Agent时代，CPU的价值该重估了

以下正文同步自 量子位，版权归原站所有，已转换为易读排版。

数据中心里的一个切入口，就是刚才我们提到的数据预处理。陈葆立介绍，英特尔希望利用至强处理器内置的加速能力，加快相关工作，帮助客户减少等待。

另一个切入口则是在存储。大模型的上下文越来越长，Agent又需要反复处理任务信息，KV Cache的容量和调度就成了需要考虑的问题。这类缓存保留了模型计算中可复用的中间数据，可以减少重复计算，但本身也会占用存储空间。

缓存规模增大以后，只靠GPU上的高带宽内存未必装得下，还需要借助系统内存、SSD等资源。数据放在哪里、怎样压缩、如何搬运，都会影响使用效率。

针对这些问题，陈葆立介绍了英特尔的KV Cache优化方案，包括利用处理器内置能力进行无损压缩，以及加快数据传输。

这些工作看起来没有模型参数那么抢眼，却关系到设备能否有效运转。数据少占一些空间、传输少花一些时间，都可能减少系统里的等待和浪费。

他还提到，英特尔正在和国内的软件合作伙伴合作，打造高性能存储系统。目标很直接，让数据更快送到需要它的计算资源手里，减少CPU、GPU闲置。

CPU能带来多少价值，要放到整套系统的效率里衡量。这也解释了英特尔为什么在现场反复提及软件与合作伙伴，包括Linux、PyTorch等开源项目，以及英特尔在其中的投入。毕竟硬件能力要在客户业务里发挥作用，还需要软件支持和适配。

当然，类似的分工，在个人设备上也存在。英特尔副总裁兼端侧计算和物理AI事业部中国区总经理高嵩，便在演讲中介绍了CPU、GPU、NPU的协同方式：

CPU承担智能体的计划、决策等需要及时响应的工作；GPU发挥矩阵计算方面的能力，处理相应的AI计算任务；NPU则以较低功耗，支持需要长时间运行的音视频处理、计算机视觉等任务。

这背后的一个很实际的要求，是Agent既要及时回应，也可能需要持续感知环境，不同任务对性能和功耗的要求并不一样，需要软件把工作分配给合适的计算单元。

正文由 FLUX 从来源站点 RSS 同步，内容未经改写；遇到排版缺失或需要图片、视频时请以原文为准。