkKYMnjTZSx7fx+ZwoPCma2mRe2069M0iTvAjxZTwkHiaakukgeeMgfz3WXpxQmdLabwp3xnlzbHx+h3y+6gOAYvrwCn9fRLkFteQiPMrVAEBZyslh22A48y6IBQOLKJT/C/SHS2ojtwA5l73AftZdlyiQN9JU=
ContentPropagator: 001191440300708461136T1XGW3
PropagateID: c7b5f4d3e2a1b6c8d9e0f1a2b3c4d5e6_1a2b3c4d5e6f7a8b9c0d1e2f3a4b5c6d7
ReservedCode2: 8VQhFkTWWb5Lwah6y4HbSNIDZHopVIkKYMnjTZSx7fx+ZwoPCma2mRe2069M0iTvAjxZTwkHiaakukgeeMgfz3WXpxQmdLabwp3xnlzbHx+h3y+6gOAYvrwCn9fRLkFteQiPMrVAEBZyslh22A48y6IBQOLKJT/C/SHS2ojtwA5l73AftZdlyiQN9JU=
---
# 第四轮算力增长来临？GPT-6、Computer Use与银行的三种身份
## 核心摘要
- **算力需求第四轮增长仍是假设而非定论**
- **银行是最早也是最重的企业级AI买家**
- **算力重资产扩张正在改写银行信贷逻辑**
- **模型质量区域波动成为银行供应链风险**
## 引言：算力涨价，银行为什么要紧张？
2026年9月3日 GPT-6 Astra 发布后，半导体与内存股率先反弹：9月4日 SOXX 单日上涨 3.5%，Micron 涨 6.1%，SanDisk 涨 11.9%；9月7日韩国 KOSPI 上涨 4.61%，三星电子涨 5.7%，SK海力士涨约 8%。MarketWatch 将这次上涨形容为 Astra"重新点燃了 memory-chip trade"。腾讯科技随后刊发《GPT-6之后，算力暴涨的故事又讲得通了？》，借前 Barron's 科技记者 Tae Kim 的假设提出：AI 可能正在进入过去四年里的**第四轮指数级算力需求增长**。
表面看，这是一篇科技投资"大叙事"文章——半导体多头、算力见顶质疑、股市反弹。但深读之后会发现，它对银行业的信号远比"买没买芯片股"重要。原因在于，银行在这轮算力涨价中同时扮演三个角色：**它是 AI 算力与 Agent 的重度买家，是算力重资产最重要的资金供给方，也是模型可靠性风险的最后承担者。** 三个角色被同一轮"第四轮增长"同时击中，只是被击中后的含义各不相同。
本文不讨论"第四轮增长会不会兑现"——那需要时间验证。本文只回答一个更切实际的问题：**假如这轮算力需求增长部分兑现，对银行意味着什么？** 我们将它拆成三个身份的三种账来算。
> 图片说明：上图左侧是GPT-6带来的算力压力，右侧分列银行在算力经济中的三重身份及其各自风险关注点。
## 一、先看原文：第四轮增长假设靠什么支撑
Tae Kim 的逻辑建立在 AI 使用范式一次比一次"更耗算力"的递进上：Chatbot 让数亿人开始消耗推理算力；Reasoning 让每一次回答需要更长时间的内部计算；Coding Agent 让模型从"回答一次"变成连续工作几十分钟甚至数小时；而 Computer Use 把持续运行的 Agent 从程序员扩展到 Excel、Blender、CAD、Power BI 和浏览器里的普通知识工作。定义上，"Coding Agent 想吃掉程序员的电脑时间，Computer Use 想吃掉所有白领的电脑时间"。
支撑这个假设的关键证据，原文给出三组：
| 证据 | 数据 | 说明 |
| --- | --- | --- |
| Agent 用量强度 | OpenAI 9月6日数据：50分位研究员每天 Coding Agent 推理量按 API 价折算超 600 美元/天，90 分位超 7000 美元/天；7月中位约 162 美元，一个多月增长近 3.7 倍 | 内部用量"按单用户折算"，意味着一个人背后可以并行跑多个 Agent（8月中旬每 1 个人类工作日已对应 3.1 个 Agent 工作日） |
| Computer Use 边界拓展 | Kim 让 Astra 在 Mac 上研究航天飞机并完成 Blender 3D 建模，约 10 分钟出模型 | 从代码编辑器进入 Excel/Salesforce/SAP/Power BI 等界面化知识工作，用户池从程序员扩大到所有白领 |
| 供给端信号 | 9月4日 OpenAI 状态页单独报告亚太性能下降；后与 Nvidia 支持的数据中心运营商 Firmus 签多年协议，从马来西亚两座数据中心获取专用算力；9月8日有用户晒出 Astra"容量已满"提示 | "降智"类反馈可能混杂区域路由、风控限速、高峰调度三类因素，只能作为"算力吃紧"的线索，而非证实 |
原文自己也给出了三个诚实的"但是"：第一，OpenAI 未公布 Astra 发布后 Computer Use 任务量、单用户 Token、GPU 利用率或推理吞吐量的日级曲线——尚未板上钉钉；第二，"降智"只能算线索，缺同一模型、同一套餐、同一任务在不同区域的首 Token 延迟、总推理时间、工具成功率的对照数据；第三，Kim 本身是 AI 基础设施多头，Newsletter 长期看涨，"第四轮指数增长"首先是一个投资假设。
这三条"但是"，恰恰是银行读这篇文章最该记住的部分。
## 二、银行的第一个身份：AI 算力的重度买家
### 2.1 银行是被算力涨价直接冲击的第一类用户
银行是最早、也是企业级 AI 部署密度最高的行业之一。信贷审批、智能客服、反洗钱、投研、运营文档、合规审计，几乎每个条线都在跑大模型与 RAG；更前沿的银行已经在用 Agent 做信贷尽调、风控规则生成、报表自动核对。原文"3.1 个 Agent 工作日"的换算一旦在银行内部规模化，IT 成本结构的含义是直接且量化的：**当 Agent 从"工具"变成"数字员工"后，银行的算力开支将从"项目制采购"变成"随人数扩张的经常性流水线支出"。**
与此同时，原文点出了对买方最不利的一个经济学效应：**杰文斯悖论**。传统软件越优化，同一用户需要的服务器资源越少；而生成式 AI 相反——模型效率越高、任务成功率越高，人就越愿意把更多、更长、更复杂的工作交给 AI，最终总算力消耗反而继续增加。也就是说，银行不可能通过"等模型更便宜"来等到算力成本自然回落；相反，模型越聪明，银行的推理消耗越可能刚性上升。
### 2.2 从"买软件"到"经营算力"：银行 IT 预算的范式转移
这带来三个必须提前量化的预算变化：
1. **计费单位变了**：从"软件许可+服务器折旧"变为"Token 消耗+GPU 利用率+Agent 运行时长"。原文中"600 美元/天""7000 美元/天"这种按 API 价折算的单用户日消耗，未来会出现在银行 FA（财务分析）的科目里。
2. **支出从资本性变经常性**：云上推理按用量付费是费用（OPEX）；自建算力则是资本开支（CAPEX）加折旧。银行需要在两者间做组合管理，而不是单点押注。
3. **人效改善要扣减算力成本**：如果用 Agent 替代人力的测算只算"省了多少人力"，不算"烧了多少推理费"，ROI 就是虚高的。原文的"一笔经济账"——AI 用 10 美元完成 50 美元的工作则需求爆发，花 100 美元则市场完全不同——同样适用于银行内部的每个 Agent 场景立项审批。
**对银行而言，"算力成本函数"应被纳入与"人力成本函数"并列的战略规划变量，并建立按条线、按场景的推理成本核算与预算上限。**
## 三、银行的第二个身份：算力重资产的资金供给方
### 3.1 数据中心与存储扩产，是典型的银行重资产业务
这轮行情最醒目的不是 Nvidia，而是内存：HBM、DRAM 的涨价与扩产、数据中心协议（如 Firmus 在马来西亚的两座数据中心）、以及"Computer Use 需要更长上下文、KV Cache、并发 Agent、虚拟机、浏览器与软件环境，继续推高 HBM/DRAM/CPU/网络/存储需求"的传导链。这些全部是**资本密集的重资产扩张**——建数据中心、扩存储产能、采购半导体设备，都需要巨额贷款、银团、融资租赁和项目融资。
对银行信贷部门，这意味着一个值得重视的行业景气窗口，同时也意味着三类必须提前校准的风险：
| 风险维度 | 具体含义 | 银行动作 |
| --- | --- | --- |
| 叙事与现金流错位 | 原文明确：几天反弹只能说明"投资者重新下注",不足以证明"第四轮需求已出现";半导体今年已因资本开支过热、云厂商自由现金流下降回撤过一次 | 授信不建立在"第四轮增长"叙事上,回归订单、产能利用率、自由现金流、合同负债 |
| 周期与库存 | 存储（HBM/DRAM/NAND）是强周期品,价格弹性大,扩产周期长,容易"景气—过剩"摆动 | 抵押物估值、存货质押盯周期位置;长周期项目设分阶段提款与达标条件 |
| 集中度 | 算力供给集中于少数芯片/存储/云厂商,单一主体牵动整条产业链 | 行业额度、单一客户/单一区域集中度限额要跟上 AI 基础设施的"赢家通吃"结构 |
### 3.2 把"算力"当成一类授信资产来建方法
过去十年银行把"互联网+消费"做成了标准化的信贷资产包；未来的增量可能转向"AI 基础设施+算力"。但算力资产的评估方法与传统制造业厂房不同：
- **可验证现金流仍要优先于概念**：数据中心看签约率与长期电力/机柜合同，存储扩产看客户订单能见度，而不是看"第四轮指数增长"口号。
- **设备残值与技术换代风险**：GPU/内存迭代快，二手残值波动大，融资租赁的留购估值与折旧年限要按技术周期而非会计周期定。
- **区域与地缘溢价**：原文中亚太服务波动、跨境数据中心（如马来西亚）提示了算力资产的跨境电力、牌照、地缘与供应链韧性要素，跨境项目融资要纳入国家风险与外汇风险。
**一句话：银行应当把"算力基础设施"作为一类独立的行业授信与项目融资方法学来建设，而不是把它挂在"科技企业"大筐里沿用旧办法。**
## 四、银行的第三个身份：模型风险的最后承担者
### 4.1 银行经营在最不能"降智"的地方
原文关于可靠性的那段，对银行是直接警钟："一个 Agent 能不能连续几小时操作 ERP、财务模型或者工程软件，并在中途出现弹窗、权限变化和数据更新时仍然保持正确，是完全不同的问题。" 银行恰恰是最容不得"中途弹窗出错"的行业——信贷审批出错的代价是实际敞口，反洗钱漏报是监管处罚，风控模型的静默失效是系统性风险。
银行自己的 Agent 化方向（这在 WorkSurface、Agent 编排等此前分析中反复讨论过）必须在三个维度上加码：
1. **可审计性**：Agent 的每一步推理与工具调用要留痕、可回放，不能因为"模型越来越聪明"就跳过过程审计。
2. **人在环上**：越接近授信、支付、合规的环节，越要保留人工确认的闸口；Computer Use 再顺滑，也不构成银行取消复核的理由。
3. **测试的对抗化**：用真实业务里的"弹窗、权限变化、数据更新"做故障注入测试，而不是只测理想路径。
### 4.2 "区域降智"是银行供应链风险的新形态
原文最值得银行风控注意的细节不是算力涨了多少，而是这一句：**"当模型越来越能持续消耗计算时，供给吃紧可能先表现为不同地区、不同账号之间延迟、失败率和服务质量出现波动。"** 对把关键业务跑在外部大模型/公有云上的银行来说，这意味着第三方 AI 服务成了银行供应链的一部分——而供应链风险的教科书定义，正是"供应商的服务质量波动会传导到你的生产中断"。
银行的行动可以是：
- 把外部模型/云服务当作**关键第三方（Critical Vendor）**管理：第一负责的人类作者之外，还需要 SLA、响应降级预案、数据驻留承诺；
- 建立**多区域、多供应商冗余**：避免"亚太降智"式区域波动直接中断审批流水线；
- 把"区域首 Token 延迟、工具成功率、任务完成率"纳入供应商监控指标体系（原文正好指出这些数据目前尚未公开——本身就是一个提示银行"该去索取"的指标集）；
- 在合同里锁定**服务质量可观测条款**：既然 OpenAI 官方有状态页，银行就有理由要求关键服务的可观测性与故障补偿。
模型可靠性问题对银行不是"AI 研究问题"，而是**操作风险（Operational Risk）**。它应当进入银行操作风险与第三方风险管理框架，向风险管理委员会汇报，而非停留在 IT 部门。
## 五、对银行投研与大类资产的映射
资本市场"提前下注"（Astra 后 iShares Semiconductor ETF 一度 +3.5%、memory-chip trade 重燃）对银行的财富管理与资产配置端同样有意义，但要点是**区分"叙事交易"与"现金流兑现"**：
- 叙事交易阶段：波动大、主题驱动，半导体/AI 算力主题基金适合作为卫星仓位而非压舱石；
- 现金流兑现阶段：只有模型供应商的推理收入、数据中心出租率、存储出货量等实际数据跟上来，"第四轮增长"才从主题落地为盈利，此时才谈得上主线配置。
银行的投研产品在向客户解释时，也应当主动提示原文的那个判断："Astra 带来的几天反弹，只能说明投资者重新开始下注，还不足以证明第四轮算力需求真的已经出现。" 把"假设"与"验证"分开，是投教内容合规的第一步。
## 结语：给银行的四条行动清单
无论"第四轮算力增长"最终是否兑现，这轮 GPT-6 行情都已经把三个结构性事实摆到银行面前：
1. **成本侧**：把算力成本函数纳入战略规划,建立按场景的推理成本核算;不要指望"模型变便宜"来自动对冲,杰文斯悖论意味着消耗会跟着能力一起上升。
2. **资产侧**：把"AI 基础设施+算力"建成独立授信方法学,授信回归现金流与周期,警惕"叙事交易"与"集中度"双重风险。
3. **风险侧**：把外部模型服务当关键第三方管理,建立跨区域跨供应商冗余,把"区域服务质量波动"纳入操作风险框架。
4. **配置侧**：投研与财富产品区分"叙事"与"现金流兑现",向客户如实说明增长假设尚未验证。
银行不是算力叙事的旁观者,它同时是这场涨价的最直接买家、最重要的金主和最严格的裁判。看懂这篇文章对银行意味着什么,本质是看懂自己的三种身份在同一轮技术浪潮中各自的成本与风险。
## 常见问题
Q: GPT-6 发布后半导体股上涨，和银行有什么关系？
A: 两个渠道。其一，银行是 AI 算力与 Agent 的重度买家，算力持续涨价直接推高 IT 成本；其二，数据中心、存储扩产是资本密集的重资产扩张，需要银行贷款、银团、租赁支持，是银行信贷与项目融资的新兴优质投向，但也伴随周期与集中度风险。
Q: 什么是"杰文斯悖论"，为什么它对银行不利？
A: 指模型越高效、人越愿意委派更多工作，总算力消耗反而增加的现象。对银行意味着：不能指望"等模型更便宜"来对冲算力成本，推理消耗会随能力提升而刚性增长，算力预算需要单列并持续上调。
Q: 银行为什么要关心"亚太降智"这种开发者社区的反馈？
A: 因为它可能是外部模型或云服务"供给吃紧→服务质量区域波动"的前兆信号。银行把关键业务跑在第三方大模型上时，这类波动会传导为业务中断，属于操作风险与第三方风险管理范畴，应当做跨区域、跨供应商冗余并监控关键服务指标。
Q: "第四轮指数级算力增长"已经被验证了吗？
A: 没有。原文明确指出 OpenAI 尚未公布 Computer Use 任务量、单用户 Token、GPU 利用率等日级曲线，"降智"只是线索而非证据。因此银行无论做信贷、配置还是内部算力预算，都应按"假设未验证"对待，回归现金流与可验证数据决策。
Q: 银行内部应如何给 Agent 化转型立项做成本账？
A: 用原文"一笔经济账"的方法：同时计入人力节省与推理成本（Token 消耗、GPU、Agent 运行时长按 API 折算），只有当"AI 单位成本"显著低于"人工单位成本"（如 10 美元 vs 50 美元）且可靠性达标时才放行，并设置按条线的推理预算上限。
*作者 Chao Pih，前沿人工智能探索者。本文仅代表作者个人观点，不构成任何机构立场。*
*本文基于外部公开信息与媒体报道（含腾讯科技《GPT-6之后，算力暴涨的故事又讲得通了？》）进行分析，观点以原文数据为准，不构成任何投资建议。*