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 AI 提高效率来体现。放到英特尔身上，这个判断同样具体，更多的应用需求，最终需要变成客户愿意付钱的产品和服务。
对英特尔来说，这些应用也意味着新的业务机会。
数据中心里的 Agent，需要 CPU 处理数据、编排任务，协调计算和存储资源；个人设备和机器人中的 Agent，同样需要及时响应、执行指令，并与其他计算单元配合。英特尔希望把至强、酷睿及配套软件用到这些具体工作中，让合作伙伴更容易开发和部署自己的产品。
这也是本次大会上，英特尔反复强调 CPU 的原因。Agent 每完成一项任务，背后都可能包含多轮模型调用、工具执行和数据处理。模型算得快，还需要其他环节跟得上，用户才能更快拿到结果。
因此，衡量 CPU 的作用，也需要把这些工作算进去。它能支撑多少个 Agent 同时运行，能否及时完成调度，能让计算资源少等多久，都影响着整套系统的实际表现。
总而言之，现在 Agent 表现的好坏，CPU 是有绝对的"话语权"的。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 点亮星标 � �
科技前沿进展每日见
元鼎证券提示：文章来自网络，不代表本站观点。
