CPU也要被干涨价了！

过去几年，老黄靠着 GPU 几乎把全世界的热钱都赚进了兜里，大家都说，搞 AI 只要显卡够多就行。

然而最近，风向开始悄然转变。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

一个看似与显卡毫不相关的核心部件——CPU，价格也开始蠢蠢欲动。

就连前阵子经历各种动荡、业绩一度低迷的英特尔，股价也迎来了一轮强势反弹。上周五其股价单日暴涨27%，一举突破了26年前创下的历史高点。

信号已经相当明确：在当下的AI竞赛中，仅靠GPU单打独斗已经不够看了。CPU性能的高低，成了另一个无法回避的关键战场。

CPU：从未离场的“初代目”

其实严格来说，CPU从未真正离开过AI的舞台。在显卡成为绝对主角之前，AI的漫长探索期，完全是靠CPU硬生生“算”出来的。

早在上世纪90年代，图灵奖得主Yann LeCun在其论文中就提到，训练一个CNN模型，需要在单个CPU上耗费两三天时间。

想要训练更大规模的模型？那就需要堆砌更多、更强的CPU。但我们现在都知道，用CPU进行大规模AI训练，本质上效率非常低下。加之当时计算资源昂贵，直接导致早期AI模型的性能相当有限，甚至一度让“神经网络”这个词在学术圈有些尴尬——据说当时一些论文审稿人看到标题带有“神经网络”，就会考虑直接拒稿。

于是，研究人员不得不给神经网络起各种“花名”，以期蒙混过关。

GPU时代：黄金与铲子的故事

转机出现在2012年。那年的ImageNet大赛上，由Hinton带领的团队凭借两张消费级显卡GTX 580，将图像识别准确率大幅提升了十个百分点，成绩遥遥领先。

这一刻，神经网络技术正式起飞。AI成了新时代的“黄金”，而GPU则成了挖掘金矿不可或缺的“铲子”。英伟达凭借这柄“铲子”一路高歌猛进，市值登顶全球。而曾经的运算王者CPU，则在这场狂欢中退居二线，主要负责一些辅助性工作。

风水轮转：CPU为何重归C位？

但行业的故事总是充满转折。到了2026年的今天，一个共识逐渐清晰：想要玩转下一代AI，仅靠GPU已经力不从心。这背后的逻辑，其实就藏在AI应用形态的演进中。

过去我们使用ChatGPT或DeepSeek，大多是简单的问答模式：用户提问，云端GPU进行矩阵运算，逐字生成回复。在这个流程里，CPU确实插不上太多手。

然而，随着Claude Code、龙虾（Lobster）这类智能体（Agent）工具的兴起，情况变了。AI的任务不再是简单的单次问答，而是需要自主完成一系列复杂动作。

举个例子，当你让AI助手“去买一个奶龙玩偶”时，它首先需要理解“奶龙”是什么，如果不清楚，得先去搜索；确认后，要选择合适的工具（如调用电商API或操控浏览器）去查询价格、款式、店铺信息；最后还要综合判断，筛选出最靠谱的选项。整个过程涉及大量的决策、调用和协调。

GPT-image-2做的图，示意一下

仔细拆解就会发现，现代Agent的工作流是GPU与CPU的“接力赛”：GPU处理完一个计算密集型任务后，需要CPU迅速接手，进行逻辑判断、工具调用、资源分配等操作，然后再交还给GPU。二者频繁交替，协同工作。

一旦CPU性能“拉胯”，整个流程就会卡顿，导致昂贵的GPU陷入“等待”状态，开始“摸鱼”。

因此，为了让GPU保持满负荷高效运转，科技公司们开始疯狂为数据中心补充CPU算力。微软在建设最新的Fairwater数据中心时，甚至专门额外建造了一栋满载CPU的独立大楼。

By semianalysis

强化学习：CPU成为“严苛导师”

另一方面，让模型变得更“聪明”的途径也在发生变化。单纯堆叠GPU规模来扩大参数量的方法，其边际效益正在递减。当前模型的进步，越来越依赖于强化学习。

从DeepSeek的R1，到OpenAI、Anthropic、谷歌、阿里通义千问、Grok等头部玩家，都在强化学习上投入重兵。所谓强化学习，就好比不再让模型“死记硬背标准答案”，而是将其直接“扔进考场”，通过实践反馈（做对奖励，做错扣分）来学习。

例如训练AI写代码，生成代码只是第一步，更重要的是能实际运行并验证结果是否正确。这个“运行验证”的环境搭建、过程监控和结果评估，大量工作都由CPU承担。可以说，在强化学习过程中，CPU扮演了“场地搭建者”、“道具管理员”和“严厉评分官”等多重角色。

需求催生行动。为了获得更多更强的CPU算力，大厂们各显神通：有技术积累的如谷歌，开始自研专用CPU Axion；缺乏芯片设计经验的如Meta，则选择与Arm深度合作，共同研发。

一个反直觉的真相：越花钱，越省钱

更让数据中心管理者们感到意外的是一个反直觉的经济账：在AI负载下，为CPU投入更多，反而可能更省钱。

原因在于，GPU在执行计算任务前，所有准备工作都由CPU完成：接收请求、分配内存、加载模型权重、更新KV缓存等等，这些环节缺一不可。

如果CPU性能不足，处理这些前置任务拖拖拉拉，就会导致功耗高达数百瓦的顶级GPU长时间处于空闲等待状态。完成同样工作量所需的总时间被拉长，总耗电量自然飙升，电费账单也就水涨船高。

相反，如果配备更高性能的CPU，虽然其自身功耗有所增加，但它能为GPU更快地准备好“弹药”，让GPU以最高效率持续工作，从而缩短任务总耗时。算总账，整体能效反而更高，实现了“越贵越省钱”的性价比提升。

AMD的一项实验数据佐证了这一点：在搭配相同GPU的情况下，使用更高性能的CPU，虽然系统总功耗增加了0.8%，但任务处理效率却提升了8%。这无疑是笔划算的买卖。

https://www.amd.com/en/blogs/2025/why-your-host-cpu-matters-more-than-you-think--ma.html

结语：新的格局与“受伤”的玩家

综上所述，在智能体普及和强化学习成为主流的双重驱动下，CPU正迎来其算力生涯的“第二春”。它在数据中心的核心地位不仅得以巩固，甚至更加关键。

这对于英特尔、AMD，乃至试图切入该市场的英伟达来说，无疑是一波“天降富贵”。然而，这场由AI驱动的算力军备竞赛，或许会带来一个意想不到的后果：消费级CPU市场可能面临供应紧张或成本上涨的压力。

最终，为之买单的，可能还是广大的普通消费者和玩家。眼下看来，只能祈祷手头的电脑别出故障了，毕竟如今想要配一台新机，预算恐怕要好好掂量一番了。