OpenAI Dots 的「私人電腦」有多大？Geekbench 揭露 9 核 AMD EPYC、近 10GB RAM，AI Agent 正悄悄掀起 CPU 軍備競賽

大型語言模型時代談到 AI 算力，大多數人的第一反應都是 GPU。

H100、H200、B200、GB200，甚至下一代 Vera Rubin，幾乎包辦了所有 AI 基礎設施新聞。

但 OpenAI 最新推出的 Dots，正在揭露另一個可能迅速膨脹的運算市場：

AI Agent 自己使用的 CPU 電腦。

OpenAI 在 2026 年 DevDay 正式推出 Dots。與一般 ChatGPT conversation 不同，Dot 被定位為可以長時間持續工作的 always-on agent。

OpenAI 官方描述非常直接：每個 dot 都有自己的 cloud computer、自己的 browser，以及使用者授權連接的應用程式。

Dot 可以在使用者離開聊天室之後繼續工作、同時推進多個專案、操作網站、執行程式，並透過 OpenAI plugin ecosystem 與超過 4,000 個應用服務連接。

而現在，我們第一次可能看到這台「AI 私人電腦」底下究竟分到了多少硬體。

---

一個 Dot，可能拿到 9 個 AMD EPYC CPU Core

Tom's Hardware 根據 Geekbench 7 公開資料庫與社群流出的 benchmark 結果發現，一組被認為來自 OpenAI Dots 的執行環境顯示：

CPU：AMD EPYC 9V74

CPU allocation：約 9 cores

Memory：約 9.73GB

OS：發布前紀錄為 Ubuntu，發布後紀錄則顯示 Debian Linux

發布前的一次 Geekbench 7 測試得到：

Single-Core：1,667

Multi-Core：9,435

該紀錄是在 9 月 25 日上傳，也就是 Dots 正式發表前約四天。

不過這次測試的多核成績似乎略高於之後的正式環境，因此不應把 9,435 直接當成典型 Dot 性能。

Tom's Hardware 隨後在 Geekbench 公開資料庫中找到六組相同配置的發布後紀錄。

這些紀錄的 Single-Core 約落在：

1,512～1,614

Multi-Core 則約為：

8,135～8,991

中位數大約是：

1,570 Single-Core

8,550 Multi-Core

這讓我們得到一個相當合理的推測：

至少目前部分 Dots workload，可能真的被配置在一個 9 vCPU / 約 10GB RAM 級別的虛擬機環境。

但這裡必須特別強調：

這不是 OpenAI 官方發布的 Dots hardware specification。

Geekbench 能讓我們看到某些執行個體當時暴露出的硬體配置，但 OpenAI 完全可能依使用者方案、工作負載、地區、capacity、排程策略或 Agent 任務類型動態改變 VM 規格。

因此比較準確的說法是：

公開 benchmark 顯示至少部分 Dots 曾運行在這種規模的 VM 上。

---

9 Core 看起來奇怪，其實非常合理

一般消費級 PC 很少看到「9 核 CPU」。

原因很簡單，這不是一顆真正的 9-core EPYC 處理器。

資料中心裡的 AMD EPYC 本身可能擁有數十甚至上百個核心，Hypervisor 再把其中一部分 CPU resources 切成 VM。

因此可以想成：

一台大型 EPYC Server

↓

128 / 192 / 更多 CPU cores

↓

Virtualization layer

↓

Dot A：9 vCPU

Dot B：9 vCPU

Dot C：9 vCPU

Dot D：9 vCPU

……

從 Agent 內部 Linux 看起來，它就像真的擁有一台 9-core computer。

這種模式其實非常適合 autonomous agent。

因為 AI Agent 執行的不只有模型 inference。

模型本身可能跑在另一套 GPU infrastructure 上，而 Agent 的 cloud computer 還必須負責：

• Chromium 與網頁 rendering
• JavaScript execution
• Python
• Git
• Node.js
• File processing
• Image manipulation
• Compilation
• Office / document automation
• Shell commands
• Software testing
• Local databases
• 下載、解壓縮與資料轉換

這些 workload 很多其實都是傳統 CPU 工作。

因此 Agent architecture 很可能逐漸變成兩層：

AI Brain

GPU / accelerator 上的 frontier model inference

↓

AI Computer

CPU VM + RAM + Storage + Browser + Software

這兩層共同組成真正可以工作的 autonomous agent。

---

Dots 的 VM 不只是 Terminal

Dots 的概念之所以重要，在於這台 cloud computer 並不是只有一個 shell。

OpenAI 官方表示，Dots 擁有自己的 browser，而且使用者可以隨時打開 Dot 的 computer 查看它正在做什麼。

另外，DevDay 後有使用者詢問自己的 Dot 目前環境中有哪些軟體，得到的清單包含 Chromium、Blender、GIMP、Inkscape、Kdenlive、Godot、FreeCAD、OpenSCAD、KiCad、QGIS、ParaView、3D Slicer，以及 Python、Node.js 與 Git 等工具。

這份清單屬於使用者觀察結果，而不是 OpenAI 保證每個 Dot 永遠具有完全相同的 software image。

但它很好地展示了 OpenAI 對 Agent Computer 的想法。

這已經不只是：

Linux + browser。

而更接近：

一台真正可以做工作的遠端 workstation。

例如一個 Dot 理論上可以：

讀取設計需求

↓

開啟 repository

↓

修改程式

↓

執行測試

↓

開 Chromium 驗證網站

↓

處理 Blender / GIMP asset

↓

提交 PR

而人類只需要在關鍵節點進行確認。

這就是為什麼 CPU allocation 開始變得重要。

如果 Agent 只能拿到 1～2 個非常慢的 core，那麼任何 build、render、browser automation 或大型 Python task 都可能變成瓶頸。

---

Dots vs Meta Muse：8,550 對 1,394

更加有趣的是 Meta Muse。

Tom's Hardware 先前分析 Muse sandbox 的 Geekbench 資料，顯示 Muse 可能運行於 AMD EPYC Turin host 上，每個 sandbox 約配置：

2 CPU cores

約 8GB RAM

Geekbench 公開紀錄的中位數大約是：

Single-Core：1,041

Multi-Core：1,394

相比之下，Dots 發布後的中位數約為：

Single-Core：1,570

Multi-Core：8,550

也就是 Single-Core 大約高出 1.5 倍，而 Multi-Core 接近 6.1 倍。

乍看之下像是 OpenAI 把 Meta 打成碎片，但這裡不能直接把 Geekbench 分數解讀成「Dots AI 能力是 Muse 六倍」。

真正的原因非常直白：

Muse：2 cores

Dots：9 cores

光 CPU 數量就已經差了 4.5 倍。

另外兩者的 CPU generation、clock、virtualization overhead、host utilization 與 VM scheduling 都可能不同。

所以這是一場 Agent workstation performance 的比較，而不是 AI intelligence benchmark。

GPT-6 Astra 與 Meta 使用的 Agent model 有多聰明，是另一個完全不同的問題。

---

真正值得注意的是：一個使用者可能不只會有一個 Dot

現在事情開始有趣了。

OpenAI 表示，目前使用者可以先建立自己的 primary dot，但長期願景是讓多個 Dots 組成團隊，一起替使用者工作。

假設未來一名使用者擁有：

Coding Dot

Research Dot

Design Dot

Finance Dot

Operations Dot

如果每個 Agent 都需要一個類似：

9 vCPU + 10GB RAM

的 always-available environment，資源需求就會迅速放大。

例如純粹做一個非常粗略的 capacity illustration：

100 萬個 Agent

×

9 vCPU

=

900 萬個虛擬 CPU allocation

當然，現實不會是 900 萬顆核心同時滿載。

Cloud provider 可以 oversubscribe、pause idle VM、cold start、動態調整 CPU quota，甚至在 Agent 沒工作的時候把 execution environment freeze。

這也是目前最重要的未知數之一：

Dots 在 idle 狀態時，究竟保留多少實體 CPU capacity？

如果 VM 只是維持 filesystem state，而 CPU 在需要工作時才動態配置，成本會低很多。

如果大量 Agent 真的可以長時間背景執行任務，那麼 CPU datacenter demand 就會變成完全不同的問題。

---

AI 資料中心可能正在進入「GPU + CPU」雙重軍備競賽

過去幾年 AI infrastructure 的故事主要是：

更多 GPU。

更多 HBM。

更大的 cluster。

更高速的 interconnect。

但 Agent 時代可能加入另一條需求曲線：

每一個 AI 都需要一台電腦。

模型 reasoning 可能需要 GPU。

但瀏覽器、IDE、compiler、document processor、database、Python runtime、file system 與 application automation 都需要傳統 general-purpose compute。

這可能讓高核心數 Server CPU 重新變成 AI infrastructure 裡非常關鍵的一環。

AMD EPYC、Intel Xeon，以及未來 NVIDIA Vera 這類 datacenter CPU，都可能受益於 Agent workload。

甚至可以出現一個很有趣的情境：

GPU 負責「想」。

CPU 負責「做」。

Storage 負責「記住工作現場」。

Browser / VM 則成為 AI 與既有數位世界互動的身體。

LLM 本身於是只剩下一顆遠端大腦。

Agent Computer 才是它真正的手腳。

---

為什麼 OpenAI 願意給 Dot 9 Core？

如果 Geekbench 配置確實具有代表性，那麼 9 vCPU 其實算是一個非常值得注意的資源配置。

它不像傳統 Serverless function，只給非常短暫的小量 CPU。

這種規格已經足以讓不少 desktop-class workload 跑得相當舒服。

原因可能就在 Dots 的產品定位。

如果 OpenAI 希望使用者真的把：

「幫我做這個。」

交給 Agent，然後幾十分鐘後拿到成品，那麼等待時間就直接影響產品體驗。

假設一個 coding agent 編譯專案需要：

2 cores：6 分鐘

9 cores：2 分鐘

對單次任務來說差距只有四分鐘。

但 autonomous agent 一天可能跑數十次：

clone

build

test

browser validation

重新修改

重新 build

這時 CPU performance 就會直接轉化成 Agent throughput。

這也是 OpenAI 官方一句看似普通的產品描述值得注意的原因：未來希望增加 dots 數量，並提高每個 Dot 的 output 與 speed。

如果 speed 最後不只靠模型 inference，而也包含 cloud computer performance，那麼 AI subscription 未來甚至可能逐漸出現類似 Cloud VM 的 compute tier。

---

未來可能出現「AI Agent 規格表」嗎？

今天我們買雲端主機會比較：

2 vCPU / 8GB

4 vCPU / 16GB

8 vCPU / 32GB

未來 Agent 產品也可能逐漸出現類似概念：

Agent Lite

2 vCPU / 8GB

Agent Pro

8 vCPU / 16GB

Agent Workstation

16+ vCPU / GPU access

這目前仍然只是可能的產品方向，OpenAI 並沒有宣布這種方案。

但從產業經濟角度看非常合理。

因為當 Agent 真正可以使用 Blender、Godot、compiler、browser 與資料分析軟體時，模型 token 已經不再是唯一成本。

使用者消耗的其實是一整套：

Model inference + CPU time + RAM + Storage + Network + Software runtime。

AI subscription 的成本結構也會因此逐漸接近 cloud computing。

---

Geekbench 洩漏真正告訴我們的，不是 Dots 有多快

9-core EPYC、9.73GB RAM、8,550 分。

這些數字本身很有趣，但它們不是這件新聞真正重要的地方。

真正值得注意的是：

過去我們把 AI 想成一個 API。

你丟文字進去，它丟文字回來。

現在 AI 正在變成一個有自己：

Computer

Browser

Filesystem

Applications

Background jobs

Persistent context

的長時間運行實體。

因此資料中心的計算單位也可能開始改變。

過去是：

每一次 inference 需要多少 GPU？

未來可能還要問：

每一個 Agent 需要多少電腦？

如果 Dots、Muse、Grok agents、Cursor cloud agents 與其他自主 Agent 最終真的以數百萬甚至數千萬規模存在，那麼我們可能正在看到另一場算力競賽的開端。

只是這一次，主角不一定是 GPU。

可能是那些過去安靜躺在機櫃裡、負責處理一般 workload 的高核心數 CPU。

AI 的大腦已經吃掉大量 GPU。

現在，它開始要求自己的電腦了。

---

Tech English 專有名詞

Virtual Machine（VM）｜虛擬機器：由 Hypervisor 從實體伺服器切分出的獨立運算環境，可以配置特定 CPU、RAM、Storage 與作業系統，讓每個 AI Agent 擁有彼此隔離的工作空間。

vCPU｜虛擬中央處理器：虛擬機看到的 CPU 執行單位。vCPU 與實體 CPU core 不一定是一對一關係，Cloud provider 可以透過排程與 oversubscription 動態分配實體資源。

Sandbox｜沙盒環境：將程式執行限制在隔離環境中的安全機制。AI Agent 可以在 sandbox 中操作檔案、執行程式與使用瀏覽器，而不直接接觸其他使用者或 host system。

Agent Runtime｜代理執行環境：AI Agent 實際執行工具、程式碼、瀏覽器與背景任務的運算環境，與負責語言推理的模型 inference infrastructure 可以是不同系統。

Oversubscription｜超額配置：Cloud provider 對多台 VM 配置的虛擬 CPU 或記憶體總量高於實際硬體容量，利用不同 workload 不會同時滿載來提高資料中心利用率。

Multi-Core Performance｜多核心效能：測量多個 CPU core 同時工作時的總體運算能力。對 compilation、rendering、資料處理與部分 Agent workload 特別重要，但不能用來衡量 AI 模型本身的智慧程度。