智能体重塑算力需求，英特尔能否打开市场机会？

21世纪经济报道记者 彭新

AI从回答问题走向执行任务，正在改变数据中心的算力需求。过去围绕大模型训练展开的基础设施投资，主要聚焦GPU等加速芯片；随着智能体开始调用工具、运行代码和处理文件，承担这些工作的CPU也迎来新的需求。

“有客户要求10分钟之内做1万个沙箱，问我们怎么去做软件优化。”英特尔数据中心集团副总裁、中国区总经理陈葆立告诉记者，这类需求已经真实出现，公司团队正开展相应优化。所谓沙箱，是供智能体执行代码和操作文件的隔离环境，其启动速度、运行效率和部署密度，都会影响智能体服务的表现。

智能体应用的兴起正在重新唤起市场对CPU需求的关注。今年9月，Meta推出的个人智能体Muse迅速走红，进一步凸显了CPU在AI基础设施中的价值。

根据Meta公布的技术说明，每位用户拥有专属的云端虚拟机（Muse Secure VM），配备浏览器以及CPU、内存和存储资源，用于执行代码、运行工具并协调多个子智能体。对于耗时较长的任务，即使用户关闭应用，Muse仍可在后台持续工作。这意味着，个人智能体的普及，将需要大量的CPU资源予以支撑。

智能体任务，CPU“挑大梁”

智能体带来的变化，首先体现在处理计算的流程上。

在典型的AI机器人聊天场景下，用户提出问题，模型完成推理并输出答案。智能体则需要进一步把目标拆解成任务，调用外部工具执行，再检查结果，必要时重新规划，一次请求由此可能变成多轮模型推理与程序执行。

陈葆立表示，从上下文管理、工具调用到反复验证和改进，智能体背后是一层层软件机制，其中很多工作适合由CPU执行，这也是英特尔判断智能体将带动CPU需求增长的原因。

阿里云首席云服务器架构师陈健也提出，随着智能体需要拆解任务、重新编排和调度工具，CPU参与的工作随之增加，智能体时代将是CPU与GPU协同的时代。

不过，这种协同对CPU提出了不同于传统云计算的要求。智能体调用模型后，需要等待结果，得到结果后，又可能短时间内集中执行代码或调用工具，大量智能体同时运行，会形成间歇性与突发性并存的负载。

英特尔方面向记者解释，如果CPU执行速度不足，GPU需要等待工具返回结果，如果单台服务器承载的智能体数量太少，又会影响资源利用率。因此，处理器既要保证单个任务的响应速度，还需要支持大量任务并发。

今年6月，英特尔发布采用Intel 18A制程的至强6+处理器，最多配备288个能效核。陈葆立介绍，随着客户开始实际部署智能体，英特尔相应调整了处理器测试方式，进一步考察单颗CPU可承载的智能体数量，以及单个智能体的运行性能。据英特尔披露，在满足200毫秒沙箱启动时延的测试条件下，至强6+处理器可支持350个沙箱并发。

内存容量也可能成为限制。智能体等待模型反馈时，处理器资源可以让给其他任务，但任务状态和上下文仍需保存。云厂商通过让多个智能体分时共享CPU提高利用率，也会相应增加内存需求。

算力芯片竞争延伸至全栈系统

围绕上述需求，英特尔正将产品布局从单颗处理器扩展至整套AI系统，即“全栈系统”竞争。

陈葆立向记者分析，AI数据中心可以包括承担智能体执行与编排的CPU集群、承担模型计算的GPU集群，以及保存数据的高性能存储集群。CPU在这些环节中承担不同工作，相应的性能、内存和数据传输需求也有所区别。

针对高密度智能体部署，英特尔推出CPU整机柜开放参考标准，将计算、内存扩展、互联、散热和供电纳入统一设计。目前，立讯精密已基于这一设计开发整机原型。立讯精密总架构师李成伟介绍，当前CPU智算机柜仍面临标准不统一、软硬件适配门槛较高和企业采购成本较高等问题。参考设计能够帮助合作伙伴缩短开发周期。

存储与数据传输是AI系统的另一大瓶颈。智能体需要持续读取资料、保留上下文，模型推理过程中产生的KV Cache（键值缓存）也可能随之增加。这类缓存保存已处理词元的部分中间计算结果，使模型在后续生成中减少重复计算。

缓存占用的空间越大，对GPU显存的压力也越大，将其转移至系统内存或固态硬盘，可以释放显存，但也会带来额外的数据传输时间。对此，英特尔推出了KV Cache智能加速套件，可将缓存从显存卸载至系统内存，或转移至远端服务器，降低存储占用。为减少额外操作带来的时延，软件需提前准备后续计算所需的数据，使数据传输、解压与计算尽可能重叠进行。

产业链企业则尝试将性能提升转化为更少的设备投入。焱融科技CTO张文涛介绍，其基于至强6打造的新一代全闪存储产品，可以通过调整网卡配置和单盘容量，为客户提供不同升级方案。他以2PB可用容量需求为例称，在保持容量和性能的方案中，存储节点数可较原方案减半。

智能体火热背后，市场机会仍待验证

“我听到最多的是两句话，一句是‘这件事还真的不能不做’，另外一句是‘这个账真的不好算’。”英特尔中国区数据中心与人工智能销售业务部总经理何佳卫概括了企业对AI投入的矛盾心理：一方面担心AI投入不足或行动过慢会落后于竞争对手，另一方面又必须面对机柜、电力和计算资源等实际支出，如何平衡投入与回报成为现实难题。

陈健认为，评估智能体的经济性，需要同时考量单位Token（词元）价格与完成单项任务所消耗的Token数量，最终要看综合成本。此外，企业还需要把智能体的任务完成率、重试次数和人工复核工作量纳入评估。如果智能体频繁执行失败，或者结果仍需大量人工接手，即使芯片运行效率提高，也未必能够带来相应的业务回报。

对英特尔而言，智能体时代下，算力芯片厂商的竞争难以避免。CPU需求增长正吸引更多厂商加大投入，竞争范围也从处理器本身延伸至服务器机架，乃至整个生态系统。

从市场来看，英伟达已将兼容Arm架构的Vera CPU用于面向智能体的服务器和机架方案，并通过自研互联技术与GPU协同。10月12日，AMD也发布面向智能体的Helion机架设计，涵盖纯CPU配置以及CPU与GPU一体化配置。

这意味着，英特尔需要同时应对x86阵营内部的竞争，以及Arm、RISC-V等架构的长期挑战。对此，陈葆立认为，x86长期积累的软件生态是英特尔的优势。智能体需要调用大量既有工具，拥有成熟的软件、运行环境和运维经验，这是英特尔擅长的地方。