2026年9月24日，Akamai公告扩大与Anthropic的合作：Anthropic在七年内承诺采购价值116亿美元的云服务，用于支持增长中的CPU工作负载。协议还允许双方在商定条件下再扩大最多90亿美元，对应的潜在承诺合计约200亿美元。公告没有给出具体CPU型号、服务器数量、地域分布、每类Agent任务的占比或逐年采购曲线。把这笔交易直接等同于“某款浏览器Agent需要多少台机器”，现有公开证据不支持；但它明确把通用计算能力放进AI基础设施投资的中心位置。
外界谈AI算力经常从训练芯片与推理加速器开始。一个长时间执行的Agent却还要启动运行环境、访问网页、解析文档、运行代码、保存状态、调用外部工具以及处理网络连接。模型推理可能依靠GPU或其他加速器，上述执行链很多环节由CPU、内存、存储和网络承载。Akamai公告使用的是“Anthropic加速增长的CPU工作负载”，没有逐项列出浏览器、沙箱或工具调用比例；本文把这些工作负载视为解释该需求的典型工程场景，而非公司披露的具体业务构成。
交易条款需要分开读
116亿美元是七年期合同承诺，不是Akamai已经收到的现金，也不是2026年的确认收入。另有最多90亿美元的潜在扩容，取决于双方未来按约定条件增加购买；不能把它提前并入现有合同。公告还称，这项协议叠加于此前公布的、其他客户合计超过28亿美元的多年云基础设施服务承诺。不同合同起止时间与履约条件不同，简单相加无法得到单年度营收预测。
股权安排有更细的门槛。Akamai向Anthropic发出可购买无投票权、可转换B系列优先股的认股权，对应转换后约770万股Akamai普通股，潜在比例最高约占普通股在外流通量的5%，按普通股计的行权价为每股111.33美元。公告称与已公布的116亿美元承诺相关的一部分，约为普通股的2%，预计归属；其余约3%随七年认股权期限内扩大最多90亿美元的购买而逐步归属，每增加30亿美元、在双方商定条件下购买云服务，对应约1%归属。认股权的潜在归属不等于Anthropic已经持有5%普通股，更不等于无偿获得这些股份。涉及稀释、行权和财务价值时，还须看正式协议及后续披露。
资本开支方面，Akamai估计与现有116亿美元承诺有关的总资本开支约55亿美元，并预计在2026年增加约17亿美元资本开支，提前锁定包括内存在内的关键供应链组件。它同时表示预计不影响公司2026年营收指引。55亿美元是预计投入，并不直接等同于设备已全部交付；17亿美元是2026年新增资本开支预期，也不能误写成当年合同收入。按披露的总承诺和预计资本开支粗略比较，合同额约为资本开支的2.1倍，但这不是毛利率：电力、机房、运维、折旧、融资和其他成本都尚未计入，合同履行时间也跨越七年。
CPU为什么会成为Agent成本中心
一个多步骤任务可能先在GPU上完成规划，然后反复运行浏览器、解释网页元素、启动脚本、编排API和保存中间结果。即便每一步模型调用时间很短，工具等待期间的运行容器、浏览器进程和会话状态仍可能占用内存与CPU。百万级并发任务与低并发长任务消耗资源的方式不同：前者考验启动速度与隔离密度，后者考验会话保持、超时回收和持久状态。把所有耗时都记在“每百万token推理价格”里，会低估Agent服务的整体成本。
更精确的成本模型至少拆分为模型token、工具CPU秒、容器或虚拟机占用时长、内存GB小时、存储读写、跨区域流量、第三方API费用以及人工介入。工具调用失败后重试，会同时放大CPU和外部服务账单；因权限不足或验证码而长时间等待的任务，还会占住运行槽位。平台因此需要两个时间指标：用户看到的端到端完成时间，以及实际消耗CPU的运行时间。前者影响体验，后者与资源账单更相关，两者不可互换。
内存被公告点名也有现实背景。Agent服务可能需要在大量隔离环境里保留浏览器页面、程序依赖、短期缓存和任务状态。CPU资源可以按核数采购，内存带宽与容量、服务器交付周期和供应链可用性却会限制实际装机。Akamai提前采购关键组件，说明大型长期合同正在影响供应链决策；公开公告没有披露具体内存规格或采购价格，不能把它推演成某一产品的短缺结论。
分布式云优势与边界
Akamai介绍其从核心到边缘的分布式基础设施、遍布多个节点的网络以及异构硬件。对需要访问区域性网页、连接企业服务、提供低延迟响应的应用，靠近用户或目标服务部署CPU运行环境，可能减少往返时间，也方便安排区域故障切换。但Agent的任务往往由多个服务组成，模型推理、浏览器执行和数据存储若分散在不同位置，跨区流量、数据驻留和链路抖动可能抵消局部低延迟。是否需要边缘部署，必须按实际调用图测试。
一条常见调用路径是用户请求进入调度器，模型决定操作，CPU实例运行浏览器或代码，读取结果后再回到模型，循环若干次。如果每轮都跨区域，少量毫秒的工具优化可能被网络往返放大抵消。平台应对每轮规划、执行、观察分别打点，记录模型端、工具端、外部API与排队时间，并对数据传输大小计费。对有强监管要求的数据，网络位置与出口控制先于极限延迟：在哪里启动容器、向哪里传文件、第三方服务能否收到内容，都应有明确策略。
长约也带来供需双方的风险。供应商提前建设容量，若增长低于预期，会承受闲置设备与折旧压力；客户获得长期供应确定性，但也需评估未来架构变化、价格下降以及对单一平台的依赖。认股权随采购扩大而逐步归属，为双方扩展关系提供激励，同时使投资者必须分别考察云服务现金流与潜在股权稀释。这些是合同结构可能带来的经济影响，并非公告承诺的实际收益。
把大额合同拆成可观察的容量曲线
云供应商的大额承诺要通过逐批上线的机架、设备与软件服务交付，公开合同金额本身不能展示每个季度的利用率。评估基础设施企业时，可以持续观察资本开支、已交付容量、云业务收入增长、设备折旧周期和经营现金流的配合。若资本开支先行，收入通常滞后确认；若客户需求扩张慢于预期，设备占用与财务回报也可能偏离初始模型。Akamai公告还提示，供应链采购包括内存，说明容量计划依赖硬件交期。需要把这些变量作为后续跟踪项目，不能仅根据一日股价或合同标题推断长期盈利。
对客户，长期承诺量与实际用量的差额同样关键。平台应建立容量预测：每月新增任务量、平均任务CPU秒、峰值并发、单位任务内存、错误重试率、弹性余量；然后按乐观、基准、保守三种需求情境测算。预测若只用每日请求数，忽略每个Agent任务持续几分钟、途中反复打开浏览器，就会低估峰值。反过来，按峰值永久采购所有资源，也会让闲置成本上升。合同中能否将不同规格和不同区域的资源互换，可能比标价折扣更影响有效利用率。
硬件之外，软件抽象决定容量能否被用满。Agent沙箱应能快速启动、限制进程与文件访问、完成后清理；调度器需要识别短任务与长任务，避免长任务独占所有槽位；队列应将重要业务和批量后台工作隔离。观察面板必须显示等待GPU推理、等待外部网站、CPU忙碌、内存受限四类状态，否则运行人员看到的只是一堆“正在处理中”的任务，很难知道该扩容哪一层。
企业部署Agent的五项核算
首先，建立分层账单。不要只统计模型推理费，至少按任务记录CPU秒、内存占用、沙箱启动、外部流量和错误重试。将请求按简单问答、单次工具、连续多工具与长周期后台任务分桶，对不同桶单独核算成本与完成率。平均成本容易掩盖长尾任务：最慢的1%请求可能占用大量计算槽位。
其次，确定资源伸缩单位。浏览器会话要在任务结束后可靠销毁；可复用的依赖与只读环境可预热，但用户数据不能随着容器池跨租户残留。为队列设置并发上限、排队超时、重试预算和任务取消接口。若没有明确停止条件，Agent可能反复尝试失败网页，把CPU预算耗在没有结果的循环中。
第三，验证安全隔离。运行代码与浏览器应使用最小权限、短时凭据和按目的地控制的网络出口；对高敏感数据标明允许读取的工具和禁止上传的服务。CPU平台越便于大量启动运行环境，越需防止批量Agent获得过宽的文件、凭据与外网权限。审计记录应连接模型决策、执行实例、工具请求和出站字节，方便回放事故。
第四，测量放置策略。比较同一任务在集中云、区域节点与边缘节点上的p50/p95完成时间、失败率、跨区流量和合规条件。不要仅凭供应商节点数量判断成本优势。大量任务依赖单一模型推理区时，执行容器离用户近、离模型远，可能增加整个工作流时间。数据驻留要求还可能限定模型与执行环境必须在同一区域。
第五，检查退出机制与商业条款。要求服务商提供实例规格、承诺量、弹性扩容、可观测性、数据导出、灾备和迁移说明；对长期保底合同设置阶段性容量验收与故障赔付。企业自身规模通常远小于Anthropic，不应模仿116亿美元长约的绝对金额，却可以借鉴“按CPU、内存和工具执行需求单独规划”的方法。
采购评审还要问清可靠性责任如何跨越边界：模型提供商可以承诺推理接口可用性，执行云负责沙箱与网络，外部网站和企业内部API又有各自故障域。任务失败时，应能定位是模型拒答、浏览器崩溃、网络超时还是权限异常，并有幂等重试策略。对于付款、发邮件、修改数据库等有副作用的动作，不能因为外部请求超时就自动再执行一次；调度器应先查事务结果，再决定重试。CPU容量充足无法单独解决此类业务一致性问题。
最后要考虑跨境与行业数据。分布式节点便于就近运行，但不同区域的日志、缓存、对象存储和备份可能受到不同约束。企业应明确每个任务的数据区域、允许的第三方目的地、加密密钥归属与删除时限，要求供应商证明执行实例及其临时盘在任务结束后已清理。低价CPU实例如果缺少可审计的网络控制，可能把节省的资源费用换成更大的合规风险。
对中小团队，较低门槛的试点方法是选择一条真实但可逆的业务流程，在两周内逐任务采集运行环境成本：首次启动耗时、浏览器内存峰值、CPU活跃时长、模型调用次数、外部API等待时间和人工接管次数。再按每百次成功完成的任务计算总费用，而非按每百次启动计算。失败任务往往也完整消耗了资源；若隐藏这一部分，基础设施方案的优劣容易被错误排序。遇到成本异常时先看循环重试、网页超时与并发配置，最后再考虑采购更大机器。
供应链与需求预测也应留出技术变化空间。更高效的浏览器复用、任务分解、运行时编排可能降低每任务CPU秒；任务总量增长又可能把节省的单任务资源重新吃掉。长期合同对应的是对需求的判断和容量锁定，并非对每种Agent架构永远有效的技术定律。Akamai公布的交易为观察市场提供了一个明确数值锚点，企业自己的容量决策仍需由可测的工作负载曲线支持。
Akamai与Anthropic的公告说明，AI基础设施增长可以由CPU型任务直接驱动，同时与网络、内存及运行软件绑定。它并未证明GPU需求下降，也没有公开Anthropic各类Agent工作负载的准确拆分。对企业的实际启发是把Agent视作横跨模型、执行环境和外部服务的应用系统，先用可观测数据算清单位任务的完整成本，再决定把计算放到哪里、采购多少、签多久。
参考资料
- Akamai官方公告：Akamai Announces $11.6 Billion Multi-year Agreement with Anthropic to Support Growing Demand（2026-09-24；合同、潜在扩容、认股权、资本开支与CPU工作负载的原始出处）。
- Akamai投资者关系新闻页（公告备选原始链接；网页工具访问超时，事实以官网可读取公告为准）。
- 网站已发布《AI技术每日分析》2026-09-27（选题与原有来源线索；其Akamai短链接返回404，本文采用上面的完整官方URL）。