不好，CPU 也要被干漲價了。

過去幾年，老黃靠著 GPU 幾乎把全世界的熱錢都賺進了兜里，大家都說，搞 AI 只要顯卡夠多就行。

但是最近，風向偷摸摸的變了。

就看起來和顯卡八桿子打不著的 CPU，都要開始漲價了。

就連前段時間各種動蕩，一直成績低迷被人看不起的英特爾，股價也是迎來了一波猛漲。

上周五股價直接暴漲 27%，突破了它們在 26 年前創下的股價歷史高點。

是的，現在搞 AI，光靠 GPU 已經不夠了。

CPU 實力的高低也成了不得不品的一環。

其實嚴格來說，CPU 從來沒離開過AI。

因為在顯卡真正成為 AI 主角之前，AI 很長一段時間，都是靠 CPU 硬算出來的。

1998 年，圖靈獎得主 LeCun 在一篇論文中就提到，他們當時要訓練一個 CNN 模型的話，得在單個 CPU 上跑個兩三天時間。

想要訓練更大的模型？就得用上更多更強的 CPU。

但我們現在知道，用 CPU 來訓練 AI，本質上是個非常低效的行為。

在當時大家也沒錢買這么多 CPU。

這就導致了當時訓練出來的 AI 都很拉。

拉到當時的一些論文審稿人，看到文章名字里帶有“神經網絡”，就會考慮直接拒稿。

于是，大家為了不讓自己的論文被直接扔進垃圾堆，不得不給神經網絡起個花名，來蒙混過關。

但是很快，大家發現神經網絡真正的 CP，其實是 GPU。

2012 年的 ImageNet 大賽上，圖靈獎得主 Hinton 帶領的小隊打出了遙遙領先的戰績。

用兩張電腦城里買到的 GTX580 顯卡，把圖像識別的準確率給直接提升了十個百分點。

也就是從這一天起，路邊一條的神經網絡直接起飛。

AI成了新時代的黃金，而GPU成了那個能挖掘金礦的鏟子。

老黃也穿著他的標志性皮衣，通過賣鏟子，一路把英偉達的市值干到了世界第一。

而曾經的王者 CPU，在這場 AI 狂歡中徹底淪為了配角，只能干點雜活兒。

但就像咱們開頭說的一樣：風水輪流轉，莫欺少年窮。

到了 2026 年的今天，大家突然發現，想要搞好AI，光靠GPU已經不夠了。

過去我們用 AI，不管是 ChatGPT 還是 DeepSeek，大家基本上都是對著一個網頁嘮嗑。

我們提問，然后那邊的 GPU 在原地狠狠的做矩陣運算，預測下一個 Token 是什么，再把答案一段段吐出來。

這種簡單的流程基本就沒有什么 CPU 插手的空間了。

但是隨著 Claude Code，龍蝦這樣的 Agent 工具越來越火，事態逐漸發生了一些變化。

AI 干活不再是簡單的一問一答的互動環節。

我們把一個問題丟給 AI 后，AI 需要自己想辦法把整個問題給補完。

舉個例子，我們讓 AI 來幫我們去買個奶龍玩偶，那 AI 最先做的，就是搞清楚，什么是奶龍？

如果不認識的話，就要去網上搜一搜看看這是啥，確認完之后，它還得去選合適的工具。

GPT-image-2做的圖，示意一下

比如調用電商平臺的接口，或者瀏覽器工具，去搜奶龍玩偶的價格、款式、店鋪和銷量。

最后還得把這些信息整理核實一下，判斷一下哪個鏈接更靠譜，哪個產品的價格更合理，最后再把結果給端上來。

看完這個過程，我們會發現現在的 Agent 在干活的時候，都是先讓 GPU 干點活，然后讓 CPU 接力再干點活，接著再讓 GPU 來干活的連環交替類型。

你要是 CPU 性能拉了，那 GPU 直接開始擺爛。

所以現在，大家為了不讓 GPU 摸魚，所以都在想方設法給數據中心里塞進更多的 CPU。

微軟在建設最新的數據中心 Fairwater 的時候，就專門額外建了一棟全是 CPU 的大樓。

By semianalysis

除此之外，大家也發現，現在想要讓模型的性能變得更強，也離不開 CPU 在后面發光發熱。

現在想讓模型變得更聰明，光給它多塞幾張顯卡堆規模，很多時候已經不太夠用了。

這一代模型想進步，越來越依賴 RL，也就是強化學習的功勞。

DeepSeek 就靠強化學習搞出了 R1，OpenAI、Anthropic、Google、阿里 Qwen、Grok 這些頭部的 AI 巨頭也在強化學習上花了不少功夫。

所謂的強化學習，就是不再只讓模型坐在教室里背標準答案，而是直接扔進考場里，讓它下場做題。

做對了，給獎勵，做錯了，扣分。

比如你讓 AI 練寫代碼的能力，那模型就不能光生成代碼就完事了，得把代碼真的跑起來，測一遍，看看結果對不對。

這個驗證強化學習結果的過程，就需要 CPU 來幫忙。

模型的每次訓練，背后都可能有一堆 CPU 在陪它做演習，在旁邊搭場地、搬道具、打分看成績。

CPU 甚至成了大模型最嚴厲的導師。

于是為了能獲得更多更強的 CPU，各家大模型廠商也是整出了各種絕招。

除了直接向行業老大哥 Intel 下單購買 CPU 之外，有技術積累的谷歌開始搞起了 CPU Axion。

沒技術積累的 Meta 則是直接開始和隔壁 Arm 合作，開始共同研發。

同時，各家大廠數據中心的領導還發現了一件怪事。

那就是你越花錢買 CPU，你反而越省錢。

這是因為現在這些 AI 大模型在干活的時候，GPU 干的所有活，其實都是 CPU 給它指派的。

在 GPU 正式開始干活前，CPU 需要干一大堆活。

包括但是不限于：接受用戶請求、分配模型模型數據、加載模型權重，、更新 KV 緩存等等等。。。

如果 CPU 本身就拉了，那活根本排不出來，處理數據磨磨唧唧，就會導致功耗大幾百瓦、昂貴無比的 GPU 直接開始磨洋工了。

結果就是要干一樣的活，得花掉更長的時間，那電費賬單可不就上去了么。

相反，直接換上更貴功耗更大的夯爆了的高端 CPU 來干活的話。

雖然 CPU 自己花的電夠多，但它給 GPU 派活的速度也一點不慢。

反而能讓 GPU 更快的把活給干完，給哥們省下更多的電。

AMD 之前就做過實驗，他們給同樣的 GPU 配上了不同的 CPU 來測試。

結果發現，用上好的 CPU 的那組，雖然耗電量增加了 0.8%，但是干活的效率反而提升了 8%。

屬于是數據中心越貴，數據中心越便宜了。

可以說是性價比直接拉滿了。

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

于是，在這些各種各樣的因素疊加下，CPU 反而迎來了自己事業的第二春。

可以說在未來，隨著 AI Agent 和強化學習的繼續爆火，CPU 在數據中心的地位只會越來越穩固。

這對于英特爾、AMD 甚至想分一杯羹的英偉達來說，絕對是一波天降富貴，白撿的流量。

唯一受傷的，只有我們這些臭打游戲的家伙。

現在托尼能做的，只有祈禱家里的電腦別壞了。

不然這年頭配個新電腦，不知道要花多少錢進去。。

撰文：早起

編輯：江江 & 面線

美編：素描

圖片、資料來源：

CPUs are Back: The Datacenter CPU Landscape in 2026

Google的貓臉識別：人工智能的新突破

英偉達帝國的一道裂縫

CPU荒來了！英特爾、AMD 3月再漲價，今年已漲10%-15%，交貨周期最長延至6個月

Nvidia to focus on competition-beating AI advances at megaconference

Arm unveils new AI chip, expects it to add billions in annual revenue

The CPU Was Left for Dead by AI. Now AI Is Bringing It Back.