从OpenAI掀起大模型浪潮，到英伟达市值飙升，再到云厂商、互联网平台和创业公司争抢高端算力，GPU被塑造成AI时代最稀缺的“硬通货”。谁拥有更多GPU，谁就更接近模型能力上限，谁能搭起更大训练集群，谁就更像拿到了下一代AI的门票。 在这套叙事中，CPU没有消失，但明显退居幕后。它仍然是服务器的基础部件，是操作系统、数据库、网络和应用运行的底座，却不再是AI故事里的主角。市场甚至形成了一种近乎默认的判断：AI时代，GPU吃肉，CPU喝汤。 但到2026年，这个判断已经不够用了。因为AI产业正在发生一个更深层的变化：主战场正从训练竞赛，转向部署竞赛；价值重心正从峰值算力，转向系统效率。 这意味着，真正决定AI商业化速度的，不再只是GPU能把模型训得多大、多快，而是整套系统能否以可控成本、稳定吞吐和高利用率，把模型真正跑起来、用起来、赚到钱。 最近一个值得注意的信号，是英特尔重新获得资本市场关注。2026年第一季度，英特尔营收约为136亿美元，同比增长7%，连续第六个季度超预期；净利润同比增长156%。其中，数据中心与AI相关业务（DCAI）收入达到约51亿美元，同比增长22%，成为增长最快的板块。财报发布后，英特尔股价盘后最高上涨超40%（截至4月30日）。 如果只看公司层面，这当然不足以说明英特尔已经彻底翻身。它仍面临制程追赶、服务器CPU份额承压、Arm渗透、云厂商自研芯片推进等问题。但市场还是给了它新的想象空间，原因不在于英特尔突然变成AI明星，而在于投资人开始意识到：AI基础设施的需求结构，已经不再只是“多买GPU”。 这背后的含义非常明确：过去两年AI行业最核心的矛盾是训练能力不足，而今天越来越多公司开始面对另一组问题，模型训练完之后，如何推理、如何部署、如何扩展、如何控制成本。 先要回答另一个问题：为什么AI今天的核心矛盾，已经不再只是训练。因为训练虽然贵，但对大多数公司来说，它更多是阶段性的资本开支；而推理、部署和调用，才是持续性的运营开支。 Deloitte估算，推理工作负载占AI总算力的比例在2023年约为1/3，2025年接近1/2，到2026年预计达到2/3。IDC预测，到2027年中国推理算力占整体算力比例将突破70%。另有研究预计，到2026年推理带来的市场规模将是训练硬件市场的2到3倍。这些数字共同说明一件事：AI的成本中心和价值中心，正在从“训练一次”转向“运行无数次”。 郑纬民院士给过一个更直白的拆分：在大模型推理成本中，人力仅占3%，数据占2%，算力占到95%。他举例称，ChatGPT的推理开销每天约70万美元，DeepSeek V3每天约8.7万美元（按各自披露口径）。 这组数据真正说明的，不是“推理也很贵”，而是一旦AI进入大规模使用阶段，真正吞噬利润的不是训练账，而是推理账。国家数据局的数据进一步放大了这种压力：中国日均Token调用量从2024年初约1000亿，跃升至2026年3月的140万亿，两年增长超千倍。 如果说训练是一次性把钱砸进去，那么推理就是每天都在把钱烧出去。训练贵，是研发问题；推理贵，是利润问题。而一旦问题变成利润问题，公司就不可能再只盯着模型参数和GPU数量，而必须开始追问： MLPerf行业基准测试显示，在大模型训练场景中，数据加载、预处理、参数同步等环节带来的延迟，可占总训练时间的35%到60%。IDC调研则显示，即使是头部互联网公司的AI推理集群，GPU平均利用率也长期低于40%；大量中小公司的GPU集群利用率甚至不足15%。 意味着今天最昂贵的AI资源，正在被大规模浪费。不是因为GPU性能不行，而是因为数据流动、任务调度、内存管理、I/O协同、网络处理这些系统环节跟不上。换句话说，GPU算得很快，但系统供给不上，结果就是一边拼命买卡，一边大面积闲置。 因为在真实工作流里，GPU从来不是单独工作的。它前面有数据准备，后面有结果处理，中间有任务调度、缓存维护、上下文切换、网络通信、容器管理、数据库交互。这些环节里，真正承担控制流和系统协同的，主要是CPU。 因为智能体不是一个“更会聊天”的模型，而是一套真正要执行任务的系统。它要理解目标、拆解步骤、调用工具、访问数据库、连接API、执行代码、维护状态、判断结果，必要时还要调用其他模型或子Agent协同。 在这条链路中，模型推理只是其中一环。大量工作并不是“算”，而是“调度”“编排”“切换”“访问”“管理”。这些工作本质上都属于控制流和系统协同，而这正是CPU最擅长的领域。 康奈尔大学的研究显示，在五类代表性Agent工作负载中，CPU端的工具处理、逻辑调度和数据预处理，占总端到端延迟的比例高达43.8%到90.6%。在典型的RAG场景中，CPU处理甚至可能占到总延迟的90%以上，GPU推理反而不到10%。 这组数据的意义非常明确：在智能体时代，很多真实任务的瓶颈已经不是GPU算得够不够快，而是CPU能不能把整条任务链顺畅地跑完。 这也解释了为什么CPU/GPU配比正在变化。TrendForce指出，当前AI数据中心中CPU与GPU的配比大约是1:4到1:8，而在智能体AI时代，这一比例预计将逐步演变为1:1到1:2。当配比从1:8向1:1收敛，本质上不是CPU多卖了几颗，而是AI基础设施从“计算中心化”转向“系统中心化”。 产业反馈已经开始出现。2026年第一季度末，Intel和AMD都对部分CPU产物线提价，服务器CPU交期拉长至约6个月。与此同时，英伟达和Arm也在同一时期宣布进军服务器CPU市场。 一个是GPU巨头，一个是IP授权商，却在同一时间加码CPU，这说明他们看到的是同一个趋势：未来AI的关键战场，不只是模型推理本身，而是围绕推理和智能体展开的整机系统能力。 当所有头部玩家都在补CPU，说明竞争已经从“单芯片”变成“系统工程”。过去两年，AI行业有一种很强的“单点崇拜”：比谁的芯片更强，比谁的参数更多，比谁的集群更大。这种竞争方式在产业早期成立，因为技术突破往往首先来自少数明星环节。 但产业一旦进入落地阶段，决定胜负的逻辑就会改变。真正拉开差距的，不再只是某个单点性能，而是整套系统能否以可控成本、可复制方式持续运行。 所以今天我们看到的，不只是英特尔受益，而是所有重要玩家都在重新补CPU、补系统、补整机能力。英特尔希望依托数据中心生态和软件兼容，重新巩固系统层话语权；AMD则在服务器CPU市场持续扩大份额，Mercury Research数据显示，AMD EPYC服务器CPU在2025年Q4营收份额已达到41.3%，首次突破40%。 Arm和云厂商自研CPU，则试图从高能效和定制化切入系统入口；甚至连英伟达自己，也在通过Grace CPU强化对整机架构的控制力。所有顶级玩家都在补CPU，不是因为CPU突然变得性感，而是因为AI开始从芯片问题，变成系统问题。 如果把视角拉回中国，这轮变化的现实意义更大。中国是全球AI应用落地最快的市场之一。截至2026年3月，我国日均Token调用量已突破140万亿；IDC数据显示，2025年中国AI加速卡总出货约400万张，其中国产厂商出货165万张，占比41%。 这说明，中国AI已经不再只是“模型热”“算力热”，而是进入了真正的“调用热”和“部署热”。这会把中国公司推向一个更现实的问题：AI不是能不能做，而是做了之后能不能长期跑、能不能算得过来。 某制造公司在将智能体接入生产线时发现，每个决策步骤的推理成本高达0.3美元，是传统规则系统的20倍。这类案例真正说明的，不是智能体太贵，而是：如果系统架构不优化，AI很容易从生产力工具变成成本黑洞。 中国公司现有IT系统复杂，数据库、ERP、CRM、OA、工业系统长期并存。AI如果要真正进入业务流程，必须与这些存量系统深度融合。这意味着公司需要的不是单一“最强模型”，而是一套能把模型、数据库、API和业务系统串起来的基础设施，而CPU承担的正是兼容、调度和运行时支撑角色。 随着AI部署深化，国产CPU、服务器、操作系统、数据库、中间件和调度软件，都会被重新放到更靠前的位置。也就是说，CPU重新重要，不只是国际巨头的机会，也可能成为中国基础设施产业链的一次再估值窗口。
