GitHub披露：AI代码增6倍需耗费400万核CPU

近日，在旧金山GitHub Universe 2026大会上，微软CoreAI执行副总裁Jay Parikh披露了一组让整个开发者行业侧目的数字：过去一年，微软旗下GitHub平台月代码提交量暴涨6倍，仅9月单月就达到74亿次；为了接住这波AI代码洪峰，公司今年紧急新增了400万个CPU核心、160PB高速存储和50Tb/s网络带宽；超过40%的Pull Request（拉取请求）是由AI智能体发起的。

这不是一次常规的扩容，这组数字的背后是AI智能体正在从根本上改写软件开发的节奏与规模。

提交量翻6倍，AI智能体从“尝鲜”变“主力”

此次披露的数据显示，GitHub平台内代码提交量同比增长6倍，合并完成的拉取请求规模同比提升4倍。更夸张的是增长的加速度，今年4月平台月均代码提交量尚在14亿次，8月已翻倍至29亿次，9月更是直接跳升至74亿次，单月内实现了2.5倍的爆发式增长。

过去12个月，GitHub全球推送（pushes）总量达179亿次，超过2024年和2025年两年的总和。从年度累计数据看，推送量从2024年的52.8亿次增长到2025年的67.8亿次，再到2026年的179亿次；年度提交量从2024年的100.6亿次跃升至2026年的454.8亿次；合并PR从4.6亿增至13.8亿。

GitHub的活动曲线图在2026年年中之后，几乎是一条垂直拉升的直线，而这恰恰与AI编程工具爆发式普及的时间窗口完全重合。

（来源：GitHub平台）

真正的算力黑洞：代码提交后触发的自动化流程

如果只是代码变多了，增加存储和算力或许就够了。但真正的压力，来自代码提交之后触发的自动化流程。

截至9月，在GitHub上超过40%的拉取请求由代理（agent）发起。而今年3月，这一比例仅为17%，半年内翻了一倍之多。

更夸张的是，从AI代理启动的代码仓库，其活动量通常是人工操作仓库的8倍。这意味着，AI不是在“辅助”人类多写几行代码，而是在以车队规模并行地生成、验证、测试、提交代码。

这股流量对CI/CD管道造成了不成比例的压力。在现代开发流程中，每一次commit或PR合入都会触发一连串自动化动作：代码规范检查（linting）、单元测试、集成测试、安全扫描，每一项都消耗计算资源。当人类开发者一天提交几次代码时，这套系统运转良好；当一支AI代理车队一小时提交几百次时，后端的算力需求呈乘数级膨胀。

为填补算力黑洞，一年新增400万个CPU核心

面对这种量级，GitHub能做的第一件事就是扩容。今年以来，该平台新增了400万个CPU核心、160PB高速存储和50Tb/s网络带宽。但这并非一次到位，早在8月，GitHub就因为连续多次可靠性事故，紧急追加了300万核心和120PB存储。换句话说，两个月后这个数字又翻了一轮。

当前，单纯堆叠硬件资源已经无法匹配业务增速了。GitHub正在对底层核心架构进行重构，其核心设计思路是实现计算与存储的完全解耦。Jay Parikh公开表示，这套全新架构可将平台的吞吐量上限最高提升35倍，整个重构过程围绕三条核心设计原则推进：简化底层操作原语、实现存储与计算模块的解耦、将跨模块的协调开销降至最低。

与此同时，GitHub正在向Azure多区域部署迁移，预计2027年初完成。这套基础设施不仅要撑住当前的流量，还要为Jay Parikh口中的“下一个五年”预留空间。他判断，人类迄今写过的所有软件，在未来五年产出的软件总量中占比将不到1%。

Copilot Fusion：给AI代理装上成本大脑

流量爆发式增长的背后，是平台运营成本的持续高企。为了破解这一矛盾，GitHub在本次大会上正式推出了Copilot Fusion。作为一套智能多模型编排路由层，它可自动识别判断当前任务的具体类型，在接入的多个AI模型之间动态分配请求，针对推理、代码生成、调试与工具调用等不同场景，自动完成最优模型组合选择。

从400万核心算力集群的扩容，到多模型智能路由层的落地，GitHub正在回应一个全行业都在关注的问题：当AI生成代码的效率已经远超人类人工审查的处理速度时，算力调度、存储架构与模型策略选择本身，就已经成为新一代软件工程体系下，制约整体编程效率的全新瓶颈。

GitHub的基建账单，本质上是整个软件行业AI化的先行指标。当代码提交量一年翻6倍、PR由代理发起的比例从17%跳至40%，意味着算力需求曲线已经脱离了人口红利的支撑。下一轮瓶颈不在模型能力，而在数据中心、网络架构和成本控制。对于半导体行业而言，这组数据传递的信号再清晰不过：AI推理侧的算力需求，才刚刚开始释放。