进入AI应用时代，CPU有望成为下一个“存储”机遇吗？

中金财经01-13

在算力需求暴增的今天，CPU是否会重演PC时代崛起神话？这是一个值得思考的问题。如今，大模型推理、端侧AI、智能物联网正将计算压力推向新的临界点。英特尔、AMD股价悄然攀升，Arm架构异军突起，甚至连苹果、小米都在自研芯片中加大CPU投入。这究竟是短暂的风口，还是结构性机遇的开始？当云端集群的CPU利用率逼近红线，当每台终端设备都需要独立的AI推理能力，传统处理器是否已经站在爆发的边缘？推理有望...

网页链接

免责声明：本文观点仅代表作者个人观点，不构成本平台的投资建议，本平台不对文章信息准确性、完整性和及时性做出任何保证，亦不对因使用或信赖文章信息引发的任何损失承担责任。

精彩评论

我们需要你的真知灼见来填补这片空白

发表看法

{"i18n":{"language":"zh_CN"},"isChannel":false,"data":{"share":"https://www.laohu8.com/m/news/2603507782?lang=zh_CN&edition=full","thumbnail":"https://static.tigerbbs.com/ http://caiji.3g.cnfol.com/colect/202601/13/20260113571341.png?op=imageView2&mode=2&width=256&height=256&quality=70&format=png","is_english":false,"pubTime":"2026-01-13 18:00","share_image_url":"https://static.laohu8.com/e9f99090a1c2ed51c021029395664489","id":"2603507782","market":"hk","top_or_hot":-1,"title":"进入AI应用时代，CPU有望成为下一个“存储”机遇吗？","media":"中金财经","content":"<div>\n<p>在算力需求暴增的今天，CPU是否会重演PC时代崛起神话？这是一个值得思考的问题。如今，大模型推理、端侧AI、智能物联网正将计算压力推向新的临界点。英特尔、AMD股价悄然攀升，Arm架构异军突起，甚至连苹果、小米都在自研芯片中加大CPU投入。这究竟是短暂的风口，还是结构性机遇的开始？当云端集群的CPU利用率逼近红线，当每台终端设备都需要独立的AI推理能力，传统处理器是否已经站在爆发的边缘？推理有望...</p>\n\n<a href=\"http://sc.stock.cnfol.com/gushiyaowen/20260113/31938311.shtml\">网页链接</a>\n\n</div>\n","source":"zhongjincaijing_highlight","html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>进入AI应用时代，CPU有望成为下一个“存储”机遇吗？</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\n进入AI应用时代，CPU有望成为下一个“存储”机遇吗？\n</h2>\n\n<h4 class=\"meta\">\n\n\n2026-01-13 18:00 北京时间&nbsp;&nbsp;&nbsp;<a href=http://sc.stock.cnfol.com/gushiyaowen/20260113/31938311.shtml><strong>中金财经</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>在算力需求暴增的今天，CPU是否会重演PC时代崛起神话？这是一个值得思考的问题。如今，大模型推理、端侧AI、智能物联网正将计算压力推向新的临界点。英特尔、AMD股价悄然攀升，Arm架构异军突起，甚至连苹果、小米都在自研芯片中加大CPU投入。这究竟是短暂的风口，还是结构性机遇的开始？当云端集群的CPU利用率逼近红线，当每台终端设备都需要独立的AI推理能力，传统处理器是否已经站在爆发的边缘？推理有望...</p>\n\n<a href=\"http://sc.stock.cnfol.com/gushiyaowen/20260113/31938311.shtml\">网页链接</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","isBrief":false,"type":0,"news_type":1,"symbol":"BK4551","symbol_name":"寇图资本持仓","start_time":0,"source_url":"http://sc.stock.cnfol.com/gushiyaowen/20260113/31938311.shtml","article_id":"2603507782","we_media_id":null,"thumbnails":["https://static.tigerbbs.com/ http://caiji.3g.cnfol.com/colect/202601/13/20260113571341.png?op=imageView2&mode=2&width=256&height=256&quality=70&format=png"],"rights":null,"url":"https://stock-news.laohu8.com/highlight/detail?id=2603507782","pubTimestamp":1768298414,"columns":[],"sourceInfo":{"source_id":"zhongjincaijing_highlight","name":"中金在线"},"weMediaInfo":null,"summary":"与传统单任务RL不同，现代Agent系统需要同时运行成百上千个独立环境实例来生成训练数据，这种\"环境并行化\"需求让CPU成为事实上的第一块短板。2025年的工业级实践进一步暴露了CPU瓶颈对收敛稳定性的系统性破坏。此时，投入再多的A100或H200，若CPU核心数不足，GPU利用率仍会在30%以下徘徊，收敛时间从数周延长至数月。","collect":0,"end_time":0,"defaultTopTitle":"cnfol.com","property":[],"viewcount":null,"language":"zh","relate_stocks":{"BK4551":"寇图资本持仓","AI":"C3.ai, Inc.","BK4166":"消费信贷","BK4587":"ChatGPT概念","LU2517655374.HKD":"WELLINGTON NEXT GENERATION EDUCATION \"A\" (HKD) ACC","BK4588":"碎股","BK4528":"SaaS概念","BK4585":"ETF&股票定投概念","LU0006061336.USD":"Blackrock US Small and MidCap Opportunities A2 USD","BK4202":"服装、服饰与奢侈品","SLM":"学贷美","LU2517655028.SGD":"WELLINGTON NEXT GENERATION EDUCATION \"A\" (SGDHDG) ACC","LU0054578231.USD":"BGF SYSTEMATIC SUSTAINABLE GLOBAL SMALLCAP \"A2\" (USD) ACC","RL":"拉夫劳伦","BK4023":"应用软件","TCO":"陶布曼中心","BK4543":"AI","LU2517655291.USD":"WELLINGTON NEXT GENERATION EDUCATION \"A\" (USD) ACC"},"translate_title":"Entering the era of AI applications, is CPU expected to become the next \"storage\" opportunity?","themeId":null,"isJumpTheme":false,"ttsUrl":null,"symbols_score_info":{"AI":0.9,"RL":1,"TCO":1,"SLM":1},"content_text":"在算力需求暴增的今天，CPU是否会重演PC时代崛起神话？这是一个值得思考的问题。如今，大模型推理、端侧AI、智能物联网正将计算压力推向新的临界点。英特尔、AMD股价悄然攀升，Arm架构异军突起，甚至连苹果、小米都在自研芯片中加大CPU投入。这究竟是短暂的风口，还是结构性机遇的开始？当云端集群的CPU利用率逼近红线，当每台终端设备都需要独立的AI推理能力，传统处理器是否已经站在爆发的边缘？推理有望成为重要方向随着AI应用从实验室走向千行百业，推理计算正取代训练成为AI算力的主战场。据IDC与浪潮信息联合预测，2023年中国AI服务器工作负载中训练端占比58.7%，而到2027年推理端算力需求将飙升至72.6%。当大模型逐渐成熟，企业对算力的需求不再是砸钱堆叠训练集群，而是如何将模型高效、经济地部署到真实业务场景中。这种转变，让CPU这一传统通用处理器重新站在了舞台中央。    在推理场景中，CPU的性价比优势正被重新发现。与动辄数十万、功耗惊人的GPU相比，CPU在成本、可用性和总拥有成本(TCO)上展现出无可比拟的竞争力。英特尔数据显示，使用CPU进行AI推理无需构建新的IT基础设施，可复用既有平台空闲算力，避免异构硬件带来的管理复杂度。更重要的是，通过AMX加速、INT8量化优化等技术，现代CPU的推理性能已实现质的飞跃。实测表明，经过优化的至强处理器在ResNet-50等模型上推理速度提升可达8.24倍，精度损失不足0.17%。这种模式，正中中小企业下怀——它们不需要GPT-4级别的算力，但需要能跑通32B参数模型的经济型方案。CPU的用武之地，恰恰集中在AI推理的\"长尾市场\"。第一类是小语言模型(SLM)部署，如DeepSeek-R1 32B、Qwen-32B等模型，它们在企业级场景中文能力突出，参数规模适中，CPU完全能够胜任。第二类是数据预处理与向量化环节，这类任务涉及文本清洗、特征提取、嵌入生成等，天然适合CPU的串行处理能力。第三类是并发量高但单次计算简单的\"长尾\"推理任务，如客服问答、内容审核等，CPU可通过多核心并行处理数百个轻量级请求，实现更高的吞吐率。这些场景的共同点是：对延迟要求相对宽松，但对成本极度敏感，正是CPU大显身手的舞台。2025年以来的许多上市公司已经将相关产品推向市场。浪潮信息(000977) 在3月率先推出元脑CPU推理服务器NF8260G7，搭载4颗英特尔至强处理器，通过张量并行和AMX加速技术，单机可高效运行DeepSeek-R1 32B模型，单用户性能超20 tokens/s，同时处理20个并发请求。神州数码(000034) 则在7月的WAIC大会上发布KunTai R622 K2推理服务器，基于鲲鹏CPU架构，在2U空间内支持4张加速卡，主打\"高性能、低成本\"路线，瞄准金融、运营商等预算敏感型行业。这些厂商的布局揭示了一个明确信号：CPU推理不是退而求其次，而是主动战略选择。更深层的逻辑在于，AI算力正在走向\"去中心化\"和\"场景化\"。当每个工厂、每家医院甚至每个手机都需要嵌入式推理能力时，不可能也不必要全部依赖GPU集群。CPU作为通用算力底座，能够将AI能力无缝融入现有IT架构，实现\"计算即服务\"的平滑过渡。在这个意义上，CPU的确正在成为AI时代的\"新存储\"：它不是最闪耀的，但却是不可或缺的算力基础设施。CPU 可能比 GPU 更早成为瓶颈在Agent驱动的强化学习(RL)时代，CPU的瓶颈效应正以比GPU短缺更隐蔽却更致命的方式浮现。与传统单任务RL不同，现代Agent系统需要同时运行成百上千个独立环境实例来生成训练数据，这种\"环境并行化\"需求让CPU成为事实上的第一块短板。2025年9月，蚂蚁集团开源的AWORLD框架将Agent训练解耦为推理/执行端与训练端后，被迫采用CPU集群承载海量环境实例，而GPU仅负责模型更新。这种架构选择并非设计偏好，而是环境计算密集型的必然结果——每个Agent在与操作系统、代码解释器或GUI界面交互时，都需要独立的CPU进程进行状态管理、动作解析和奖励计算，导致核心数直接决定了可同时探索的轨迹数量。更深层的矛盾在于CPU-GPU pipeline的异步失衡。当CPU侧的环境模拟速度无法匹配GPU的推理吞吐量时，policy lag(策略滞后)急剧恶化——GPU被迫空转等待经验数据，而Agent正在学习的策略与采集数据时的旧策略之间产生致命时差。这种滞后不仅降低样本效率，更在PPO等on-policy算法中引发训练震荡，甚至导致策略发散。智元机器人2025年3月开源的VideoDataset项目印证了这一点：其CPU软件解码方案成为训练瓶颈，切换到GPU硬件解码后吞吐量提升3-4倍，CPU利用率才从饱和状态回落。2025年的工业级实践进一步暴露了CPU瓶颈对收敛稳定性的系统性破坏。腾讯的AtlasTraining RL框架在万亿参数模型训练中，不得不专门设计异构计算架构来协调CPU与GPU的协作，因其发现环境交互的随机种子、CPU核心调度策略的微小差异，会通过早期学习轨迹的蝴蝶效应影响最终策略性能。更严峻的是，多智能体强化学习(MARL)的非平稳性加剧了这一问题——当数百个Agent策略同步更新时，CPU不仅要模拟环境，还需实时计算联合奖励、协调通信，这直接导致状态空间复杂度呈指数级增长。本质上，Agent RL将计算范式从\"模型密集\"转向\"环境密集\"，而CPU正是环境模拟的物理载体。当Agent需要探索工具使用、长链推理等复杂行为时，每个环境实例都是一个小型操作系统，消耗1-2个CPU核心。此时，投入再多的A100或H200，若CPU核心数不足，GPU利用率仍会在30%以下徘徊，收敛时间从数周延长至数月。2025年，这种瓶颈已从学术研究蔓延至产业实践，解决CPU瓶颈已成为RL infra的核心战场。Agent时代的算力竞赛，胜负手或许不在GPU的峰值算力，而在于能否用足够的CPU核心喂饱那些饥饿的智能体。","kind":"highlight","is_publish_news":true,"is_publish_highlight":false,"is_publish_live":false,"is_publish_wemedia":null,"editions":null,"column":"","sentiment":"0","news_tag":"","news_rank":0,"isVideo":false,"video":null,"symbols":[],"gpt_button":1,"need_auth":false,"need_login_tip":false,"code":"91000000","status":"200"},"commentList":[],"isCommentEnd":true,"newsSizeData":{"likeSize":0,"commentSize":0,"repostSize":0,"favoriteSize":0,"likeStatus":false,"favoriteStatus":false},"APP":{"userAgent":"Mozilla/5.0 AppleWebKit/537.36 (KHTML, like Gecko; compatible; ClaudeBot/1.0; +claudebot@anthropic.com)","isDev":false,"isTTM":false,"tenantId":"TBCN","deviceId":"web-server-community-laohu8-v3","version":"4.42.0","shortVersion":"4.42.0","platform":"web","vendor":"web","appName":"laohu8","isIOS":false,"isAndroid":false,"isTiger":false,"isTHS":false,"isWeiXin":false,"isWeiXinMini":false,"isWeiBo":false,"isQQ":false,"isBaiduSwan":false,"isBaiduBox":false,"isDingTalk":false,"isToutiao":false,"isOnePlus":false,"isHuaWei":false,"isXiaomi":false,"isXiaomiWebView":false,"isOppo":false,"isVivo":false,"isSamsung":false,"isMobile":false},"href":"/m/news/2603507782","isCrawlerRequest":true}