Agentic AI崛起，CPU成为新的性能瓶颈

随着AI智能体不断调用工具、生成子智能体并处理更长的Token序列，CPU在AI基础设施中的计算负载持续增加，并逐渐成为影响整体性能的关键瓶颈。

今年早些时候，Amazon Web Services（AWS）的高层向工程师提出了一项新的要求：必须尽可能节省CPU计算资源。据报道，随着AI工作负载不断挤压公司的云基础设施，AWS的CPU服务器容量的等待时间出现了爆发式增长。

这个问题似乎让AWS措手不及，而且原因显而易见。AI的蓬勃发展导致GPU需求激增，随后内存需求也随之飙升。CPU基本没有出现在这轮增长中，因为与GPU相比，CPU的并行能力相对有限，因此并不适合AI模型推理——也就是运行并向用户提供大语言模型（LLM）服务的过程。

但随着Agentic AI（智能体AI）系统兴起，这一叙事正在发生变化。Agentic AI允许AI模型自主运行，并调用其他子智能体来完成任务。

Moor Insights & Strategy副总裁兼首席数据中心分析师Matt Kimball表示，2026年CPU需求出现了明显增长，其中很大一部分来自Agentic AI的发展。Kimball说：“让一个智能体工作，并假设它生成100个智能体是一回事。如果我要把这种模式推广到整个企业，那么这100个智能体很快就会变成数万个、数十万个甚至数百万个智能体。你会看到智能体生成子智能体、发起API（应用程序编程接口）调用，并通过Anthropic的模型上下文协议与更多智能体进行通信。”

AI agents需要使用计算机，而计算机需要CPU

Kimball所说的情况，部分涉及所谓的“工具调用（tool use）”。这是对LLM能力的一种概括，即让大语言模型访问互联网、打开桌面上的文件，以及使用各种软件来完成任务。

经过工具调用训练的LLM能够学会调用其他软件。虽然LLM的推理过程仍然主要在GPU或类似的AI加速器上执行，但LLM发起的工具调用通常会交由CPU处理。

“Agentic AI任务中的许多环节，本质上都是基于CPU的工作。”英特尔高级研究科学家Souvik Kundu解释道，“CPU负责解析输出结果、确定应该调用哪个工具、发起API调用或运行代码、收集结果，并将结果反馈回去。”AMD计算与企业AI副总裁Madhu Rangarajan也表达了类似观点。他表示：“在我们的测试中，实际Agentic AI流程的八个阶段中有七个完全在CPU上运行。”

例如，当一个LLM负责编写软件时，它很可能会调用各种工具，将代码写入文件、移动或替换文件、下载所需的软件包，并在LLM认为代码已经完成后构建软件。

Kundu与佐治亚理工学院的研究人员共同撰写了一篇关于Agentic AI优化的论文。他们发现，当LLM推理在GPU上执行时，CPU往往处于空闲状态；反过来，当工具调用在CPU上执行时，GPU又经常处于空闲状态。为了优化这一现象，Kundu及其同事提出了调度优化方案。在持续负载下，该方案最多可以将端到端延迟，即Agentic AI工作负载从开始到结束所需的时间，降低至原来的约1/1.8，也就是性能提升最高约1.8倍。

这只是一个开始，但这种性能提升面对的是一个不断变化的目标。Agentic AI系统能够以机器的速度产生工作，并在运行过程中不断放大工作量。OpenAI曾无意间“入侵”Hugging Face，其模型在一个小时内发起了多达300次操作，而一个智能体还可以生成自己的子智能体，由后者继续发起工具调用。

此外，还有一个重要因素可能会随着模型变得更加复杂而进一步增加CPU的工作负载，那就是安全护栏（safety guardrails）。

Kundu表示，对agents行为进行安全和策略检查，通常需要依据特定规则检查语法和日志文件。安全护栏也可能使用小型模型（参数量低于10亿）来分析任务复杂度或意图。虽然这些任务也可以在GPU上执行，但实际情况往往并非如此，因为这些模型规模较小，同时又需要尽可能降低延迟，因此相关工作通常会留在CPU上执行。

增加可用 CPU 的数量可以显著降低 Llama-8B 对较长序列长度的响应延迟。来源：Euijun Chung、Yuxiao Jia 等。

Tokenization进一步加剧CPU瓶颈

Euijun Chung佐治亚理工学院博士生Euijun Chung近期与其他研究人员共同撰写了一篇论文，其研究结果与Kundu的研究相辅相成。

Chung及其合作者发现，当服务器的CPU核心数量不足时，系统在向GPU分发工作方面会逐渐跟不上。这会导致GPU因为等待指令而停顿。

除此之外，这篇论文还涉及LLM工作负载中的另一个关键环节：Tokenization（Token化）。

Tokenization是LLM推理关键的第一步，它会将文本转换成模型能够处理的整数Token ID。与大多数LLM推理所需要的矩阵运算不同，Tokenization属于具有大量分支、依赖数据的顺序字符串处理。虽然可以通过将文本分块来实现并行处理，但它并不像LLM推理的大部分计算那样具备大规模并行能力。

对于较短的提示词而言，Tokenization是一项相对简单的任务，即使是入门级CPU也不会承受太大压力。然而，一个会发起工具调用的Agentic AI模型，还必须对工具调用返回的结果进行解析和Tokenization。

Chung表示：“假设你有一个持续进行的序列，其中包含10万个Token，而一次工具调用返回了1000个Token，那么Tokenizer就必须再次对整个序列进行Tokenization。而且，每一次Agentic工具调用都需要进行Tokenization。”这不仅提高了Tokenization发生的频率，也增加了每次需要处理的Token数量。Chung认为，未来的Tokenizer或许能够找到缓解这一问题的方法，但对于当前的LLM推理而言，这仍然是一个问题。

论文发现，首Token生成延迟（time-to-first-token），即模型生成回复中的第一个词所需的时间，会随着序列长度增加而大幅上升。增加CPU核心数量可以缓解这一问题。在更长序列的测试中，增加CPU核心数量可以将首Token生成延迟降低约1.5倍至7倍。

由于测试硬件存在限制，Chung及其同事只能测试规模相对较小的模型，例如阿里巴巴的Qwen 3-30B和Meta的Llama 3.1-70B。他推测，更大型的模型可能因为整体GPU需求更高，而不会出现如此明显的CPU瓶颈，但同时他预计Agentic AI会将Token序列长度推向远超其团队测试范围的水平。

Chung表示：“如果你考虑Anthropic的Claude这样的模型，很容易就会达到50万个甚至100万个Token。在Agentic AI的世界里，平均序列长度会不断增长，所以我预计这个问题在未来的工作负载中会变得更加严重。”

CPU紧缺才刚刚开始吗？

亚马逊开始限制CPU资源使用，只是Kundu和Chung发现其研究具有现实意义的诸多迹象之一。

Intel的服务器CPU至少已经到年底前都已售罄。AMD已经将服务器CPU预测产量翻倍。Arm和Qualcomm都宣布了专门用于加速Agentic AI的新型CPU。就连NVIDIA也将基于Arm架构、面向Agentic AI的Vera CPU优先推出，该处理器也是NVIDIA Vera Rubin平台的一部分。

Kimball表示，这些发展清楚表明，AI行业正在更加重视CPU性能。他认为，CPU需求的激增是一个“绝对明显的信号”，说明CPU如今已经被视为Agentic AI系统的关键组成部分。

遗憾的是，这可能会进一步演变为更广泛的CPU短缺和价格上涨，就像此前GPU和内存市场已经出现的情况一样。

Kimball表示：“我们已经在某种程度上看到CPU紧缺了。从市场限制来看，这种趋势甚至蔓延到了消费领域。”他补充说，尽管英特尔新的18A制程推动了公司客户端业务的销售增长，但英特尔仍然削减了客户端CPU的产量，转而优先生产服务器CPU。在Kimball看来，这表明CPU厂商将会向更具商业价值的市场倾斜。

*声明：本文系原作者创作。文章内容系其个人观点，我方转载仅为分享与讨论，不代表我方赞成或认同，如有异议，请联系后台。