过去几年，老黄靠着 GPU 几乎把全世界的热钱都赚进了兜里，大家都说，搞 AI 只要显卡够多就行。

　　就连前段时间各种动荡，一直成绩低迷被人看不起的英特尔，股价也是迎来了一波猛涨。

　　上周五股价直接暴涨 27%，突破了它们在 26 年前创下的股价历史高点。

　　因为在显卡真正成为 AI 主角之前，AI 很长一段时间，都是靠 CPU 硬算出来的。

　　1998 年，图灵奖得主 LeCun 在一篇论文中就提到，他们当时要训练一个 CNN 模型的话，得在单个 CPU 上跑个两三天时间。

　　拉到当时的一些论文审稿人，看到文章名字里带有“神经网络”，就会考虑直接拒稿。

　　于是，大家为了不让自己的论文被直接扔进垃圾堆，不得不给神经网络起个花名，来蒙混过关。

　　2012 年的 ImageNet 大赛上，图灵奖得主 Hinton 带领的小队打出了遥遥领先的战绩。

　　用两张电脑城里买到的 GTX580 显卡，把图像识别的准确率给直接提升了十个百分点。

　　老黄也穿着他的标志性皮衣，通过卖铲子，一路把英伟达的市值干到了世界第一。

　　而曾经的王者 CPU，在这场 AI 狂欢中彻底沦为了配角，只能干点杂活儿。

　　到了 2026 年的今天，大家突然发现，想要搞好AI，光靠GPU已经不够了。

　　过去我们用 AI，不管是 ChatGPT 还是 DeepSeek，大家基本上都是对着一个网页唠嗑。

　　我们提问，然后那边的 GPU 在原地狠狠的做矩阵运算，预测下一个 Token 是什么，再把答案一段段吐出来。

　　但是随着 Claude Code，龙虾这样的 Agent 工具越来越火，事态逐渐发生了一些变化。

　　举个例子，我们让 AI 来帮我们去买个奶龙玩偶，那 AI 最先做的，就是搞清楚，什么是奶龙？

　　如果不认识的话，就要去网上搜一搜看看这是啥，确认完之后，它还得去选合适的工具。

　　比如调用电商平台的接口，或者浏览器工具，去搜奶龙玩偶的价格、款式、店铺和销量。

　　最后还得把这些信息整理核实一下，判断一下哪个链接更靠谱，哪个产品的价格更合理，最后再把结果给端上来。

　　看完这个过程，我们会发现现在的 Agent 在干活的时候，都是先让 GPU 干点活，然后让 CPU 接力再干点活，接着再让 GPU 来干活的连环交替类型。

　　所以现在，大家为了不让 GPU 摸鱼，所以都在想方设法给数据中心里塞进更多的 CPU。

　　微软在建设最新的数据中心 Fairwater 的时候，就专门额外建了一栋全是 CPU 的大楼。

　　除此之外，大家也发现，现在想要让模型的性能变得更强，也离不开 CPU 在后面发光发热。

　　现在想让模型变得更聪明，光给它多塞几张显卡堆规模，很多时候已经不太够用了。

　　所谓的强化学习，就是不再只让模型坐在教室里背标准答案，而是直接扔进考场里，让它下场做题。

　　比如你让 AI 练写代码的能力，那模型就不能光生成代码就完事了，得把代码真的跑起来，测一遍，看看结果对不对。

　　模型的每次训练，背后都可能有一堆 CPU 在陪它做演习，在旁边搭场地、搬道具、打分看成绩。

　　除了直接向行业老大哥 Intel 下单购买 CPU 之外，有技术积累的谷歌开始搞起了 CPU Axion。

　　没技术积累的 Meta 则是直接开始和隔壁 Arm 合作，开始共同研发。

　　这是因为现在这些 AI 大模型在干活的时候，GPU 干的所有活，其实都是 CPU 给它指派的。

　　包括但是不限于：接受用户请求、分配模型模型数据、加载模型权重，、更新 KV 缓存等等等。。。

　　如果 CPU 本身就拉了，那活根本排不出来，处理数据磨磨唧唧，就会导致功耗大几百瓦、昂贵无比的 GPU 直接开始磨洋工了。

　　AMD 之前就做过实验，他们给同样的 GPU 配上了不同的 CPU 来测试。

　　结果发现，用上好的 CPU 的那组，虽然耗电量增加了 0.8%，但是干活的效率反而提升了 8%。

　　可以说在未来，随着 AI Agent 和强化学习的继续爆火，CPU 在数据中心的地位只会越来越稳固。

　　这对于英特尔、AMD 甚至想分一杯羹的英伟达来说，绝对是一波天降富贵，白捡的流量。天博体育直播观看方式天博体育直播观看方式