從「算得快」到「幹得了活」：AI推理時代，CPU如何重塑算力版圖

記者：郭思編輯：包永剛“善弈者謀勢，不善弈者謀子。”這句古老的智慧，正精準地映射出當下AI產業的演進軌跡。當行業狂熱於大模型訓練階段的算力軍備競賽時，一場更為深刻的重心遷移正在悄然發生，AI已經從回答問題走向解決問題，從單純的模型訓練走向複雜的智能體推理。這種轉變對底層算力架構的衝擊，遠比表面看起來要深遠得多。如果說訓練階段是GPU悶頭計算的大兵團作戰，那麼推理時代則是一場需要精密調度的現代化戰爭。在這場變革中，英特爾在9月22的Connection大會上給出了一個明確的判斷：推理時代，CPU正從“配角”蛻變為整個系統的“控制中樞”。當AI真正開始幹活，算力的定義正在被重寫。

01、數字AI：當智能體規模化，CPU為何重回C位？想要理解CPU的“逆襲”，核心是釐清智能體執行與傳統模型訓練的本質差異。模型訓練是標準化、可並行的批量任務，核心目標是極致提升整體吞吐量；而智能體是典型的串行狀態機，每一步任務執行都依賴上一步的輸出結果，任意環節的微小延遲，都會沿著任務鏈路層層放大，最終影響整體智能體驗。這也意味著，傳統CPU一味追求平均吞吐的優化思路已然過時，穩定、可控、超低的端到端延遲，成為智能體規模化落地的核心硬性約束。不僅如此，智能體場景的硬件負載矛盾愈發突出。

高併發工具調用與高帶寬AI推理任務需要在單芯片內混跑，二者對內存資源的需求相互衝突，疊加多租戶場景下的安全隔離、資源獨佔需求，傳統CPU架構的短板徹底暴露，架構革新與系統重構勢在必行。對於這一難題，英特爾並沒有選擇慣用的單點堆砌參數，而是從系統層面重新劃分數據中心的架構。大會現場，英特爾數據中心集團副總裁、中國區總經理陳葆立表示，“未來的數據中心將被拆分為三類集群：負責智能體執行和任務編排的CPU集群、負責模型推理計算的GPU集群，以及承載長對話、文檔等持續新增業務數據的存儲集群。這三類集群之間的數據調度，全部由CPU完成。

”落到產品上，採用Intel 18A製程、最高擁有288個能效核的至強6+處理器配合智能體套件，單顆即可部署近千個智能體。英特爾表示，這一優勢並不是憑空想象，而是有著實測數據支撐：在SWE-bench測試中，其單智能體性能領先競品15%；在雲端沙箱場景下，面對10分鐘內批量啟動上萬沙箱、單沙箱延遲200ms以內的嚴苛要求，至強6+支持350個沙箱併發，性能約為競品的1.46倍。結論顯而易見：在智能體場景下，性能和響應速度缺一不可。而另一方面，CPU在三個具體環節上的價值也十分突出。

首先是異構數據預處理，智能體需要抓取網頁、視頻、PDF等素材並做文本提取，這類任務GPU並不擅長，而至強AMX加速器讓向量化和重排序分別達到基準的2倍和4倍。其次是存儲調度，從HBM到DRAM再到本地SSD，成本和延遲呈反向變化，CPU作為核心調度者，聯合焱融科技基於至強6和MRDIMM的方案，在MLPerf Storage v3.0中拿下了Llama3檢查點讀寫和3D-Unet訓練兩項全球第一，有效消除了存儲瓶頸。

最後是KV Cache管理，面對百萬Token上下文約300GB的容量，英特爾的KV Cache智能加速套件通過QAT實現無損壓縮，將300GB原始數據壓至200GB，並藉助DSA引擎將數據搬運最高加速9.66倍。把這一系列環節串聯起來，便能得出清晰結論：步入智能體時代，GPU 承載 “智” 的核心推理運算，而 CPU 既要承擔基礎計算，更要扛起全局 “管” 的重任。隨著業務規模擴張，這套調度管控工作的複雜度呈指數級攀升，而這恰恰是英特爾長期積澱形成的獨有優勢。02.物理AI：控制、成本與算法路線的破局 如果說數字AI的戰場在雲端，那麼物理AI的征途則在真實的物理世界。

“我們希望當大家提到物理AI時，第一個想到的廠商是英特爾。” 英特爾副總裁兼端側計算和物理AI事業部中國區總經理高嵩在Connection大會上這樣表態。這句話說起來容易，但落地起來實際難度卻不少。物理AI與數字AI的核心差異在於，機器人必須與真實物理環境交互。行業裡一個現實的痛點是：讓機器人跳舞容易，做精密操作難。這一現象的難點在於控制，對於機器人而言，動態環境下的實時感知與精準執行，目前仍是巨大的瓶頸。第三代酷睿Ultra的應對方案是“大小腦融合”。依託XPU異構架構，推理決策與實時運動執行被整合在單顆SoC上。

其中，CPU作為“小腦”，以4kHz的控制頻率每秒完成4000次動作調整，保障關節電機精準響應；GPU承載高階AI推理，在Pi0.5精度下推理時延僅為78毫秒，低於人類視覺200-250毫秒的平均反應時間；NPU則面向視覺感知，YOLOv12n推理僅需3.55毫秒，每秒處理約280幀，遠超普通攝像頭60幀的輸出上限。傳統方案需要多個獨立單元分工處理感知、決策和控制，不僅響應慢，還容易出現協同偏差。單芯片整合後，工程師得以將精力從底層調優轉移到上層智能開發。在成本方面，具身智能的Token消耗隨用戶量線性增長。某具身企業創始人透露，工程師一下午的訓練就能燒掉數百美元。

對於這一難點，英特爾的思路是通過硬件負載整合降低底層開銷，將推理決策和運動控制統一到單顆SoC的異構架構上，從硬件層面壓縮算力冗餘和能耗，把整體擁有成本拉到可商業化的區間。而在算法路線上，具身領域目前沒有統一範式，世界模型、VLA等路線仍在並行演進。芯片架構設計週期長達兩到三年，押錯路線的代價極其高昂。面對這個問題，不同於很多廠商一味強調"靠近客戶需求"，英特爾提供了一個更辯證的思路——不僅要傾聽客戶的聲音，更要有自身的戰略判斷。"我們也希望用我們自己內部的前瞻視角、結合自身的架構優化，與最廣泛的生態進行合作，找準技術落地的正確方向，這是認知智能體發展在當下需要完成的事情。"高嵩表示。

英特爾的差異化策略在於：不盲目追隨單一算法路線，而是以開放的架構和生態，支撐多種算法範式的並行驗證與快速迭代。目前，英特爾已聯合科通工業、神州數碼等合作伙伴推出基於第三代酷睿Ultra平臺的具身智能開發套件，並攜手多傢伙伴面向製造、建築、醫療、智慧城市、倉儲物流、酒店等多種場景推進項目從原型走向量產，以生態的廣度對沖算法路線的不確定性。此次，英特爾也正式宣佈，英特爾具身套件將於11月份在京東上線，也意味著，開發者離觸手可及的機器人又近了一步。寫在最後正如開篇所言，在AI從算得快走向幹得了活的今天，系統設計的重心正在向執行面遷移。

英特爾在數字AI側的判斷是：推理和智能體部署放大了CPU側的系統工作，而x86在控制面、生態適配和基礎設施軟件上的存量優勢，正好能接住這個需求；在物理AI側，則用異構SoC縮短機器人的感知-決策-控制閉環，靠生態廣度對沖算法路線的不確定性。不一定完全會用到所有的算力，但提供一個最優的系統級選擇，也許便是生產力提高的關鍵。當AI真正開始解決現實問題，算力的版圖，已然重塑。