Ex-Twitter CEO Says We’re Underestimating AI Agents by 10,000x

Parallel Web Systems 共同創辦人暨執行長 Parag Agrawal 主張，AI 代理（agent）最終帶動的網路活動量將是人類的 10,000 倍，而為這些代理提供搜尋基礎設施的公司，將隨模型推論（inference）一同成長。整段訪談大部分在談 Parallel 如何推銷這套論述——GPU 採購、Token 效率、內容擁有者分潤——以及 Agrawal 對代理身分識別、主動式代理與招募的看法；「10,000 倍」這個標題只是切入框架，並非討論的主體。

Agrawal 在 Twitter 待了 11 年，從工程師做到技術長、再到執行長，之後投入 Parallel 約三年；這集節目有助於理解代理基礎設施這一層如何看待自身的經濟結構，也點出一個尚未解決的問題：當負責閱讀的是代理而非人類時，該怎麼付錢給內容擁有者。

代理目前僅占人類網路使用量的 10–20%，成長空間還有 5,000 倍以上

Agrawal 最初的說法是代理使用網路的頻率將是人類的 1,000 倍，但他自己現在承認，這個數字低估了。他表示這個數字太低，而當前世界的實際狀態，遠比外界討論所暗示的還要早期。

他的演算法是：一般人一天大約只做 10 次以內的 Google 搜尋。他自己透過追蹤的代理，一天執行數千次搜尋，個人層面已接近 1,000 倍。但那是灣區的極端值。他對整體市場的估計是，代理目前約占人類網路使用量的 10–20%，這意味著至少還有 5,000 倍到 10,000 倍的成長空間。

他把近幾個月流傳的「代理流量超越人類流量」統計中常被混為一談的兩件事拆開來看。第一，代理做和人類相同的工作時，會發出遠多於人類的搜尋，因為它不受時間限制，目前也不受金錢限制。第二，自動化流量中很大一部分是預訓練爬蟲，不是代理。網站經營者看到自動化流量與人類流量的對比圖時，會覺得自動化那條線「一路狂飆」，但那不等於代理帶來的需求。

「以我目前最好的估計，代理使用網路的量約是人類的 10 到 20%。也就是說，如果我那個 1,000 倍的數字是對的，我們從這裡開始至少還有 5,000 倍或 10,000 倍的成長。」

他明確指出，當前這波消費級代理熱潮——OpenAI 的 Dot、Muse 的 Jolly、Instinct——集中在早期採用者身上。大多數人手上的代理用量還不到他那些代理的水準，「但他們遲早會到。」

Parallel 的成長目標是相對於推論的固定比例，而非絕對數字

被問到像他這樣的公司，「規模」代表什麼時，Agrawal 不給絕對目標，而是錨定在模型推論上。他提出的不變式是：全世界每花 10 顆 GPU 在推論上，就會花 1 到 2 顆在網路搜尋上。Parallel 的任務就是跟著代理推論一起成長，或長得比它更快。

他粗略的規劃數字是 10 倍成長。他指出，一年前他會給出更低的數字，而且每次他試著用一個很高的數字來語出驚人時，最後都還是低估。

為什麼這是一個新市場、而不是更便宜的 Google，他的技術論點是：你不可能用為每天約 100 億次查詢所打造的基礎設施，去服務 1,000 倍的搜尋量。搜尋過去受制於 CPU 與記憶體；Parallel 則以 GPU 作為搜尋索引的底層架構，並把排序智慧逐步蒸餾進越來越小的模型。他說，結果就是一個「在今日之前，世界從來不需要」的價格效能區間。

GPU 採購是一場以毫秒與物理距離計算的後勤戰

Parallel 採租用 GPU 而非自行聚合，Agrawal 形容過去三個月反覆上演「GPU 採購救火演練」。難的不是 GPU 存不存在，而是對的 GPU 能不能在對的時間出現在對的地點。

有些工作負載需要距離大型網路索引 5 毫秒以內的 GPU；其他工作負載則較有彈性，可跨多種工作負載排程。他的採購問題是：要多少顆、哪些型號、什麼時候要、要放在哪裡、對方願意接受多長的承諾期。大型訓練叢集還附帶額外條件。

這個市場本身並非完全有效率。初期多半是透過 iMessage 探詢供給，之後才由雙方的財務團隊完成紙本作業。Agrawal 說 Parallel 從未因為缺 GPU 而拒絕客戶，但這些搶購確實真實存在。

他對太空資料中心的想法持懷疑態度——「我希望它們能成」——他更感興趣的是主權實體將如何參與資料中心建設。

真正的未解難題：當代理負責閱讀，怎麼付錢給內容擁有者

這是 Agrawal 談得最起勁的一段，他把它定調為商業模式問題，而非技術問題。現有的每一種網路商業模式，都假設人類在網路上隨機漫遊：訂閱制把一部分人類訪客轉換成付費者，廣告將人類注意力變現，聯盟行銷與交易模式則依賴人類採取下一步行動。當負責閱讀的是代理，購買行為還在，注意力變現卻行不通了。

「如果是代理在做這件事，購買行為還在。其他每一個行為都斷了。所以你再也沒辦法把注意力變現。」

Parallel 的解法是一套系統，每次代理讀取某位內容擁有者的內容時，就執行一個模型來計算該付多少錢——Agrawal 稱之為他們版本的 AdSense，並以差別定價獎勵高品質內容。這個賭注是：讓出版者有理由不封鎖代理，網路才能保持開放。

他區分兩種對齊問題：內容端（我為什麼要讓你讀我的內容）與行為端（如果我讓你的代理到我的商店購買，會發生什麼事）。在行為端，他想要的世界是：任何代理——不只是大型實驗室打造的那些——都能取用所有內容，並執行其擁有者有權執行的所有動作。那個世界目前還不存在。

關於機器人偵測，他認為這個詞現在至少涵蓋三種截然不同的事物——爬蟲、代表個人或企業行事的合法代理、以及惡意機器人——應該更謹慎使用。在他看來，偵測市場之所以蓬勃發展，正是因為誘因對齊的問題還沒解決。

代理應該表明身分，但現在表明身分只會被封鎖

Agrawal 抱持兩個立場，他也承認兩者存在張力。好的代理應該表明身分，才能與惡意代理區隔。但今天，表明身分只會被封鎖，因為能讓封鎖變得不理性的商業模式對齊還沒做到。

他自己的代理在許多網站上拿不到他本人能拿到的存取權。如果它們開始到處表明身分，會有更多網站封鎖它們，產品也會變得更差。他把這個存亡攸關的問題稱為「我們要如何讓代理與網路上的一切對齊」。

他也直接類比自己在 Twitter 的那些年：加密貨幣垃圾訊息與國家支援的影響力作戰，只能不斷圍堵、無法根除。他帶走的教訓是：幾乎不可能把濫用降到零，手法不斷變化，而且大部分損害是看不見的——看得見的機器人反而無害，真正的風險在於營運者失去分辨人類與代理的能力。

在安全方面，他預期代理會同時幫助攻擊方與防守方，越早採用的防守方表現越好，因為攻擊方專挑最弱的環節。他預測「每隔幾週就會發生一次有份量的網攻事件」，這將推動急迫感。防禦必須分層——網路層、模型層、應用層——因為網頁內容會流入代理的上下文，讓提示注入（prompt injection）攻擊有機可乘。他指出模型在過去兩年於這方面有實質進展，但沒有任何單一層可以獨力解決這個問題。

網路從拉取轉向推送，算力分配成為瓶頸

Agrawal 說，他最希望被問到、卻很少被問的問題，是關於主動式、常駐執行的代理。他的預測是：網路將從拉取（pull）轉向推送（push）。人類上 Google 搜尋是拉取時代；Google Alerts 之類的通知產品從來沒有真正成功。有了代理與持續下降的智慧成本，他認為主動式監控這次會成。

算力問題才是有趣的部分。網路上大約有一兆個頁面，許多每天都在變動，而且大部分是垃圾。無論算力變得多便宜，都不足以把所有東西都算過一遍，所以系統必須排定優先順序，判斷哪些變動對特定使用者是可採取行動的。與此同時，變動速度還在加快，因為代理生成的內容正大規模發布——SEO／AEO 產業不斷產出機器撰寫的頁面——這讓從雜訊中萃取訊號變得更難，而不是更容易。

他形容當前這一代消費級代理是「常駐執行，但算不上真正主動」，下一個時代則是「高度主動」。

Parallel 賣的是模型獨立性與 Token 效率，不只是搜尋品質

Parallel 從 2026 年初約 30 人成長到約 120 人，主要靠的是從無到有建立一支市場推廣團隊。Agrawal 說，幾乎每一家購買推論的企業也同時需要網路搜尋，而全球前 100 到 500 大企業現在都在 Token 上花費可觀，並且一併採購 Parallel。

他提出客戶轉向 Parallel 的三個理由：

1. 綁售的搜尋是瓶頸。 團隊在附帶搜尋功能的模型上開發，撞到品質天花板，才發現瓶頸在搜尋元件、不在模型。Parallel 早期在 AI 法律、金融與科學領域的客戶就是這樣拿下來的。
2. 模型獨立性。 客戶希望能在專有模型之間切換，或採用開放權重模型，而一層能與所有模型搭配運作的搜尋層，讓這件事成為可能。
3. Token 效率。 因為 Parallel 的結果訊號密度高，模型執行的搜尋次數大約減半，端到端消耗的 Token 也少得多，讓應用更便宜、更快。

談到代理優先的設計，Agrawal 說 Parallel 自家網站從三年前第一個版本上線以來，就一直有真人版與機器版之間的切換開關。但他認為呈現層其實不太重要：即使網站擁有者從未發布代理友善版本，Parallel 也能把網站轉換成代理可消化的形式。公司設計 onboarding 流程與檔案時，假設使用者是帶著編碼代理工作的開發者——人類只需要授權、加卡、接受條款。

野心是自己設定的，壓力多半是想像出來的

Agrawal 點名他的妻子 Vinita 是他人生中設定標準的人——她是執業醫師，同時在 Andreessen Horowitz 投資，也做過一家新創。他把野心的提升歸功於她：他過去驅策自己在數學、物理與電腦科學研究上做到頂尖，但直到她推他一把，他才覺得自己有能力做到現在這樣。他開玩笑說，現在大家是透過他來接近她。

他把這個模式追溯到自己在印度核子科學家子女社群中的成長背景，再到競爭激烈的大學與研究所，並主張人才密度會自我篩選：「如果你不僱用異類，你就得不到異類。」

被問到如何在壓力下不致崩潰時，他否定這個前提。他說自己在 Twitter 被收購期間持續追蹤睡眠分數，睡得很好。他的區分是：你每天都必須拿出表現，但你不必感到壓力，因為壓力意味著要滿足別人的期待。他刻意培養的是不安全感——故意接下自己不會錄用自己去做的工作——因為這會帶來謙遜、偏執、好奇心、苦幹實幹，以及願意求助。他說，他自己的期待，始終高於世界對他的期待。

值得關注的重點

這段對話有兩條主線尚未有定論，值得持續追蹤。第一是內容分潤模式：Agrawal 描述了一套已可運作的系統，以及與內容擁有者的合作，但經濟效益尚未被驗證，他也承認在對齊問題解決之前，代理表明身分反而讓產品變差。第二是推論比例這個錨。Parallel 的整套成長計畫，建立在「搜尋支出以每 10 顆 GPU 對 1–2 顆的比例跟隨推論支出」這個說法上；一旦推論需求減速，或綁售搜尋進步到足以弭平品質落差，10 倍的規劃數字就失去依據。Agrawal 自己的說法——他寫下的每一個語出驚人的數字最後都低估——反過來也同樣成立。