GPU神话褪色，AI新战场聚焦系统效能

出品 | 徽声在线APP

作者 | 张博

编辑 | 丁萍

头图 | AI生成图像

在过去的两年里，AI产业的核心叙事几乎都围绕着GPU展开。

从OpenAI引领的大模型浪潮，到英伟达市值的迅猛攀升，再到云服务提供商、互联网巨头和初创公司竞相争夺高端算力资源，GPU被塑造成AI时代最为稀缺的“硬通货”。谁拥有更多的GPU，谁就更能接近模型能力的上限，谁就能构建更大的训练集群，谁就更有可能拿到通往下一代AI的入场券。

在这套叙事逻辑中，CPU并未消失，但显然已退居次要地位。它依旧是服务器的基础组件，支撑着操作系统、数据库、网络和应用程序的运行，却不再是AI故事中的主角。市场甚至形成了一种默认的判断：在AI时代，GPU是主导者，而CPU只能分得一杯羹。

然而，到了2026年，这一判断已显得力不从心。因为AI产业正经历着一场更为深刻的变化：主战场正从训练竞赛转向部署竞赛，价值重心正从峰值算力转向系统效率。

这意味着，真正决定AI商业化速度的，不再仅仅是GPU能否将模型训练得更大、更快，而是整套系统能否以可控的成本、稳定的吞吐和高利用率，将模型真正运行起来、应用起来，并实现盈利。

一旦竞争从“单卡性能”转向“端到端效率”，CPU便不再只是配角，而是成为AI基础设施中被长期低估的系统变量。

市场为何重新关注英特尔？

这不仅仅是因为财报数据，更是因为需求结构发生了变化。

近期，一个值得注意的信号是英特尔重新获得了资本市场的青睐。2026年第一季度，英特尔的营收约为136亿美元，同比增长7%，连续第六个季度超出市场预期；净利润同比增长156%。其中，数据中心与AI相关业务（DCAI）的收入达到约51亿美元，同比增长22%，成为增长最快的业务板块。财报发布后，英特尔股价盘后最高上涨超过40%（截至4月30日）。

如果仅从公司层面来看，这当然不足以说明英特尔已经彻底翻身。它仍面临着制程追赶、服务器CPU市场份额承压、Arm架构渗透、云厂商自研芯片推进等诸多挑战。但市场还是给予了它新的想象空间，原因不在于英特尔突然成为了AI领域的明星，而在于投资者开始意识到：AI基础设施的需求结构，已经不再仅仅是“多买GPU”。

英特尔管理层在财报会议上透露，数据中心中CPU与GPU的部署比例，正从传统的1:8收紧到1:4，在智能体场景中甚至可能进一步向1:1靠近。

这背后的含义非常明确：过去两年，AI行业最核心的矛盾是训练能力不足，而今天，越来越多的企业开始面临另一组问题，即模型训练完成后，如何进行推理、如何部署、如何扩展、如何控制成本。

也就是说，资本市场重新定价的，不只是英特尔，而是一个更深层次的事实：AI开始进入系统竞争阶段。

CPU的重要性从何而来？

要回答这个问题，首先要解答另一个疑问：为什么AI今天的核心矛盾，已经不再仅仅是训练。因为训练虽然成本高昂，但对大多数企业来说，它更多是一次性的资本支出；而推理、部署和调用，则是持续性的运营支出。

训练决定模型能否被开发出来，而推理则决定模型能否持续生存下去。这一变化已有明确的数据支撑。

德勤估算，推理工作负载占AI总算力的比例在2023年约为三分之一，2025年接近一半，到2026年预计将达到三分之二。IDC预测，到2027年，中国推理算力占整体算力的比例将突破70%。另有研究预计，到2026年，推理带来的市场规模将是训练硬件市场的2到3倍。这些数据共同说明了一件事：AI的成本中心和价值中心，正在从“训练一次”转向“运行无数次”。

郑纬民院士给出了一个更为直白的拆分：在大模型推理成本中，人力仅占3%，数据占2%，算力占到95%。他举例称，ChatGPT的推理开销每天约70万美元，DeepSeek V3每天约8.7万美元（按各自披露口径）。

这组数据真正说明的，不是“推理也很贵”，而是一旦AI进入大规模使用阶段，真正吞噬利润的不是训练成本，而是推理成本。国家数据局的数据进一步放大了这种压力：中国日均Token调用量从2024年初约1000亿，跃升至2026年3月的140万亿，两年增长超千倍。

如果说训练是一次性投入大量资金，那么推理就是每天都在消耗资金。训练成本高是研发问题，而推理成本高则是利润问题。而一旦问题变成利润问题，企业就不可能再只盯着模型参数和GPU数量，而必须开始追问：

GPU是否被充分利用了？哪些任务必须用GPU？哪些其实应该交给CPU？整套系统的吞吐率和资源利用率到底高不高？

这正是CPU重新变得重要的起点。

许多人理解AI基础设施，还停留在“GPU越多越好”的阶段。但现实是，今天大量AI系统面临的核心问题，不是GPU不够强大，而是系统无法充分供给GPU所需的资源。

MLPerf行业基准测试显示，在大模型训练场景中，数据加载、预处理、参数同步等环节带来的延迟，可占总训练时间的35%到60%。IDC调研则显示，即使是头部互联网企业的AI推理集群，GPU的平均利用率也长期低于40%；大量中小企业的GPU集群利用率甚至不足15%。

这意味着什么？

这意味着今天最昂贵的AI资源，正在被大规模浪费。不是因为GPU性能不行，而是因为数据流动、任务调度、内存管理、I/O协同、网络处理这些系统环节跟不上。换句话说，GPU算得很快，但系统供给不上，结果就是一边拼命买卡，一边大面积闲置。

这也是为什么CPU的重要性，不是“多卖一点服务器芯片”那么简单，而是它直接决定AI系统的资源利用率和投资回报率（ROI）。

因为在真实的工作流程中，GPU从来不是单独工作的。它前面有数据准备，后面有结果处理，中间有任务调度、缓存维护、上下文切换、网络通信、容器管理、数据库交互。这些环节中，真正承担控制流和系统协同的，主要是CPU。

所以问题的本质不是“CPU能否替代GPU”，而是如果CPU和系统层能力跟不上，再强的GPU也只是昂贵的闲置资产。

智能体兴起，让CPU从“底座”升级为“中枢”

如果说推理阶段让CPU重新变得重要，那么智能体（Agent）的兴起，则将这种重要性进一步放大。

因为智能体不是一个“更会聊天”的模型，而是一套真正要执行任务的系统。它要理解目标、拆解步骤、调用工具、访问数据库、连接API、执行代码、维护状态、判断结果，必要时还要调用其他模型或子智能体协同。

在这条链路中，模型推理只是其中一环。大量工作并不是“计算”，而是“调度”“编排”“切换”“访问”“管理”。这些工作本质上都属于控制流和系统协同，而这正是CPU最擅长的领域。

康奈尔大学的研究显示，在五类代表性智能体工作负载中，CPU端的工具处理、逻辑调度和数据预处理，占总端到端延迟的比例高达43.8%到90.6%。在典型的RAG场景中，CPU处理甚至可能占到总延迟的90%以上，GPU推理反而不到10%。

这组数据的意义非常明确：在智能体时代，很多真实任务的瓶颈已经不是GPU算得够不够快，而是CPU能否把整条任务链顺畅地跑完。

这也解释了为什么CPU/GPU配比正在发生变化。TrendForce指出，当前AI数据中心中CPU与GPU的配比大约是1:4到1:8，而在智能体AI时代，这一比例预计将逐步演变为1:1到1:2。当配比从1:8向1:1收敛，本质上不是CPU多卖了几颗，而是AI基础设施从“计算中心化”转向“系统中心化”。

产业反馈已经开始显现。2026年第一季度末，Intel和AMD都对部分CPU产品线提价，服务器CPU的交期拉长至约6个月。与此同时，英伟达和Arm也在同一时期宣布进军服务器CPU市场。

一个是GPU巨头，一个是IP授权商，却在同一时间加码CPU，这说明他们看到的是同一个趋势：未来AI的关键战场，不只是模型推理本身，而是围绕推理和智能体展开的整机系统能力。

当所有头部玩家都在补CPU，说明竞争已经从“单芯片”变成“系统工程”。过去两年，AI行业有一种很强的“单点崇拜”：比谁的芯片更强，比谁的参数更多，比谁的集群更大。这种竞争方式在产业早期成立，因为技术突破往往首先来自少数明星环节。

但产业一旦进入落地阶段，决定胜负的逻辑就会改变。真正拉开差距的，不再只是某个单点性能，而是整套系统能否以可控成本、可复制方式持续运行。

所以今天我们看到的，不只是英特尔受益，而是所有重要玩家都在重新补CPU、补系统、补整机能力。英特尔希望依托数据中心生态和软件兼容，重新巩固系统层话语权；AMD则在服务器CPU市场持续扩大份额，Mercury Research数据显示，AMD EPYC服务器CPU在2025年第四季度的营收份额已达到41.3%，首次突破40%。

Arm和云厂商自研CPU，则试图从高能效和定制化切入系统入口；甚至连英伟达自己，也在通过Grace CPU强化对整机架构的控制力。所有顶级玩家都在补CPU，不是因为CPU突然变得性感，而是因为AI开始从芯片问题，变成系统问题。

如果把视角拉回中国，这轮变化的现实意义更大。中国是全球AI应用落地最快的市场之一。截至2026年3月，我国日均Token调用量已突破140万亿；IDC数据显示，2025年中国AI加速卡总出货约400万张，其中国产厂商出货165万张，占比41%。

这说明，中国AI已经不再只是“模型热”“算力热”，而是进入了真正的“调用热”和“部署热”。这会把中国企业推向一个更现实的问题：AI不是能不能做，而是做了之后能不能长期运行、能不能算得过来账。

第一，是成本压力。

某制造企业在将智能体接入生产线时发现，每个决策步骤的推理成本高达0.3美元，是传统规则系统的20倍。这类案例真正说明的，不是智能体太贵，而是：如果系统架构不优化，AI很容易从生产力工具变成成本黑洞。

第二，是兼容压力。

中国企业现有的IT系统复杂多样，数据库、ERP、CRM、OA、工业系统长期并存。AI如果要真正进入业务流程，必须与这些存量系统深度融合。这意味着企业需要的不是单一“最强模型”，而是一套能把模型、数据库、API和业务系统串起来的基础设施，而CPU承担的正是兼容、调度和运行时支撑角色。

第三，是自主可控。

随着AI部署的深化，国产CPU、服务器、操作系统、数据库、中间件和调度软件，都会被重新放到更靠前的位置。也就是说，CPU重新变得重要，不只是国际巨头的机会，也可能成为中国基础设施产业链的一次再估值窗口。

所以，如果把视角再拉长一点，就会发现，CPU在AI中的重新变得重要，其实只是表象。更深层被重新定价的，是系统能力。

本文来自徽声在线，原文链接：https://www.huxiu.com/article/4855067.html?f=wyxwapp