9月22日英特尔Connection大会上的一组实测数据，把CPU在AI时代的角色摆得明明白白：至强6+处理器在云端沙箱场景下，能支持350个沙箱并发，单沙箱延迟控制在200ms内，性能约为竞品的1.46倍。
数字AI：CPU从配角变系统中枢
很多人对AI算力的印象还停留在GPU堆参数，毕竟大模型训练靠的是大兵团并行，要的是极致吞吐量。但推理时代不一样——AI不再是“回答问题”，而是“干活”，智能体是串行状态机，每一步都依赖上一步输出，微小延迟会层层放大，用户感知直接掉下来。传统CPU追求平均吞吐的路子过时了，稳定、可控的端到端延迟，才是核心要求。
英特尔没搞单点堆料，而是重新划分数据中心架构：三类集群各司其职，CPU管智能体执行和任务编排，GPU负责模型推理，存储集群扛长对话、文档这类持续数据，集群间的数据调度全由CPU完成。落到产品上，至强6+用18A制程，有288个能效核，单颗就能部署近千个智能体。实测里，SWE-bench单智能体性能领先竞品15%；异构数据预处理上，至强AMX加速器让向量化、重排序分别达到基准的2倍和4倍；联合焱融科技基于至强6和MRDIMM的方案，拿了MLPerf Storage v3.0两项全球第一；KV Cache方面，QAT实现无损压缩，数据搬运加速9.66倍。
物理AI里，CPU是“小脑”不是陪衬
如果说数字AI战场在云端，物理AI的征途在真实世界——也就是具身智能，机器人要和环境交互，痛点是“跳舞容易，精密操作难”。传统方案里，感知、决策、控制各用一套独立单元，响应慢还容易协同偏差。
英特尔第三代酷睿Ultra搞了“大小脑融合”，把推理决策和运动控制塞进单颗SoC：CPU当“小脑”，以4kHz的控制频率，每秒做4000次动作调整，保障关节精准；GPU做高阶AI推理，Pi0.5精度下时延78ms，比人类视觉平均200-250ms反应还快；NPU管视觉感知，YOLOv12n推理仅3.55ms，每秒约280帧，远超普通摄像头60帧上限。
成本也是具身智能的大问题，某具身企业创始人说，工程师一下午训练能烧数百美元。英特尔把推理决策和运动控制整合到单SoC，压缩冗余，把整体拥有成本拉到可商业化区间。算法路线上，具身领域没统一范式，英特尔不押注单一路线，而是靠开放生态支撑多种范式迭代，联合科通工业、神州数码推开发套件，11月京东上线，开发者离机器人更近一步。
AI从“算得快”到“干得了活”，算力重心确实从训练的GPU堆，转到了推理的系统调度。x86在控制面、生态上的存量优势，刚好接住了CPU当中枢的需求。但有个问题：当异构调度成了算力核心，会不会出现新的技术壁垒，还是最终会走向更通用的架构？
素材来源：雷峰网 · AI情报、AI芯片与算力、AI智能体、AI应用落地
查看报道原文
发表第一条评论吧