文章核心观点 - 当前及未来的人工智能发展，特别是AI Agent和强化学习的兴起，使得高性能CPU在数据中心的重要性与GPU并重，CPU正迎来其“事业的第二春”[9][10][28][73][74] AI算力需求演变：从CPU到GPU，再到CPU与GPU协同 - AI训练早期（如1998年）依赖CPU，训练一个CNN模型需在单个CPU上运行两三天，效率低下且成本高昂[12][13][15] - 2012年ImageNet大赛成为转折点，使用两张GTX 580显卡将图像识别准确率提升十个百分点，GPU自此成为AI发展的核心算力，英伟达市值随之跃升[20][21][24][25] - 在早期的生成式AI应用中（如ChatGPT），交互模式简单，主要为GPU进行矩阵运算生成回答，CPU参与度有限[29][31][32] AI发展新趋势驱动CPU需求复苏 - AI Agent的兴起：以Claude Code、龙虾等为代表的AI工具，其工作流程不再是简单问答，而是需要自主理解目标、调用工具（如浏览器、电商接口）、搜索信息并决策，形成了GPU与CPU交替工作的“连环交替”模式[33][34][35][38][39] - 强化学习（RL）成为关键：当前头部模型（如DeepSeek R1、OpenAI、Anthropic、Google、阿里Qwen、Grok）的性能提升越来越依赖强化学习，该过程需要模型在模拟环境中执行并验证结果（如运行代码），这大量依赖CPU进行环境模拟、结果验证和评分[45][46][47][50][51][52] CPU性能成为数据中心效率的关键瓶颈 - CPU负责AI推理前的关键准备工作，包括接受用户请求、分配模型数据、加载模型权重、更新KV缓存等，若CPU性能不足，会导致高功耗的GPU闲置等待，整体效率降低，增加时间和电费成本[59][60][61][62][63] - AMD的实验数据显示，为8块Instinct MI300x GPU搭配更高性能的CPU（AMD EPYC™ 9575F vs. Xeon 8592+），在多个模型（Llama-3.1-8B/70B, Mixtral 8x7B）的推理测试中，平均性能可提升1.09倍；为8块Nvidia H100搭配高性能CPU，平均性能可提升1.08倍[68][69][72] - 尽管高性能CPU自身功耗增加0.8%，但通过提升GPU工作效率8%，实现了更高的整体能效比，即“数据中心越贵，数据中心越便宜”[69][70][71] 行业厂商的战略布局与市场影响 - 主要云厂商正积极增加数据中心CPU配置，例如微软在建设Fairwater数据中心时，专门额外建造了一栋全是CPU的大楼[41][42] - 科技巨头采取不同策略加强CPU能力：谷歌自主研发服务器CPU Axion；Meta与Arm合作共同研发CPU；其他大模型厂商则直接向英特尔等传统CPU供应商采购[54][57] - CPU需求复苏为英特尔、AMD等传统CPU厂商，以及试图进入该市场的英伟达带来了新的增长机遇[6][7][75]