CPU正在重回舞台中央。

看完2026英特尔技术创新与产业生态大会，这是记者最直观的感受。2026年初，产业分析机构对2030年数据中心CPU总可寻址市场规模的预估是590亿美元；到了8月，同一机构将这一数字上修至2100亿美元。

是什么让他们改变了看法？智能体。

智能体改变了什么

要理解CPU为什么突然变得抢手，得先理解智能体和传统AI对话的本质区别。

英特尔数据中心集团副总裁、中国区总经理陈葆立在演讲中用三个软件工程概念来拆解这个差异。上下文工程赋予AI长时记忆，智能体AI能够记住与用户曾经的对话，使每一轮对话不再像“第一次见面”。工具调用相当于给AI“装上了手”——不仅能说，还能访问数据库、调用API、执行代码。而环路工程（Loop Engineering）最接近智能体的核心——模型像一名不断修改和调整答案的学生，题目发下来以后，它不只做一次，而是一次一次地再次验证、确认这个答案是对问题最好的回答。

英特尔数据中心与人工智能集团副总裁、中国区总经理陈葆立

中国工程院外籍院士、清华大学智能产业研究院（AIR）创始院长张亚勤在大会上给出了更精练的定义：智能体能围绕目标进行规划、行动、试错和迭代，直到完成任务。

举个例子：用户每天早上8点让AI搜集前一天的财经新闻并生成摘要。这个只有一句话的任务，运行链路远超想象：系统需要从网页、PDF、视频等异构源提取文本，分别做向量化处理，加载到模型分析，再根据分析结果决定是否调用更多数据源。每一次工具调用、每一次逻辑分支、每一次上下文索引，都伴随着新一轮CPU调度。

关键就在这里。传统大模型推理是单向流水线——GPU负责繁重的矩阵运算，CPU只做简单的数据搬运。但智能体的工作流本质上是反复的“计划—行动—评估—重来”循环，频繁的决策分叉、外部工具调用、记忆库检索。这些逻辑分支、状态管理和IO调度，恰恰是CPU架构的核心能力。

研究机构Semi Analysis的测算佐证了这一判断：在现代智能体代码工作负载中，约42%的执行时间被CPU驱动的工具调用所占用。佐治亚理工学院的研究结论更为激进——CPU侧的工具处理占智能体工作负载总延迟的90.6%。

智能体需要CPU

CPU与GPU的配置比例正在发生颠覆性变化。

在模型训练时代，一台AI服务器通常配8颗GPU、2颗CPU——算下来约等于4:1到8:1。GPU是绝对主角，CPU只是配套的“机头”。但进入智能体推理时代，这个比例正在发生结构性变化。

英特尔首席营销与传播官Annie Shea Weckesser在大会上明确表示，数据中心CPU与GPU的配置比例正从传统的4:1向接近1:1的方向演进。

英特尔首席营销与传播官Annie Shea Weckesser

华尔街已经从资本支出的角度捕捉到了这个信号。高盛的数据显示，在近期的AI基础设施资本支出中，CPU的份额已经超越了GPU。摩根士丹利的分析更为系统：Agentic AI可能在2030年前为数据中心CPU市场带来额外325亿至600亿美元的增量机会。

之所以产生这样的变化，是因为在智能体需求面前，CPU的确具有优势。

陈葆立给出了几组实测数据。采用Intel 18A制程制造、集成了288个核心的新一代至强6+处理器，单颗芯片上能稳定运行将近1000个智能体。在满足200毫秒SLA的严苛约束下，至强6+可实现350个沙箱并发，约为某一竞品实测值（240个）的1.46倍。在SWE-bench基准测试（业界公认的衡量智能体能力的开源基准）中，单智能体性能平均领先竞品15%。

智能体呼吁新型算力基础设施

英特尔将未来的数据中心划分为三类协同服务器集群。

第一层是CPU集群，负责智能体的执行与工作编排。这是智能体任务的核心调度层，用于拆解任务、选择工具、协调资源、管理状态。第二层是GPU智算集群，配备AI加速卡，承担模型推理与训练等算力密集型任务——也就是传统意义上的“Token工厂”。第三层是高性能存储集群，承载长对话记录、文档、合同、模型检查点等海量新增数据。

这三类集群有一个非常重要的共同点——都需要CPU来做数据调度。

在这个新架构中，KV Cache这一技术指标被重新重视。

大模型的上下文越来越长，智能体需要反复处理多轮对话信息。以35B参数的千问模型为例，百万Token上下文产生的KV Cache高达300GB，早已超过大多数GPU的HBM容量。这些数据必须卸载到系统内存甚至SSD中，而压缩、搬迁、索引这些缓存数据的任务，天然落在CPU肩上。

英特尔正在致力于建设面向智能体时代的高性能AI存储

陈葆立披露，至强6+内置的QAT（Quick Assist Technology）加速器可以对KV Cache进行无损压缩，300GB的数据可压缩至约200GB再落盘，能够节省约50%的存储成本。配套的IAA存储加速和AMX矩阵加速引擎，则可在数据预处理完成向量化和重排序，性能分别达到对比基准的2倍和4倍。

存储侧的生态实践也在跟进。大会期间，英特尔与忆联联合发布了面向智能体时代的高性能KV Cache G3.5方案，将企业级SSD从单纯的存储介质升级为KV Cache的大容量溢出层。而英特尔与焱融科技基于至强6和MRDIMM打造的存储系统，在MLPerf Storage v3.0基准测试的Llama3-70B检查点读写和3D U-Net训练两项中取得全球第一。

从芯片到整机柜、从压缩到存储——英特尔正在为智能体构建一套完整的算力基础设施。而CPU，是这套基础设施的“脊椎”。

“调度”变得重要

阿里云首席云服务器架构师陈健在大会论坛中，将AI算力发展划分为三个时代：2012年前的传统机器学习时代、2012年后的深度学习时代（GPU成为绝对算力中心）、以及2025年开始的Agentic AI时代。他的判断是：“智能体为解决任务而生，需要任务拆解、编排调度、工具调用——这些工作高度依赖CPU，CPU重新回到舞台中央。”

他紧接着强调了一个关键前提：“智能体时代不是CPU取代GPU，而是进入一个CPU与GPU深度协同的新纪元。”

这句话点明了问题的本质。CPU重新重要的真正含义，不是GPU不重要了，而是AI的瓶颈发生了转移。在训练时代，系统瓶颈是“算得快”——谁的GPU浮点性能更强，谁就占据优势。在智能体时代，系统瓶颈变成了“调度得顺”——任务拆解、工具协同、数据流转、状态管理的效率，决定了GPU能不能被充分利用，能不能在给定的时间窗口内交付一个完整的任务。

这也是为什么英特尔在大会上反复强调"开放"——开放Agent整机柜平台规范、开放x86生态、开源的Pytorch和Linux适配。在智能体时代，没有一个玩家能把从芯片到整机柜、从压缩算法到KV Cache分层、从云到端的全链路独自打通。拼单点性能的时代过去了，拼的是谁能用最标准化的基建，让最多的人在上面跑得最顺。

从更长的产业周期来看，CPU价值的重估，本质上是算力分工的一次重估。过去两年，全行业把AI等同于GPU，把算力等同于并行浮点运算——这是一个被训练时代塑造的惯性思维。但当AI从“聊天”走向“干活”，算力结构的重心，正在悄然从加速卡一侧，向CPU倾斜。