AI CPU：性能跃迁新纪元
伴随大模型迈向Agentic AI（多智能体推理）的新范式，CPU在数据中心中的定位正经历根本性转变——从以往的任务调度与数据流转，升级为深度介入推理环节，致使CPU需求激增，甚至显现出用量超越GPU的态势。在Agentic AI推理流程中，约70%-80%的时间由CPU承担（涵盖任务分解、沙箱隔离、线程调度及应用调用等），GPU则仅聚焦于核心计算。这使得CPU与GPU的配比由传统的1:2逐步向1:1乃至更高比例演进，单颗CPU需支撑的线程数量剧增，以英伟达Vera（88核176线程）为例，单颗CPU可承
HBM需求爆发：AI算力时代的内存技术革命
在AI大模型时代，GPU的性能天花板完全取决于HBM（高带宽内存），HBM的容量与带宽必须代代实现翻倍增长，不再像传统内存那样存在周期性瓶颈，需求将呈现持续指数级攀升。 一、回顾：CPU时代，内存（DDR）并不关键 在电脑、手机等传统CPU算力时代，行业的唯一核心目标是让CPU的运算速度不断提升。 我们日常接触的DDR普通内存仅仅是辅助角色，在行业中的地位极低，十余年来技术几乎没有重大突破，主要原因有两方面： 1、CPU自带优化机制，无需内存加速 CPU配备了多层缓存和并行计算架构，能够自行弥补内存速度慢
为何 AI 始终面临存储荒
AI 堪称“数据饕餮”与“带宽黑洞”，其存储需求呈指数级暴涨，而产能与物理极限却难以企及。以下分五点详述：一、模型规模激增，直接撑爆内存- 大模型参数从数十亿跃升至数千亿，未来更将达万亿级。- 训练阶段，全量参数需载入 HBM 或高速 DRAM 方可运行。- 推理阶段，需储备海量 KV 缓存（上下文状态），上下文越长、并发用户越多，内存消耗越巨。- 结论：模型越庞大，内存越捉襟见肘；并发越高，短缺越严峻。二、训练数据：只进不出，无限累积- 训练涵盖全网文本、影像、视频、日志及对话，均需永久留存。- 全球数
AMD数据中心业务持续爆发式增长
AMD掌门人苏姿丰透露，该公司数据中心业务正持续迅猛扩张，已成为推动营收与利润增长的核心引擎。“伴随客户从试验阶段迈向规模化投产，我们在推理市场观察到强劲的发展动能，其中领先的内存容量与带宽是我们的核心竞争优势，”苏姿丰在分析师电话会中指出。她称，基于此，AMD（355.26, 13.72, 4.02%）在数据中心领域正深化与客户的长期战略合作，涵盖跨代际的大规模部署。“我们对2027年实现数据中心AI业务年收入达数百亿美元抱有坚定且持续增强的信心，并将在未来几年突破80%以上的长期增长目标，”她表示。