GPU负责算，CPU负责干活：英特尔开始重新出牌

英特尔正在重新调整自身在 AI 基础设施中的定位。一方面，通过至强处理器承接 Agent 执行、任务编排和数据调度需求；另一方面，继续推进 GPU、存储加速、定制化芯片、先进制程与封装，将原有计算优势扩展到更完整的 AI 系统。

在英特尔技术创新与产业生态大会上，英特尔 CEO 陈立武在视频致辞中表示：“过去一年多来，我和团队致力于塑造一个焕然一新的英特尔，既传承深厚积淀，又专注于技术创新、工程实力、快速执行和客户至上的英特尔。”他强调，英特尔将依托 CPU、GPU、ASIC、先进封装、晶圆制造以及覆盖云、边、端的开放生态，把握 AI 带来的发展机遇。

英特尔重新强调 CPU 的价值

过去三年，大会的讨论重点已经从大模型应用转向推理，并进一步进入智能体时代。英特尔中国区董事长王稚聪表示，这一变化也直接影响着英特尔的数据中心产品路线。

Agent 正在让数据中心工作负载变得更加复杂。过去，大模型主要通过对话完成问答；如今，上下文工程让模型能够利用更多历史信息，Agent Harness 使模型能够调用工具并执行任务，循环工程（Loop Engineering）则让 Agent 能够反复验证和改进结果。

“这一层又一层的软件机制，听起来很简单，但其中很多工作都比较适合 CPU 来执行。这也是为什么在过去一年时间里，AI 智能体的兴起会带来对 CPU 的巨大需求。”英特尔数据中心集团副总裁兼中国区总经理陈葆立说道。

英特尔据此提出，未来 AI 数据中心将由三类服务器或集群协同组成：CPU 集群负责智能体执行和工作编排；GPU 集群承担模型计算和 Token 生成；高性能存储集群则保存上下文、历史对话及业务数据，三类集群都需要 CPU 参与数据调度。

陈葆立表示，“当我们把 Token 工厂的概念升级到 AI 工厂的时候，讨论的就不止是这个 Token 工厂能产生多少 Token，而是整个 AI 大系统如何以更低的资源消耗、更高的效率，帮助客户完成更多工作。这是一种以任务为导向的思维，也是一个完全不同的想法。”

市场预测显示，2030 年 CPU 市场规模预估已从今年 2 月的 590 亿美元上调至 8 月的 2100 亿美元，约为此前预测值的 3.6 倍。与此同时，数据中心 AI 负载占比预计将从 2025 年的 40%提升至 2030 年的 80%。

英特尔首席营销与传播官 Annie Shea Weckesser 也强调，随着 AI 任务在规划、检索、推理和工具调用之间持续流转，CPU 的重要性正在提高。英特尔预计，数据中心 GPU 与 CPU 的配置比例将从约 4:1 逐步向接近 1:1 演进，并预测到 2030 年，全球超过 80%的服务器仍将采用 x86 架构。

288 核至强承接 Agent 负载，英特尔筹备新一代 CPU 机架

围绕 Agent 带来的计算需求，英特尔今年 6 月发布了采用 Intel 18A 制程的至强 6+处理器，最高提供 288 个内核，并推出相应的智能体套件。据英特尔介绍，单颗 288 核至强处理器可部署近 1000 个 Agent。

但在与国内软件合作伙伴和互联网企业进行测试后，英特尔发现，单颗 CPU 能够承载多少 Agent 并不是唯一指标。

“数量越多当然越好，但还不够，还需要性能足够强、智能体跑得足够快。”陈葆立表示，英特尔因此开始从两个维度衡量 Agent 性能：一是单颗 CPU 能够承载的 Agent 数量，二是每个 Agent 自身的执行性能。

根据英特尔披露的客户实测结果，在一组 SWE-bench 工作负载中，至强 6+的单 Agent 平均性能比对比平台高 15%。在沙箱启动测试中，在满足 200 毫秒启动时延 SLA 要求的条件下，至强 6+单颗处理器最多支持 350 个沙箱并发创建，约为某竞品的 1.46 倍。

针对 Agent 规模化部署，英特尔还在与国内 OEM、液冷等合作伙伴共同制定新的 CPU 机架方案，综合考虑 CPU 性能、网络、存储、散热和供电，以满足更高密度的 Agent 运行需求。相关产品计划后续推向市场。

除直接承载 Agent 外，英特尔还在强调至强作为 GPU 服务器主机 CPU 的作用。陈葆立指出，Agent 执行任务时需要处理网页、PDF、视频等不同类型的数据，这些内容必须经过预处理，才能交由大模型完成后续分析。英特尔正在利用至强内置加速器优化这些工作。在相关测试中，借助 AMX 等能力，向量化和重排序性能分别达到对比基准的 2 倍和 4 倍。

至强 6 系列也继续采用 P-core 和 E-core 两种路线。Annie Shea Weckesser 介绍，P-core 主要面向需要快速执行和响应的工作负载，E-core 则侧重提高 Agent 部署密度和能效，内置加速器还可承担安全、压缩、加密等任务，让 GPU 和其他加速器集中处理模型计算。

把数据存储与搬运纳入布局

随着长上下文和 Agent 应用增加，数据存储与搬运也成为英特尔的重点讨论方向。

从 HBM、系统 DRAM 到本地 SSD、远端存储，存储容量和成本逐层变化，但数据访问速度也随之下降。如何缩短数据访问路径、避免 CPU 和 GPU 等待数据，正在成为 AI 系统优化的重要环节。英特尔目前正通过 CXL、智能网卡和软件技术推进内存池化及远端存储加速。在中国市场，英特尔近期与焱融科技合作，基于至强 6 处理器和 MRDIMM 内存打造高性能存储系统。

KV Cache 则是英特尔进一步投入的方向。随着 AI Coding 和长上下文应用发展，推理过程中产生的 KV Cache 规模持续增加，单纯依靠 GPU HBM 越来越难以满足容量需求，部分缓存需要转移至系统内存或 SSD。

英特尔为此开发了 KV Cache 智能加速套件，利用至强内置加速器改善缓存压缩和数据搬运效率。其中，QAT 用于对 KV Cache 进行无损压缩，减少落盘所需容量；DSA 则用于提高数据搬运效率。根据英特尔披露的客户验证数据，整套 KV Cache 智能加速方案可将缓存传输速率最高提升 9.66 倍。

这一方向也与英特尔正在开发的新一代 GPU Crescent Island 相呼应。该产品采用 Xe3P 架构，面向 AI 推理和 Agentic AI 设计，使用 LPDDR5X 内存，最高容量达 480GB。按照规划，未来还包括 128GB 和 256GB 等不同容量配置。

陈葆立表示，英特尔也在持续投入配套软件，希望建立完整工具链，并及时适配主流开源大模型。在软件生态方面，英特尔继续参与 PyTorch、vLLM、SGLang 等开源项目，推动 AI 推理和 Agent 相关功能适配不同硬件平台。

从 AI PC 到物理 AI，18A 和先进封装支撑产品扩张

此外，英特尔还在继续扩大 PC、边缘和物理 AI 产品布局。

Annie Shea Weckesser 将当前战略归纳为三个方向：“首先，覆盖 PC、边缘和数据中心的开放计算平台；其次，围绕特定工作负载设计的定制化芯片；第三，在英特尔产品中实现日益复杂系统集成的制程与封装技术。”

在 PC 端，第三代酷睿 Ultra 处理器整合 CPU、GPU 和 NPU，能够根据任务需求选择不同计算引擎。英特尔表示，该平台支持在本地运行 350 亿参数级模型，并通过模型路由，在端侧计算和云端能力之间进行选择。目前，英特尔正与百度搭子、腾讯 Marvis、千问办公、TRAE、WorkBuddy 等推进混合 Agent 的软件优化和技能集成。

物理 AI 方面，英特尔希望将同一套异构计算能力延伸至机器人和其他边缘设备。节卡机器人正在基于酷睿 Ultra 处理器及 KVM 虚拟化技术，将实时运动控制、感知、自主规划和执行能力整合到统一的边缘计算架构中。

英特尔披露，目前已与 70 多家独立软件开发商合作推进 AI PC 体验，其中包括与中国 AI 模型提供商共同完成的 17 项首日适配发布；边缘侧则与 100 多家机器人公司开展合作。

定制化芯片也是其下一阶段重点。英特尔计划结合架构设计、IP、先进封装和晶圆制造能力，为超大规模云服务商等客户开发面向特定工作负载的 ASIC 及定制化方案。

制造方面，Intel 18A 已经进入量产阶段，高性能版本 18A-P 进入风险试产。Intel 14A 也在推进中，面向内部产品的风险试产计划于 2027 年下半年启动，目标是在 2028 年实现大规模量产爬坡。

先进封装方面，英特尔正在推进 EMIB、EMIB-T 等技术，将不同计算引擎和 IP 集成到单一封装中，以满足 AI 芯片对异构计算及高速互连的需求。