CPU价格或迎上涨

近年来，人工智能（AI）的蓬勃发展很大程度上依赖于图形处理器（GPU）的强大算力，GPU 几乎成为 AI 训练和推理的代名词。然而，市场风向正悄然转变，曾经被视为 AI“配角”的中央处理器（CPU），其重要性日益凸显，甚至开始带动相关产品价格的上涨。

AI 算力新趋势：CPU 价值回升

近期，CPU 市场的动态引发了广泛关注。值得注意的是，此前在市场波动中表现相对低迷的英特尔公司，其股价出现了显著的增长。上周五，英特尔股价更是飙升了 27%，超越了其 26 年前创造的历史最高点。这一股价表现的背后，折射出 AI 领域对于算力需求正在发生深刻变化——仅仅依靠 GPU 已不足以满足所有需求，CPU 的性能同样成为影响 AI 整体效率的关键因素。

CPU 在 AI 发展历程中的角色演变

回顾 AI 的发展史，CPU 并非首次介入。在 GPU 成为主流之前，AI 的计算曾长期由 CPU 承担。例如，1998 年，图灵奖得主 Yann LeCun 在研究中提到，训练一个卷积神经网络（CNN）模型可能需要消耗单个 CPU 两到三天的时间。若要训练更复杂的模型，则需要数量更多、性能更强的 CPU 集群。然而，这种方式效率低下，且受限于当时的硬件成本，导致早期 AI 模型的效果普遍不佳。甚至一度出现，在学术界，带有“神经网络”字样的研究论文因其技术瓶颈而面临直接被拒稿的风险，研究者不得不采用其他术语来包装其成果。

转折点出现在 2012 年的 ImageNet 竞赛，Geoffrey Hinton 及其团队利用两块市售的 GTX 580 显卡，将图像识别的准确率提升了十个百分点，取得了压倒性胜利。此次事件标志着 GPU 在 AI 领域的崛起，GPU 随之成为挖掘 AI 价值的关键“工具”，英伟达（NVIDIA）也因此成为市值巨头。在 GPU 占据主导地位的时代，CPU 逐渐退居幕后，主要承担辅助性任务。

Agent 技术的兴起驱动 CPU 新需求

时至今日，随着 AI 应用场景的不断拓展，特别是 Agent（智能体）技术的兴起，CPU 的价值被重新发掘。传统的 AI 应用，如与 ChatGPT 或 DeepSeek 等模型进行交互，主要是一个相对简单的问答过程：用户提问，GPU 进行大规模矩阵运算以预测下一个 Token，然后生成答案。在这个过程中，CPU 的参与度较低。然而，Agent 类应用，如 Claude Code 或类比“龙虾”（此处为原文提及的代称），其工作模式发生了根本性变化。AI 需要具备自主规划、解决问题的能力。

以“购买奶龙玩偶”为例，AI Agent 的工作流程通常包括：首先识别“奶龙”是什么，如果未知，则需通过浏览器工具上网搜索相关信息；接着，它需要调用电商平台接口或其他工具，查询玩偶的价格、款式、店铺信誉和销量等数据；最后，AI 还需对收集到的信息进行整理、核实，判断哪些链接更可靠，哪些产品的性价比更高，并将最终结果呈现给用户。这个复杂的过程呈现出 GPU 和 CPU 之间交替协作的模式：GPU 负责处理核心的 AI 模型计算，而 CPU 则负责任务的规划、工具的调用、数据的预处理与后处理等逻辑和控制任务。

如果 CPU 性能不足，将直接影响 Agent 的整体响应速度和工作效率，导致 GPU 资源无法得到充分利用，出现“摆烂”现象。因此，为了确保 AI Agent 能够高效运行，避免 GPU 闲置，数据中心正着力增加 CPU 的配置，以满足日益增长的 AI 算力需求。例如，微软在其最新的数据中心建设中，就体现了这一趋势。

GPT-image-2做的图，示意一下

AI 算力新维度：CPU 的硬件考量

By semianalysis

在当前 AI 算力需求的新格局下，CPU 的性能考量维度正在扩展。除了原有的计算速度和核心数量，AI 工作负载对 CPU 的功耗控制、散热能力以及其在整体硬件生态中的协同作用提出了更高要求。尤其是在大规模数据中心环境中，CPU 的能效比直接关系到运营成本。同时，CPU 作为系统的大脑，其供应链的稳定性也对 AI 硬件的整体供应构成重要影响。AI Agent 的复杂流程，意味着 CPU 需要与 GPU、内存、存储等硬件组件进行更紧密的配合，才能实现最佳性能。

CPU 在 AI 算力版图中价值重估，标志着 AI 基础设施正朝着更加均衡和高效的方向发展。未来，CPU 和 GPU 的协同优化将成为推动 AI 技术进步的关键。

人工智能模型训练的最新趋势显示，强化学习（RL）已成为提升模型能力的关键驱动力。DeepSeek 的 R1 模型以及 OpenAI、Anthropic、Google、阿里 Qwen 和 Grok 等行业巨头都在大力投入强化学习技术的研发。这一方法将模型置于实际应用场景中进行“实战”，通过奖励与惩罚机制来优化其表现，例如在代码生成任务中，模型需要实际运行代码并验证结果的正确性。

在这一过程中，CPU 扮演着至关重要的角色。它负责模型训练的“演习”环节，为模型提供训练环境、数据支持以及结果评估。CPU 的强大性能直接影响着强化学习训练的效率和模型的学习效果，使其成为 AI 模型最严苛的“导师”。

为满足日益增长的 CPU 需求，各大 AI 公司纷纷采取行动。除了直接向英特尔等传统 CPU 制造商采购外，谷歌已开始自主研发 CPU Axion，而 Meta 则与 Arm 展开合作，共同开发新一代处理器。这种对高性能 CPU 的争夺，也反映了 AI 训练对算力基础设施提出的新要求。

一项有趣的观察是，在数据中心中，增加对高性能 CPU 的投入，反而可能带来整体成本的节约。这是因为 CPU 在 AI 推理过程中承担着前置的繁重任务，包括请求处理、数据分配、模型加载及 KV 缓存更新等。如果 CPU 性能不足，将导致 GPU 资源闲置，延长任务执行时间，从而增加能源消耗和电费支出。相反，采用更强大的 CPU 可以显著提高 GPU 的工作效率，虽然 CPU 本身功耗可能增加，但整体上能缩短运算周期，实现更优的能源利用率。AMD 的实验数据显示，使用更优化的 CPU 配置，能在提升 0.8% 功耗的同时，实现 8% 的效率增长，这使得数据中心“越贵越便宜”的效益成为可能。

行业观察：AI 算力新格局下的 CPU 角色演变

CPU 在 AI 算力生态中的角色正在经历深刻的重塑。传统上，GPU 凭借其并行计算能力在深度学习训练中占据主导地位。然而，随着 AI 模型复杂度提升，尤其是强化学习等更注重决策逻辑和交互式学习方法的兴起，CPU 的作用愈发凸显。CPU 不仅是执行指令、管理系统资源的“大脑”，更成为 AI 模型在复杂环境中进行“思考”和“决策”的关键协作者。在 AI Agent 和更高级的强化学习应用场景中，CPU 的地位将更加稳固，成为支撑 AI 发展不可或缺的基础设施。