今年5月，亚马逊旗下子公司，亚马逊网络服务公司(AWS)的管理层向工程师下达一项新指令：不惜一切代价节省中央处理器(CPU)周期。

据报道，由于AI工作负载给公司的云基础设施带来巨大压力，AWS的CPU服务器资源排队等待时间激增。此问题似乎令AWS措手不及，而这不无原因。

要知道，AI热潮带动图形处理器(GPU)需求暴涨，随后内存需求也水涨船高，但CPU却几乎身处局外，因为它们的并行化程度相对不足，不适用于推理，即AI模型收到提问后生成答案的过程。

但智能体AI(agentic AI)系统的崛起正改变局面。这类系统允许AI模型自主运行，并调用子智能体。

马特·金博尔(Matt Kimball)现为美国摩尔洞察与战略咨询公司(Moor Insights&Strategy)的副总裁兼首席数据中心分析师。金博尔表示，2026年CPU需求急剧攀升，其中很大一部分增量来自智能体AI。AI智能体(AI agent)要调用计算机，计算机则离不开CPU。

“设想有一个智能体工作负载，能生成一百个智能体。如果企业大规模部署该系统，一百个智能体就能变出数万、数十万乃至上百万个智能体。智能体会不断生成子智能体，调用应用程序编程接口(API)，并通过Anthropic公司的模型上下文协议与更多智能体进行交互。”

——马特·金博尔

那么，AI是如何调用计算机的？这就涉及一系列“工具调用”操作了……

AI智能体要用计算机，而计算机要用CPU

所谓工具调用，是指大语言模型(LLM)访问互联网、打开桌面本地文件以及使用各类软件完成任务的能力。

大语言模型经过工具调用专项训练，能学会调用其他软件。而它们发起的工具调用任务通常交由CPU处理——尽管其推理过程主要在GPU或类似AI加速器上完成。

英特尔高级首席研究科学家苏维克·昆杜(Souvik Kundu)解释道：“智能体AI任务的诸多组成部分，本质上就是基于CPU的任务。CPU负责解析输出、判断调用哪项工具、发起API调用或运行代码、收集结果，再把结果反馈给大模型。”

举例来说，一个被指派了软件编写任务的LLM，可能发起工具调用——把代码写入文件、移动或替换文件、下载所需软件包，以及在LLM认定前置准备工作已完成后构建该软件。

昆杜曾与佐治亚理工学院的研究人员合著了一篇关于智能体AI优化的论文。团队发现，当大语言模型的推理在GPU上执行时，CPU常处于空闲状态；反过来，当CPU处理工具调用任务时，GPU又往往无事可做。

针对该问题，昆杜等人提出调度优化方案。该方案可在持续负载下，将端到端延迟，即智能体任务从开始到结束的时间，最多降低到原来的5/9。

上述成果只是行业在新方向上发力的初始尝试，但我们也要知道，性能提升的进度落后于日新月异的现实。智能体系统以机器的速度生成任务，任务量持续倍增。OpenAI曾经历失控调用Hugging Face的事故：模型每小时发起多达300次操作，单个智能体还会衍生子智能体，子智能体再发起自己的工具调用……

随着模型变得越发复杂，另一项关键因素可能增加CPU的工作负载，那就是安全护栏(safety guardrails)。

昆杜介绍，针对智能体行为的安全与策略校验，大多是用于检查语法、日志文件的特定规则。安全护栏也会使用参数量小于10亿的小型模型来分析任务复杂度或模型意图。这些检查任务理论上可由GPU处理，但通常都留在CPU上执行，一方面是因为模型规模小，另一方面原因则是需求尽可能降低延迟。

“分词”任务将CPU推向性能瓶颈

佐治亚理工学院博士生郑义俊(音译，Euijun Chung)近期参与撰写了另一篇论文，其结论和昆杜的成果互为补充。

郑义俊等人发现：当服务器的CPU核心数量过少时，它会来不及向GPU派发任务，这导致GPU因等待指令而陷入空闲停滞。

除此之外，论文还探讨了大语言模型工作负载的另一核心环节，即分词(tokenization)。

分词是大语言模型推理的首个关键步骤。它把文本转换成可供模型运算的整数型词元ID(token ID)。不同于大语言模型推理中所需的大部分矩阵运算，分词是分支繁多、依赖数据的串行字符串操作。虽然可通过文本分块(chunking)实现一定程度的并行化，但它不像LLM推理的主体部分那样具备大规模并行性。

针对简短提示词的分词任务相对简单，即便是入门级CPU也能轻松应对。但一个会发起工具调用的智能体模型，必须对调用返回的结果进行解析和分词，如此工作量对CPU而言可谓繁重。

“智能体的每一次工具调用，都要求执行一次分词。举例来说，假设有个已增长到10万词元长度的上下文序列，而某次工具调用的返回结果新增了1000个词元，由此，分词器必须再对全部序列重新分词。”

——郑义俊

显然，这既提高了分词操作的执行频次，也增加了所涉及词元的数量。未来分词技术或可寻得解题之法，但当前这道难题确实阻碍着LLM推理的发展。

郑义俊团队在论文中指出：首词元时延(TTFT)，即从用户提出问题到模型回复第一个词的时间，会随着序列长度增加而大大延长；针对该问题的解决方案之一，就是提高CPU芯片的核心数量。在长序列测试场景下，通过增加CPU核心，可将TTFT降低至原来的大约2/3到1/7。

如图所示，增加可用CPU核心的数量可显著降低大模型Llama-8B在较长序列长度下的响应延迟

受硬件条件限制，团队仅测试了规模较小的模型，例如阿里通义千问系列的Qwen3‑30B和Meta公司的Llama 3.1‑70B。他们推测：更大规模模型的GPU需求更高，CPU瓶颈带来的影响反倒会减弱；不过与此同时，智能体AI会把上下文序列长度(总词元数)推升至远超他们此前测试达到的长度上限。

“以Anthropic公司的Claude模型为例，序列长度轻松达到50万乃至100万个词元。在智能体AI时代，平均序列长度只会不断增长。因此我预计，面对未来的工作负载，CPU瓶颈问题将愈发严重。”

——郑义俊

CPU市场库存告急

亚马逊严控CPU资源使用，只是现实世界里CPU资源紧张的信号之一，昆杜与郑义俊的工作也表明，该问题极具现实意义。

英特尔方面，其服务器CPU目前已无对外可售余量，至少到2026年底前，都不再向新客户供货。

美国超威半导体公司则上调业绩预期，将服务器CPU的预测出货量翻倍。

两家芯片设计巨头，ARM与高通均发布了专为加速智能体AI而设计的新型CPU。

值得一提的是，连英伟达也已将Vera列为重点发展项目；Vera是一款基于ARM架构(由ARM公司开发)、面向智能体AI的CPU，隶属于英伟达Vera Rubin平台。

金博尔表示，各种动向都表明AI行业越发重视CPU性能，相关需求激增可视作某种“绝对信号”，CPU已成为智能体AI系统的核心组成部分。

另一方面，正如此前GPU和内存所遭遇的，CPU市场也很可能出现大范围缺货与价格上涨。

“从某种意义上说，现在的CPU资源已经告急了。看看市场上的各种供给限制吧！库存紧缺甚至已蔓延至消费级市场。英特尔全新的18A制程工艺带动了客户端产品线的业务营收增长，但该企业仍在削减客户端CPU产能，以优先保障服务器CPU生产。我们知道，CPU厂商的投入重心，即是大需求与大利润所在。”

——马特·金博尔

资料来源：

The CPU Comeback Is Upon Us

本文来自微信公众号： 世界科学 ，作者：编译 莫庄非