当AI从“看”转向“做”，CPU的反击开始了
在过去两年里，整个算力圈几乎被GPU的叙事完全统治——谁的H100多，谁的集群大，谁就是AI时代的赢家。但最近AMD在2026年Q1财报电话会上释放的信号，让不少数据中心架构师重新翻出了CPU的路线图。
CEO苏姿丰明确表示：随着代理式AI（Agentic AI）时代的逼近，数据中心里CPU的角色正在发生根本性转变。过去那种“一颗CPU调度，一堆GPU跑矩阵乘法”的经典配置，正逐渐向CPU与GPU数量接近1:1的方向演进，甚至在某些场景下，CPU数量可能反超GPU。
为什么CPU突然“翻身”了？
要理解这个判断，得先看代理式AI到底改变了什么。传统的大模型推理，核心任务是“生成”——给定一段提示词，模型逐Token输出文字或图像。这种负载极其适合GPU的并行矩阵计算。但代理式AI不一样，它需要模型主动调用工具、执行代码、访问数据库、与多个外部系统交互，并做多步决策。
这类任务里，逻辑判断、分支跳转、系统调用、内存随机访问的占比急剧上升。而这些，恰恰是CPU的强项。GPU虽然算力恐怖，但在频繁的条件分支和低延迟响应场景下，效率并不理想——尤其是当代理需要执行“先查天气，再订机票，然后写邮件通知”这类多步骤编排时，CPU的灵活性和低延迟控制能力就成了瓶颈。
苏姿丰在电话会中提到，数据中心CPU的需求正在快速增长，部分原因是“代理工作负载需要更密集的CPU-GPU协作”。这背后的技术逻辑也很直接：如果每个GPU都要配一个专用的CPU来处理调度、状态管理和工具调用，那么CPU密度自然水涨船高。
“传统的一CPU配多GPU模式，正在转向CPU与GPU一对一，甚至CPU可能更多。” —— 苏姿丰，AMD 2026 Q1财报电话会
不止AMD，整个生态都在动
从客观角度看，这一转变并非AMD一家之言。Intel的Granite Rapids和Sierra Forest系列也在面向AI推理场景优化核心设计，而ARM阵营的AmpereOne和NVIDIA自家的Grace CPU，本质上都是在回应同一个趋势：AI应用不再局限于矩阵乘法，它需要更均衡的通用计算能力。
另一个被忽略的变量是内存带宽和一致性。代理式AI常常需要维护长期对话上下文、访问外部知识库，这意味着CPU侧的缓存层级和内存带宽会成为新的瓶颈。AMD的EPYC（特别是带3D V-Cache的型号）在这种场景下，反而能比传统GPU方案提供更低的延迟和更高的吞吐。
当然，这不意味着GPU会退场。在训练和纯推理场景中，GPU的绝对算力优势仍然无法替代。但数据中心架构正在从“GPU为中心，CPU打杂”变成“CPU和GPU平起平坐，各司其职”。
一些值得冷静看待的地方
不过，也要注意苏姿丰的表态发生在财报电话会上——这种场合下，CEO有动力为自家CPU业务造势。AMD的EPYC产品线近年份额持续攀升，而GPU端虽然MI300系列表现不错，但相比NVIDIA仍有差距。强调CPU的重要性，既能提振投资者对传统服务器业务的信心，也能为未来的“CPU+GPU”打包方案铺路。
另外，代理式AI本身还在非常早期的阶段。目前的Agent框架（比如AutoGPT、CrewAI等多智能体系统）大多数跑在云端API背后，真正需要大规模CPU集群支撑的生产级应用还不多。CPU的“反超”能否落地，取决于代理式AI能否像ChatGPT那样在两年内渗透到企业核心流程中。
但无论如何，一个信号是清晰的：AI的下一波浪潮——从“生成”到“行动”——正在重塑整个数据中心的基础设施逻辑。CPU不是被替代的那个，而是被迫进化的那个。而这次，它的机会窗口，真的开了。
