英特尔陈葆立:智能体时代,英特尔有责任提高AI基础设施资源调度效率

考虑到负责AI计算的GPU和负责存储数据的系统都有CPU,以及英特尔多年来在系统优化方面的积累。陈葆立认为,英特尔所处的产业角色,有责任来让这些资源更高效地协同。

一年前,大家用AI的时候还只是让AI理解和输出内容,现在随着AI智能体的流行,AI像是有了手和脚,开始代替人执行更具体的工作任务。

这一过程中,AI系统需要不断进行任务拆解、工具调用、代码执行、工作流编排等工作,这些执行层面的工作显然更依赖CPU,也因此带动了CPU在AI基础设施中的重要性重新上升,CPU在数据中心的江湖地位快速提升。

在2026云栖大会英特尔专场上,英特尔数据中心与人工智能集团副总裁、中国区总经理陈葆立发出了一个让英特尔为之振奋的的宣言:Agentic AI正在改变数据中心的计算逻辑,CPU的重要性也在重新上升,颇有一种王者归来的气势。

AI正在从回答问题走向完成任务的新阶段

过去一年,大模型更多解决的是理解和生成问题。用户输入一个提示词,模型给出一个回答。但到了Agentic AI阶段,事情开始发生变化。

现在的智能体不仅能回答问题,还能理解上下文、保存记忆、调用工具、执行任务,并且不断检查结果是否正确。

陈葆立把这种变化归纳为几层创新,最早是Prompt Engineering(提示词工程),然后是Context Engineering(上下文工程)、Harness Engineering(工具编排工程)和Loop Engineering(循环优化工程)。

简单所,就是AI一步步获得了更强的干活儿的能力。

最早的Prompt Engineering就是优化提交给模型的提示词,而Context Engineering则让AI拥有更丰富的上下文和记忆,避免AI模型狗熊掰棒子,拿到新棒子就忘了还有旧棒子在手里。

随后,Harness Engineering让AI接上了工具,接入了API,配备了执行环境,让AI更好地执行任务,最后的Loop Engineering则是让AI进入一个循环,在循环里能够反复检查和修正结果,直到达到目标或满足停止条件。

也就是说,AI正在从一个活在对话框里的对话机器人,变成一个有手有脚,可以持续完成任务的数字员工。国内某大型科技公司的员工表示,目前手里用了9个Agent,可以同时处理多个工作任务。

陈葆立引用数据显示,2026年年底,有80%的企业会至少嵌入一个AI Agent。目前,已经有大量企业开始尝试把AI智能体引入工作流。IDC也预测,到2031年,中国企业使用的AI智能体数量回达到3.5亿个,同比增长200%。

当智能体数量越来越多,每个智能体又要持续运行、调用工具、访问数据和执行工作流,背后带来的计算需求自然也会越来越大。

Agentic AI让CPU重新成为数据中心里的重要角色

过去几年谈到AI基础设施,行业最关注的往往是GPU。原因很简单,大模型训练和推理都需要大量并行的矩阵计算,GPU非常适合处理这类负载,因此,GPU成了整个AI算力体系最核心的计算引擎。

但进入Agentic AI时代之后,计算负载开始发生一些复杂的变化。陈葆立特别提到,智能体背后的上下文管理、工作流编排、工具调用、任务执行以及循环检查,很多工作实际上都运行在CPU上。

这也是英特尔提出“CPU重返C位”的原因。

如果把AI系统拆开来看,可以大致分成三个集群:CPU集群、GPU或AI加速器集群,以及存储集群。GPU负责大规模AI计算,存储系统负责保存模型、数据以及智能体运行过程中不断产生的数据,而CPU则承担大量控制、调度和通用计算任务。

IT系统中,本来很多事情都需要CPU来处理,需要负责操作系统运行、网络通信、数据调度以及不同节点之间的数据搬运。即使是在GPU服务器也需要头节点CPU,存储服务器中也需要控制器,谁都离不开CPU。

随着智能体的爆火,从OpenClaw到Hermes,除了需要GPU生成大量Token,还需要CPU承担越来越多的执行工作,尤其当Agent走向多步骤、长时间运行后,一次任务可能触发几十甚至上百次工具调用,并同时运行多个进程。

最近,在国外爆火的Muse和Jec这两个Agent技术,前者需要CPU创建管理大量沙箱和虚拟机,后者需要CPU进行大量条件判断、规则匹配和分支处理,这些显然都是CPU所擅长的,都需要CPU来执行。

总之,随着Agent数量增加,AI工作流越来越复杂,CPU承担的调度和执行任务越来越多,Agentic AI让CPU重新成为数据中心里的重要角色。

AI系统越发考验基础设施的资源调度效率

过去建设AI基础设施,大家最关心有多少GPU?有多少算力?每秒能够生成多少Token?但Agentic AI时代更应该关心的或许是单位基础设施能够完成多少任务。因为智能体真正创造价值的,不只是生成了多少Token,而是到底能完成多少工作。

当智能体工作时,可能需要先读取企业数据,再调用模型分析,然后访问数据库、运行代码、调用业务系统,最后根据结果继续执行下一步任务。

整个流程涉及CPU、GPU、存储和网络之间大量协同。因此,决定AI系统效率的已经远远不只是单颗GPU的性能,而是整个基础设施的资源调度效率。

考虑到负责AI计算的GPU和负责存储数据的系统都有CPU,以及英特尔多年来在系统优化方面的积累。陈葆立认为,英特尔所处的产业角色,有责任来让这些资源更高效地协同。

英特尔与阿里云多年来保持紧密的合作关系,在云栖大会上英特尔专场上,阿里云专家也表示,随着智能体的发展,未来比拼的将是从硬件到软件、从GPU到CPU再到存储的全链条能力。

阿里云同时具备算力、云基础设施和模型能力。阿里云不仅推出基于“真武”架构的系列超节点产品。同时,其虚拟机、存储和网络等云基础设施能力也能够与模型能力结合,为Token和Agentic AI时代提供完整的基础设施支撑。

与此同时,阿里云也强调了与英特尔的协同价值。在其看来,英特尔并不只是CPU厂商,而是覆盖CPU、GPU、加速器、软件等能力的全栈技术公司。双方已经围绕CXL、QAT等技术展开了很多合作,希望通过软硬件协同,进一步提升AI场景下的整体系统效率。

 

 


本文来源于DOIT传媒,文章内容仅供参考,不构成投资建议。

赞 ()

相关推荐

发表回复

评论列表

点击查看更多

    联系我们

    微信:百易小助手

    邮件:contact@doit.com.cn

    工作时间:周一至周五,9:30-18:30,节假日休息

    微信