一 | 过去几年，数据中心里的CPU多少有些失意。一谈人工智能，大家想到的是英伟达GPU、HBM、先进封装、NVLink，以及一排排功耗越来越吓人的液冷机柜。 “本来欠款人长期失联、电话不通，一笔汽车维修费拖了两年也没结果，还好有你们帮忙，找到欠款人亲属圆满化解了我们两家的矛盾。CPU虽然仍然装在服务器里，却越来越像一位负责开门、递文件、安排会议的办公室主任——不可或缺，但发布会的聚光灯基本轮不到它。现在，英伟达却突然宣布：CPU不但重要，而且要重新成为AI基础设施的竞争焦点。英伟达最新披露的Vera CPU，采用88个自研Olympus核心，支持176个硬件线程；最高提供1.2TB/s的LPDDR5X内存带宽、1.5TB内存容量，以及1.8TB/s的CPU与GPU一致性连接带宽。”两年前，在春江街道工作的苏先生，遇上了一起典型的基层拖欠纠纷事件，但近日，在富阳区全域推广的“村社书记解纷团”模式下，短短数日事件就得到了妥善处理。与上一代Grace使用Arm Neoverse授权核心不同，Olympus是英伟达面向数据中心重新设计的CPU核心。参与矛盾化解的“村社书记解纷团”成员之一、环山乡诸佳坞村村党总支书记陈如明，对此也深有体会：“传统的属地调解模式，经常会受限于镇街地域与行业领域，现在通过这种模式打破了村与村的界限，全区各地的复杂疑难纠纷，都能统一管理研判，根据纠纷情况精准匹配对口的工作小组，真正实现‘专业人解专业事’。”比如在这次解纷过程中，以村社书记为代表的属地工作人员就起了关键作用，发挥“地头熟、信息灵”的本地治理优势，逐步摸排找到了欠款人亲属，再由专业人士反复上门沟通说明利害关系，最终促成了亲属代为结清全部款项的结果，使得原本大概率要走诉讼程序的纠纷，就地闭环处置。(NVIDIA Developer) 一个靠GPU成为全球市值巨头的公司，为什么突然认真做起了CPU？答案当然不是黄仁勋忽然对通用处理器产生了怀旧情绪。英伟达真正关心的，是如何让那些价格昂贵、功耗惊人、每一分钟都在燃烧资本的GPU少等一会儿。 GPU越来越快，为什么CPU反而成了问题？传统大模型推理大体上是一个相对集中的计算过程。输入数据送进GPU，GPU完成大量矩阵计算，随后输出结果。今年6月以来，富阳区创新开展探索，多部门联合成立了“村社书记解纷团”。由15名政治素质过硬、群众工作能力强、调解经验丰富的村社党组织书记领衔、配套法官助理、专业律师等，组建“解纷团”工作小组，构建起基层协同就地解纷的新模式，并建立“收集—研判—派单—调解—反馈”的全流程闭环工作机制，将小额劳务欠薪难题、跨国债务历史纠纷、牵扯多重债权关系的复杂矛盾等一批群众身边的“烦心事”化解在前端。“解纷团”运行两月，已成功化解久拖未决、疑难复杂纠纷19件，为提升基层治理效能注入了“头雁”力量。

二 | “新模式尤其注重乡情法理的平衡，最大程度上兼顾了效率和规范。尤其在面对专业度较高的复杂纠纷时，效果明显。”鹿山街道东吴社区党委书记王丽敏，在处置一起新旧债务共存的家具尾款拖欠纠纷时，注意到了“解纷团”工作模式带来的另一变化。在这个阶段，CPU主要负责数据准备、系统管理和任务调度。

三 | 只要CPU别拖后腿，主角自然还是GPU。但智能体AI的执行流程并不是这样。在新模式下，团内律师与法官助理介入其中，让一笔笔债务归属变得清晰，原本双方各执一词的僵局终于被打破，不仅当场结清了家具尾款，旧账也有了维权去处。而像王丽敏这样的村社书记在事件中则扮演了情绪疏导的“解压阀”角色，大大减轻了基层解纷的负担。一个智能体接到任务后，可能先在GPU上进行推理，随后调用搜索工具；再回到CPU执行Python脚本；然后访问数据库、解析网页、启动沙箱、调用API；完成之后再把结果送回GPU继续推理。一次复杂任务可能在CPU和GPU之间往返几十次乃至数百次。

四 | 这些动作包括：编译模型生成的代码启动和关闭容器或沙箱执行Python、JavaScript和数据库查询完成检索、数据预处理和结果校验调度多个智能体之间的任务管理KV Cache和其他系统数据这里面很多工作都不是把核心数量堆上去就能解决的。富阳区委组织部相关负责人表示，目前，“村社书记解纷团”已初步总结形成了“找准突破口、多方聚合力、依法促和解”的工作经验。

五 | 下一步，全区将持续迭代“解纷团”工作机制，通过举办“书记讲给书记听”沙龙、领雁学堂等方式，持续提升队伍实战水平。同时，系统提炼典型案例中的调解方法，推动矛盾纠纷从解决“一件事”到“一类事”延伸，进一步拓展党建引领基层治理的广度与深度，助力杭州书写超大城市基层善治答卷。假设一个工作环节必须按照A、B、C、D的顺序执行，那么增加十倍CPU核心，也不能让C跑到A前面去。

六 | 系统真正需要的是更快的单线程性能、更低的内存访问延迟，以及CPU在高负载状态下仍然能够稳定供给数据的能力。

七 | 换句话说，GPU擅长千军万马同时冲锋，智能体执行链里却包含大量需要一个一个过关的单兵作战。

八 | 英伟达把这套逻辑概括为：CPU评价标准正在从“每美元可以买到多少核心”，转向“每美元和每瓦电力能够生产多少Token”。

九 | 其官方资料称，Vera面向代码编译、Python执行和代码分析等智能体负载，相比其选择的x86基准系统最高获得约1.8倍性能；但这些结果由英伟达提供，测试平台和基准选择仍需要独立机构验证。这句话翻译得接地气一点就是： GPU本来正在努力干活，结果CPU拿着材料迟迟不来。老板买了一屋子昂贵GPU，最后却看着它们排队等Python脚本执行完。这当然不能忍。 Vera并不追求“核心越多越好” 过去十多年，服务器CPU有一条很清晰的演进路线：不断增加核心数量。云计算公司希望在一颗CPU上运行更多虚拟机，服务更多租户，于是“每插槽核心数量”和“每美元虚拟CPU数量”成为重要指标。 2014年前后的高端Xeon通常只有十几个核心；今天的AMD EPYC已经进入百核时代，下一代Venice还将进一步提高密度。AMD已经宣布，第六代EPYC Venice在台积电2nm工艺上进入量产爬坡，并将在Helios AI机架中与MI450系列GPU配套使用。

十 | 英伟达却没有跟随这条路线，它没有把Vera做成一颗两三百核的CPU，而是选择了88个相对宽大的核心。 Olympus采用10路解码前端、深度乱序执行、神经网络分支预测和面向图数据访问的预取机制，目标不是在芯片里塞进尽可能多的核心，而是让每个核心在复杂软件环境下跑得更快。

十一 | Vera还有一个值得关注的设计：计算核心集中在一块单片计算芯粒（Chiplet）上，而内存控制和I/O可以采用其他芯粒。

十二 | 过去几年，Chiplet已经成为先进处理器的主流方向。它能降低大芯片的制造成本，也便于组合不同功能模块。但Chiplet并不是白吃的午餐，数据跨越不同芯粒时会增加延迟和互连负担。

十三 | 英伟达选择把88个CPU核心放在同一块计算裸片上，再通过第二代Scalable Coherency Fabric连接164MB共享三级缓存、内存和I/O。官方给出的“片内双向剖分”带宽约为3.4TB/s。

十四 | 其设计逻辑非常明确：宁可少塞一些核心，也要减少核心之间、核心与内存之间的数据堵车。这与AMD、Intel近年来通过多芯粒提高核心数量和产品灵活性的方向，构成了一次非常有意思的架构分叉。谁更正确？现在还远远没有答案。如果工作负载可以高度并行，核心多当然有优势；如果大量任务依赖单线程速度、共享数据和低延迟，Vera的选择可能更有效。真正的问题不是单片好还是Chiplet好，而是客户究竟在运行什么东西。 “智能体CPU”是真需求，还是营销部门的新包装？看到“专为Agentic AI设计的CPU”，有经验的从业者难免会警觉。半导体行业很擅长给旧需求换一个新名字。

十五 | 以前叫并行计算，后来叫AI计算；以前叫服务器，后来叫AI工厂；现在连CPU也开始穿上智能体的外套。

十六 | Ryan Shrout在其文章《NVIDIA Joins the Battle of Making the CPU Interesting Again》中提出了一个很好的问题：智能体AI所需要的，究竟是一种全新的CPU，还是一颗内存带宽更高、单线程性能更强的优秀服务器CPU？英伟达给出的回答其实比较诚实：基础计算原理并没有改变，变化的是任务发生的频率和系统负载强度。虚拟机和容器并不是智能体时代才出现的，数据库查询、脚本执行、数据检索也存在多年。区别在于，过去它们可能偶尔发生一次；智能体工作流却会持续创建环境、执行代码、访问数据、销毁环境，然后再来一遍。强化学习同样需要同时运行大量CPU环境，对模型生成的行为进行评估和反馈。

十七 | 因此，所谓“智能体CPU”并非凭空出现的新物种，更准确的说法应该是：智能体AI放大了服务器CPU中原本就存在的性能矛盾。过去，CPU慢一点，用户可能多等几十毫秒。现在，CPU慢一点，后面的几十颗甚至几百颗GPU都可能一起等待。普通服务器里，CPU本身就是主要计算资产；AI机架里，CPU旁边站着的是一群价格远高于它的GPU。于是CPU的经济价值发生了变化。

十八 | 英伟达并不是单纯出售一颗更昂贵的Arm CPU，而是试图告诉客户：不要只看CPU价格，应该看它能为整套GPU系统追回多少利用率。这套说法非常聪明。因为一旦评价标准从“每颗CPU多少钱”变成“每个机架能多生产多少Token”，CPU成本可能真的会成为小数点后的数字。 Vera真正要挑战的，不只是Intel和AMD 表面上看，Vera进入的是服务器CPU市场，竞争对手自然是Intel Xeon和AMD EPYC。

十九 | 但英伟达的真正目标可能更大。亚马逊已经把Graviton推进到第五代，最新Graviton5实例相较上一代官方宣称可提高最多25%的计算性能；谷歌也通过Axion处理器为Google Cloud提供自研Arm CPU平台。(Amazon Web Services, Inc.) 这些云厂商做CPU，主要是为了控制云计算成本和产品差异化。它们关心的是同样一台服务器能够出租多少虚拟机？每个CPU的成本是多少？一度电能够服务多少云客户？英伟达的思路不同。 Vera并不是首先作为一颗通用CPU，孤零零地插入普通服务器插槽，与Xeon、EPYC争夺每一台企业服务器。

| Vera最重要的应用场景，是Vera Rubin NVL72等英伟达AI系统。在这套机架里，36颗Vera CPU与72颗Rubin GPU、NVLink交换系统、ConnectX网卡和BlueField DPU共同工作。

| 这意味着英伟达销售的并不是CPU。

| 它销售的是一套由英伟达定义的计算系统，CPU只是其中一个控制点。以前，英伟达需要让自己的GPU适配Intel和AMD的服务器平台。现在，它希望从CPU、GPU、互连、网卡、DPU到系统软件全部掌握在自己手里。这才是Vera最值得警惕的地方。英伟达已经不满足于占领加速卡插槽，它开始一点一点吃掉服务器主板、网络交换、数据处理和系统架构的价值。今天做CPU，明天做存储处理器，后天做机架，最后客户采购的可能不再是若干部件，而是一座完整的“英伟达AI工厂”。到了那个时候，传统服务器厂商越来越像施工队，传统CPU厂商则可能从平台定义者退化为零部件供应商。 Intel与英伟达的关系，变得有些微妙事情也并不是英伟达推出Vera之后，Xeon立即被扫地出门。 Intel在2026年3月宣布，Xeon 6被用于英伟达DGX Rubin NVL8系统。

| 这说明，在需要兼容传统软件、通用企业负载和标准服务器生态的产品中，英伟达仍然需要x86 CPU。于是出现了一个颇有意思的局面：英伟达一边采购Intel CPU，一边推出自己的CPU与Intel竞争。这看上去有些别扭，实际上非常符合平台公司的做法。

| 在生态尚未完全成熟时，英伟达需要Xeon帮助其进入传统数据中心；在最先进、价值最高的机架级AI系统中，它又希望使用Vera，把系统的每一个关键环节握在自己手中。 Intel真正面临的风险，不是Vera立刻抢走所有Xeon订单。而是服务器CPU的战略位置可能被重新定义。过去，CPU是服务器的中心，GPU是挂在CPU旁边的加速器。Vera Rubin时代，GPU开始成为系统中心，CPU则被重新设计为服务GPU利用率的调度和数据处理引擎。

| 这相当于原来坐在董事长位置上的CPU，虽然还没有被赶出会议室，却开始负责给新董事长准备会议材料。 AMD同样需要回答这个问题。

| AMD拥有EPYC和Instinct两条产品线，理论上比Intel更容易构建CPU与GPU协同平台。Helios正是AMD给出的答案：用Venice CPU、MI455X GPU、Pensando网卡和ROCm软件组成开放机架。因此，未来的竞争不只是Vera对Xeon、Vera对EPYC。真正的较量是：Vera Rubin与AMD Helios，谁能让整个机架生产更多Token？现在谈Vera获胜，还为时太早从英伟达提供的数据看，Vera相较现有x86系统，在代码编译、Python执行、数据分析、图计算和高负载内存访问等场景中表现亮眼。此外，英伟达也公布了Perplexity、纽约证券交易所和美国国家实验室等早期测试案例。不过，这些结果目前仍主要来自英伟达及合作伙伴，部分基准采用预量产系统，一些比较对象也是已经上市一段时间的Intel和AMD产品。

| 而Vera真正大规模交付时，将面对的并不只是今天的Granite Rapids或者EPYC Turin。AMD Venice已经进入台积电2nm量产爬坡；Intel也在准备下一代Xeon产品。此外，单线程性能高并不等于所有服务器工作负载都更快。数据库、虚拟化、Web服务、高性能计算和智能体工作流之间的性能需求差异很大。部分场景更看重核心数量，部分需要大容量DDR内存，部分依赖软件认证，还有大量企业应用仍然建立在x86生态之上。英伟达必须证明几件事：第一，Vera的高单线程性能能够在满负载状态下持续保持，而不是只在选择性基准中领先。

| 第二，LPDDR5X虽然带宽高、功耗低，但容量、成本、可维护性和供应能力能够满足数据中心需求。第三，Arm软件生态能够支持复杂企业应用，而不只是英伟达自己控制的AI机架。第四，Vera带来的GPU利用率提升，足以覆盖客户迁移平台和重构软件的成本。

| 英伟达把题目出得很好，但最终还要由客户的电费账单和采购合同判卷。 CPU市场不会被Vera统一，反而会进一步分裂 Vera出现后，服务器CPU市场可能不再是Intel与AMD之间简单的x86之争。未来至少会形成四种路线。第一种，是Intel和AMD继续提供的通用型x86处理器，强调软件兼容、企业生态和广泛的工作负载适应性。

| 第二种，是AWS Graviton和Google Axion等云厂商自研CPU，重点追求云服务的成本、能效和内部工作负载优化。第三种，是Vera这种与GPU、网络和AI软件深度绑定的AI工厂CPU，评价标准是GPU利用率和每机架Token产量。第四种，则可能是面向高性能计算、存储、数据库或特定行业的专用Arm处理器。过去，服务器CPU试图成为无所不能的通用平台。未来，CPU很可能越来越围绕特定系统目标设计。这其实是半导体产业非常熟悉的故事：当一个通用市场足够大之后，专用化迟早会发生。GPU已经从通用图形芯片变成AI专用计算平台；现在，AI反过来又推动CPU从通用处理器走向系统定制。

| 对中国处理器产业有什么启示？国内服务器CPU讨论中，也经常陷入一种简单的参数竞赛：核心有多少？主频有多高？工艺是多少纳米？单项跑分追上谁？这些问题重要，但Vera提醒我们，先进处理器的竞争越来越不是一张规格表能够说明的。真正决定AI系统表现的，是CPU核心、缓存、内存带宽、片内互连、CPU与GPU的一致性、编译器、操作系统、容器环境和任务调度之间的整体协同。国内AI芯片企业往往非常重视加速器算力，却容易低估主机CPU和系统软件。

| 结果可能是AI芯片的理论算力很漂亮，数据准备、任务调度、集合通信和软件执行却跟不上。芯片发布时威风八面，进了数据中心之后，大家一起排队等数据。

| 未来国产计算体系需要关注的，不只是再做一颗CPU或者GPU，而是建立： CPU与AI加速器之间的高速一致性互连高带宽、低功耗的内存系统面向智能体和强化学习的运行环境真实集群下的延迟、故障和利用率测量体系从芯片到机架的软硬件协同设计能力核心数是最容易印在海报上的数字。

| 系统利用率却是最难伪装的结果。结语：CPU没有复兴，它只是换了一个老板 Vera的出现并不意味着计算产业重新回到“CPU为王”的年代。恰恰相反。

| CPU之所以重新受到重视，是因为GPU已经变得太昂贵、太重要，以至于所有可能让GPU等待的环节，都必须被重新设计。从这个角度看，Vera不是CPU对GPU的反攻。它更像是英伟达为了维护GPU统治地位，亲手打造的一名高级管家。这名管家跑得足够快，就能让整座AI工厂少停顿、多生产Token；而谁控制了这名管家，谁就更有机会控制整个机架。因此，英伟达进入CPU市场真正带来的冲击，不是服务器市场又多了一个Arm处理器。