Agent时代，CPU的价值该重估了

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> Agent时代，CPU的价值该重估了 十三 2026-09-22 23:46:54 来源： 量子位 金磊 发自 苏州 量子位 | 公众号 QbitAI CPU 的价值，在 Agent时代 ，真的需要被 重估 了。 为什么这么说？ 因为Agent正在改变AI计算的配比—— 从一颗CPU搭配四颗GPU（1:4），到现在的一颗CPU搭配一颗GPU（1:1）。 这便是芯片巨头 英特尔 刚刚在苏州举办的技术创新与产业生态大会（Intel Connection）中给出的判断—— 随着AI开始调用工具、执行任务，CPU需要承担更多的调度、数据处理和执行工作，其在整套AI系统中的价值也需要重新衡量。 不仅如此，英特尔CEO 陈立武 在视频致辞中还坦言： 作为现代计算的基石，x86持续驱动计算向智能化应用发展。 而从昨天英特尔的股价暴涨12%来看，也从侧面印证了市场对于CPU在Agent时代重要性的认可。 既然趋势已然如此，那么CPU在整套系统中的价值，又该如何重新计算？ 为什么需要更多CPU？ 在回答价值如何被重估之前，我们且需要了解一下，为什么Agent时代CPU成了紧缺货。 其实英特尔数据中心事业部副总裁、中国区总经理 陈葆立 在今天的演讲中，就用我们每天都可能交给Agent的任务做了例子—— 整理新闻 。 在这个任务中，用户需要给Agent设定任务，每天早上8点，帮自己搜集前一天的AI新闻，并完成总结。 虽然我们下达的需求只有一句话，但其实Agent背后的工作量远没有看着那么简单。 因为它要上网找资料，拿回来的内容可能是网页，也可能是PDF报告或视频。各种格式的信息，需要先提取、处理，才能交给大模型分析。 在陈葆立看来， 这些预处理工作，恰恰有不少适合由CPU承担。 而且，一次模型调用往往还不够。Agent要拆解任务、调用工具，再根据结果决定下一步怎么做。前一步没完成，依赖它的后续工作就得等着。 对于这一点，中国工程院外籍院士、清华大学智能产业研究院（AIR）创始院长 张亚勤 ，在会上对Agent做解释的时候也有所提及： 它能围绕目标进行规划、行动、试错和迭代，直到完成任务。模型给出的回答，会成为后续行动的依据，行动结果又会进入下一轮处理。 这么一来，CPU需要处理的事情就多了。模型计算之外的执行、调度和数据处理，都得跟上Agent干活的节奏。 为了解释这种变化，陈葆立把数据中心简化成三个相互配合的部分： CPU服务器或集群，负责智能体的执行和工作编排； GPU等加速计算资源，承担模型计算； 存储系统，则保存任务涉及的数据、对话以及新生成的文档等内容。 除此之外，CPU的工作还会贯穿这些环节。加速计算需要数据预处理，存储系统需要数据调度，Agent执行任务也需要不同资源及时配合。 所以，一套系统里GPU性能再强，也得有数据及时送来、有后续任务接上。处理和搬运数据的环节出了瓶颈，昂贵的计算资源就可能闲着，整项任务的完成速度也会受影响。 这也是英特尔反复强调CPU的原因，Agent需要的计算量在增加，系统要有效利用这些算力，还得把执行和调度能力一起补上。 而落到 企业采购 这个层面上，问题也就更具体了。 过去几个月，陈葆立和团队与国内的软件合作伙伴、互联网厂商交流，得到的反馈是，客户既关心能运行多少个智能体，也看重每个智能体的能力和可靠性。 比如，某些业务需要在短时间内启动大量沙箱，为智能体提供运行环境。系统得及时响应，已经运行的任务也要继续处理。 再比如，同一套设备上同时运行多个Agent，数量增加以后，每个Agent还能不能在要求的时间内得到响应？这个数字，才关系到服务到底能不能用。 所以能启动多少个Agent，与能让多少个Agent稳定干活，实则是两回事。 陈葆立在现场介绍的测试和优化，正是在同时考察数量与单个智能体的表现。CPU的评价因此有了更具体的参照，包括并发能力、响应时间，以及对真实任务的支撑能力。 至此，我们刚才提到的1:1这个比例趋势，也就不难理解了，它对应的是英特尔所强调的智能体推理部署趋势，具体配比仍要看任务和系统配置。 但企业需要多少CPU，最终要由这些工作来决定。而英特尔能拿到多少业务，还得看它交出的方案。 CPU的机会，英特尔能拿到多少？ 对于这个问题，英特尔给出的办法，是 把CPU和配套软件放进实际任务里，一起优化。 数据中心里的一个切入口，就是刚才我们提到的数据预处理。陈葆立介绍，英特尔希望利用至强处理器内置的加速能力，加快相关工作，帮助客户减少等待。 另一个切入口则是在存储。大模型的上下文越来越长，Agent又需要反复处理任务信息，KV Cache的容量和调度就成了需要考虑的问题。这类缓存保留了模型计算中可复用的中间数据，可以减少重复计算，但本身也会占用存储空间。 缓存规模增大以后，只靠GPU上的高带宽内存未必装得下，还需要借助系统内存、SSD等资源。数据放在哪里、怎样压缩、如何搬运，都会影响使用效率。 针对这些问题，陈葆立介绍了英特尔的KV Cache优化方案，包括利用处理器内置能力进行无损压缩，以及加快数据传输。 这些工作看起来没有模型参数那么抢眼，却关系到设备能否有效运转。数据少占一些空间、传输少花一些时间，都可能减少系统里的等待和浪费。 他还提到，英特尔正在和国内的软件合作伙伴合作，打造高性能存储系统。目标很直接，让数据更快送到需要它的计算资源手里，减少CPU、GPU闲置。 CPU能带来多少价值，要放到整套系统的效率里衡量。这也解释了英特尔为什么在现场反复提及软件与合作伙伴，包括Linux、PyTorch等开源项目，以及英特尔在其中的投入。毕竟硬件能力要在客户业务里发挥作用，还需要软件支持和适配。 当然，类似的分工，在个人设备上也存在。英特尔副总裁兼端侧计算和物理AI事业部中国区总经理 高嵩 ，便在演讲中介绍了CPU、GPU、NPU的协同方式： CPU承担智能体的计划、决策等需要及时响应的工作；GPU发挥矩阵计算方面的能力，处理相应的AI计算任务；NPU则以较低功耗，支持需要长时间运行的音视频处理、计算机视觉等任务。 这背后的一个很实际的要求，是Agent既要及时回应，也可能需要持续感知环境，不同任务对性能和功耗的要求并不一样，需要软件把工作分配给合适的计算单元。 因此，英特尔想争取的业务，也不只在大家熟悉的PC里。 高嵩提到了家庭AI、车载AI、围绕私人数据运行的AI等设备形态。它们对应不同的使用需求，也为英特尔的处理器和软件平台提供了新的应用场景。 机器人就是其中一个例子。据高嵩介绍，机器人既需要感知环境、规划任务，也需要实时控制运动，多个机器人之间还可能涉及协同调度。这些工作对计算系统的及时响应提出了更高要求，也给CPU留下了用武之地。 这里的商业逻辑其实也并不复杂，合作伙伴把产品做出来、交付给客户，英特尔的平台才有机会进入更多设备。 北京大学新结构经济学研究院院长 林毅夫 在会上谈到，人工智能对经济的影响，要通过各个产业利用A