英伟达CPU盯上200亿美元：当AI智能体开始写代码，为什么受伤的是英特尔？

都说 AI 是显卡的天下，但英伟达今年光靠卖 CPU，就要入账 200 亿美元。

一个靠显卡称霸全球的巨头，怎么突然把手伸进了英特尔和 AMD 的老本行？

答案藏在一批刚刚换代的数据中心里。

云计算平台 Modal 最近做了一个打破传统的决定。 他们把机房里跑 AI 智能体的服务器，大批量换成了英伟达的 Vera CPU。

在这之前，Modal 的整个计算集群，清一色都是英特尔和 AMD 的 x86 处理器。 换架构的代价并不小。 从 x86 跨到 Arm，底层的软件镜像和运行环境几乎都要重新适配。

为什么非换不可？ Modal 测完早期数据，直接拍了板： 换上英伟达的 Vera 之后，跑 AI 智能体任务的吞吐容量直接翻了一倍。

很多人纳闷，AI 算力不都在显卡上吗？ 显卡负责大力出奇迹，CPU 不就是机箱里负责开机、给显卡打杂的管家吗？ 怎么到了 AI 智能体这里，反倒是 CPU 先扛不住了？

这就得看现在的 AI 到底在干什么。

以前我们用聊天机器人，问一个问题，它预测下一个词，吐出一串字，任务就结束了。 这种纯文字生成的计算，全是大矩阵乘法，完全由 GPU 在显存里打转。

但 AI 智能体完全是另一套工作模式。 你让一个编程智能体去写代码、找系统漏洞，或者让分析智能体去全网抓数据。 它不会只坐在那里干聊。 它要思考，更要去动手。

它先在 GPU 上生成几行 Python 代码。 然后立刻要在后台拉起一个完全隔离的沙盒环境。 把代码扔进沙盒里实际运行，调用终端命令，搜索文件，访问数据库，请求外部接口。 跑完之后，智能体看一眼终端输出的报错信息。 发现有语法错误，它再修改代码，重新扔回沙盒里跑。

这个循环一跑起来，计算的重心全变了。 模型在 GPU 上的推理可能只要半秒钟。 后面跟着的，是大量的沙盒启停、脚本执行、工具调用和文件解压。 这些工作，显卡碰都不碰，全落在了 CPU 身上。

成千上万个智能体同时在云端干活，服务器每秒钟都要拉起海量的临时容器。 这种负荷对传统的 CPU 是个折磨。 它不需要堆砌几百个迟钝的慢核，它需要足够快、足够敏锐的单核响应速度。 它需要超高带宽的内存，必须经得起成片容器在瞬间突发创建、写入数据然后销毁的冲击。

英特尔和 AMD 过去统治数据中心的 x86 芯片，是为稳定的企业网站和传统数据库设计的。 面对这种高频突发、极度碎片的智能体沙盒，传统架构很快就遇到了并发瓶颈，资源互相争抢严重。

英伟达看准的就是这个痛点。 他们拿出的 Vera CPU，基于 Arm 架构定制，专门给这种高频容器调度和短生命周期沙盒优化。 配上超高带宽的内存，单核性能拉满。 在 Modal 的实际测试里，同样的服务器空间，Vera 跑智能体任务的容量直接翻倍。

Modal 联合创始人埃里克·贝恩哈德森（Erik Bernhardsson）算完这笔账，立刻拍板采购。 盯上这颗芯片的还不止 Modal。 OpenAI、Anthropic、Perplexity，还有甲骨文，全在排队接入。

英伟达给这个财年定下的 CPU 营收目标，是大约 200 亿美元。 全球数据中心 CPU 市场总共大约 2000 亿美元，过去四十年几乎是英特尔和 AMD 的铁板一块。 这两家过去几年虽然在 GPU 上被打得节节败退，但心里多少还留着一块防线： 无论英伟达卖出多少张 AI 显卡，每台服务器里，总归要插一颗 x86 的 CPU 当主机。

如今这块最后的自留地也松动了。 当 AI 从单纯的“说话”走向“干活”，CPU 不再只是机箱里的配角。 英伟达顺着智能体写代码、跑工具的浪潮，直接把战线推进了对手最核心的腹地。