288核CPU单颗跑近千智能体，推理时代算力版图生变

智能体规模化落地，最先撞上的不是模型能力的天花板，而是延迟。模型训练是标准化、可并行的批量任务，核心目标是提升整体吞吐量；智能体则是典型的串行状态机，每一步执行都依赖上一步的输出，任意环节的微小延迟都会沿任务链路层层放大。传统CPU一味追求平均吞吐的优化思路，在这个场景下已经不够用了。

稳定、可控、超低的端到端延迟，成为智能体规模化的硬性约束。与此同时，硬件负载的矛盾也在加剧：高并发工具调用与高带宽AI推理需要在单芯片内混跑，二者对内存资源的需求相互冲突，叠加多租户场景下的安全隔离与资源独占需求，传统CPU架构的短板被彻底暴露。

数据中心被拆成三类集群

在9月22日的Connection大会上，英特尔给出的判断是：推理时代，CPU正从配角变为整个系统的控制中枢。英特尔数据中心集团副总裁、中国区总经理陈葆立表示，未来的数据中心将被拆分为三类集群——负责智能体执行和任务编排的CPU集群、负责模型推理计算的GPU集群，以及承载长对话、文档等持续新增业务数据的存储集群，三类集群之间的数据调度全部由CPU完成。

落到产品上，采用Intel 18A制程、最高拥有288个能效核的至强6+处理器配合智能体套件，单颗即可部署近千个智能体。英特尔给出的实测数据是：在SWE-bench测试中，其单智能体性能领先竞品15%；在云端沙箱场景下，面对10分钟内批量启动上万沙箱、单沙箱延迟200ms以内的要求，至强6+支持350个沙箱并发，性能约为竞品的1.46倍。

三个环节，CPU的价值被重新定价

除了智能体编排，CPU在三个具体环节上的作用也被放大。

• 异构数据预处理：智能体需要抓取网页、视频、PDF等素材并做文本提取，这类任务GPU并不擅长，至强AMX加速器让向量化和重排序分别达到基准的2倍和4倍。
• 存储调度：从HBM到DRAM再到本地SSD，成本和延迟呈反向变化，CPU作为核心调度者，联合焱融科技基于至强6和MRDIMM的方案，在MLPerf Storage v3.0中拿下了Llama3检查点读写和3D-Unet训练两项全球第一。
• KV Cache管理：面对百万Token上下文约300GB的容量，英特尔的KV Cache智能加速套件通过QAT实现无损压缩，将300GB原始数据压至200GB，并借助DSA引擎将数据搬运最高加速9.66倍。

把这些环节串起来看，结论是清晰的：GPU承载推理运算，CPU既要承担基础计算，更要扛起全局调度管控。随着业务规模扩张，这套调度工作的复杂度呈指数级攀升。

物理AI：让机器人跳舞容易，做精密操作难

数字AI的战场在云端，物理AI的征途在真实的物理世界。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在大会上表态，希望当大家提到物理AI时，第一个想到的厂商是英特尔。

物理AI与数字AI的核心差异在于，机器人必须与真实物理环境交互。行业里一个现实的痛点是：让机器人跳舞容易，做精密操作难。难点在于控制，动态环境下的实时感知与精准执行仍是巨大瓶颈。

第三代酷睿Ultra的应对方案是大小脑融合。依托XPU异构架构，推理决策与实时运动执行被整合在单颗SoC上：CPU作为小脑，以4kHz的控制频率每秒完成4000次动作调整，保障关节电机精准响应；GPU承载高阶AI推理，在Pi0.5精度下推理时延仅为78毫秒，低于人类视觉200-250毫秒的平均反应时间；NPU面向视觉感知，YOLOv12n推理仅需3.55毫秒，每秒处理约280帧，远超普通摄像头60帧的输出上限。

传统方案需要多个独立单元分工处理感知、决策和控制，不仅响应慢，还容易出现协同偏差。单芯片整合后，工程师得以将精力从底层调优转移到上层智能开发。

成本是另一道坎。具身智能的Token消耗随用户量线性增长，某具身企业创始人透露，工程师一下午的训练就能烧掉数百美元。英特尔的思路是通过硬件负载整合降低底层开销，将推理决策和运动控制统一到单颗SoC的异构架构上，从硬件层面压缩算力冗余和能耗，把整体拥有成本拉到可商业化的区间。

算法路线未定，用生态广度对冲

具身领域目前没有统一范式，世界模型、VLA等路线仍在并行演进。芯片架构设计周期长达两到三年，押错路线的代价极其高昂。

高嵩给出的思路是辩证的：不仅要倾听客户的声音，更要有自身的战略判断，用内部的前瞻视角结合架构优化，与最广泛的生态合作，找准技术落地的正确方向。英特尔的差异化策略是不盲目追随单一算法路线，而是以开放的架构和生态，支撑多种算法范式的并行验证与快速迭代。

目前，英特尔已联合科通工业、神州数码等合作伙伴推出基于第三代酷睿Ultra平台的具身智能开发套件，并携手多家伙伴面向制造、建筑、医疗、智慧城市、仓储物流、酒店等场景推进项目从原型走向量产。英特尔同时宣布，具身套件将于11月在京东上线。

在AI从算得快走向干得了活的今天，系统设计的重心正在向执行面迁移。数字AI侧，推理和智能体部署放大了CPU侧的系统工作，x86在控制面、生态适配和基础设施软件上的存量优势正好能接住这个需求；物理AI侧，则用异构SoC缩短机器人的感知-决策-控制闭环，靠生态广度对冲算法路线的不确定性。