都在抢GPU，为什么CPU也不够用了？

AI算力的抢购清单上，CPU正变得越来越显眼。

9月底，渠道消息称，AMD第六代EPYC处理器Venice的2027年产能已被预订，订单开始排向2028年。这一说法尚未获得AMD官方确认，但服务器CPU的供给压力已经引起关注。消息来源

英特尔也发出了紧缺信号。据媒体对Splunk .conf26的报道，公司CEO表示，目前只能满足客户约一半的CPU需求。这一数字不能直接换算成全球缺口，但英特尔二季度正式披露已确认需求超过可供给数量，并预计基板、内存等关键部件的行业性短缺将持续至2027年。发言报道；英特尔季度报告

理解这轮变化，需要看清AI正在接手什么工作。生成一段答案，与完成一项任务，对算力的要求很不一样。

当AI开始替人执行任务，CPU承担的工作也随之增加。

一、GPU算得再快，也得等其他环节

让一个编程智能体修复错误，它要做的远不止生成几行代码。

它需要读取项目、提出方案、修改文件，再启动环境、编译、运行测试。如果测试失败，就把报错交回模型，修改后再试。

模型计算主要依靠GPU，代码执行和大量工具工作依靠CPU。一次任务要在这些环节之间往返，交付速度取决于整条流程。

算一笔简化的时间账：假设完成一项任务原本需要100秒，其中模型计算占90秒，其他暂时无法加速的步骤占10秒。

GPU负责的部分快了10倍，整项任务只快了约5.3倍。原来占十分之一的其他步骤，此时已经占去超过一半的时间。

这就是阿姆达尔定律揭示的约束：任务规模固定时，局部加速的收益，会受到剩余步骤的限制。表中的数字用于说明机制，并非真实智能体的平均耗时。英伟达CUDA最佳实践指南

但瓶颈更突出，还不等于CPU需求一定增长。每天只处理同样数量的任务，GPU升级可能只是缩短等待；网络延迟、磁盘访问和串行依赖，也未必能靠增加CPU解决。

真正推动采购的是下一步：企业把释放出来的GPU能力，用来同时处理更多任务。更多代码需要编译，更多测试需要运行，更多执行环境需要启动，CPU的总工作量才随之上升。

二、一个人提问，一群智能体干活

智能体正在把这一步变成现实。

人和聊天机器人对话，通常需要停下来读答案、想一想，再继续提问。人的阅读和判断速度，会限制请求频率。

智能体收到一个目标，可以自行执行多轮“规划—调用工具—检查结果—重试”。一次修复要求，可能触发几十次测试；一项资料整理任务，可能带来大量网页访问和数据库查询。多个智能体还可以同时执行不同的子任务。

用户只交代了一件事，后台可能已经运行了许多轮计算与工具调用。

这种扩张依然受到预算、权限和成功率的限制。企业愿意持续运行智能体，前提是完成工作的收益能够覆盖调用、执行和复核成本。一旦这个条件成立，CPU负载就不再只由人的提问次数决定，还取决于每项任务需要多少次尝试、多少个执行环境。

训练智能体也会增加这类需求。模型学习写代码、使用工具，需要反复尝试并检验结果，许多工具和环境运行在CPU上。

英伟达在2026年3月发布Vera CPU时，介绍了一种配备256颗CPU、可支持超过22500个并发CPU环境的机架。按照厂商披露的设计，这些资源服务于大规模执行与训练环境。Vera CPU发布公告

TrendForce也预计，智能体部署中的CPU与GPU数量配比，将从传统大模型场景的1∶4至1∶8，向1∶1至1∶2变化。这个判断针对特定部署场景，反映的是执行工作增加之后，硬件配置需要重新调整。TrendForce分析

三、CPU能加单，产能却不能立刻加速

需求的变化，遇上了供给扩张的时间差。

AMD已宣布Venice在台积电2纳米工艺上爬坡。新一代CPU同样需要先进制程资源，而晶圆制造只是交付的第一步，后面还有封装、基板、内存和整机配套。AMD量产爬坡公告

任何一环缺货，都可能让已经造出来的芯片无法及时变成可用服务器。英特尔披露的基板和内存约束，正说明供给压力已经延伸到处理器之外。英特尔季度报告

更多执行环境还需要更多内存容量、带宽，以及电力与散热支持。增加CPU采购量，实际上也在给整套配套设施增加订单。

企业可以很快提高软件端的并发需求，硬件厂商却要增加设备、提高良率、协调部件，再完成平台验证。采购计划与可交付的计算能力之间，隔着一段无法跳过的时间。

这段时间有多长，要看具体瓶颈。现有产线调整、新品放量和供应商扩产都可能缓解紧张，也都需要接受实际交付的检验。

四、同一座数据中心，可能需要更多CPU

CPU需求有多大，还取决于数据中心里运行的是什么任务。

Arm在2026年3月的演讲中估算，传统AI数据中心每吉瓦对应约3000万CPU核心，智能体场景可能提高至1.2亿核心。这是厂商对特定场景的测算，包含与加速器相邻的CPU资源，并非所有数据中心的统一标准。Arm演讲原文，第3—4页

借用这两个端点，可以做一个简单的敏感性分析。

假设新增投运的AI容量为G吉瓦，其中采用高CPU需求智能体配置的容量占比为p。采用线性插值，新增核心需求可以写成：

新增CPU核心需求 = G ×（3000万 + 9000万 × p）

以假设的10吉瓦新增容量为例，结果如下：

这里的10吉瓦、配置占比、线性插值和128核换算，都用于展示情景，不代表年度预测或行业平均配置。不同架构的核心也不能完全等量替代。

这笔账揭示的关键是：即使新增容量相同，仅任务结构变化，就可能让CPU需求相差一倍以上。

要进一步计算全球缺口，还需要加入通用服务器更新、既有AI设施升级和设备复用，再与各厂商的实际有效供给比较。目前公开数据还不足以填齐这张账本。

因此，2027年新品集中放量能否缓解紧张，取决于供给增加的同时，每座数据中心的CPU需求又提高了多少。判断未来是否平衡，必须同时看扩产速度、任务结构和软件效率。

五、短缺能持续多久，要看AI接到了多少真活

预订火热，需要最终使用需求来兑现。

客户担心拿不到货，可能提前采购，甚至重复下单。交期越长，囤货动机越强。如果实际任务增长没有跟上，今天的预订也可能变成明天的库存和砍单。

软件效率同样会改变需求。减少无效重试、复用执行环境、合并查询，都能降低完成一项任务所需的CPU资源。数据中心建设放缓，也会压低新增采购。

观察这轮短缺，可以抓住三个信号：

• 交期：同类服务器CPU的交付时间，是否持续拉长。
• 量价：厂商收入增长中，有多少来自实际出货，有多少来自高端产品占比提高和涨价。
• 使用：云厂商的建设与采购计划，是否转化为投运容量和持续运行的任务。

量价尤其容易被混淆。英特尔二季度服务器平均售价同比提高48%，出货量提高9%，并披露售价增长主要来自高端产品占比提升。收入增长很快，未必意味着卖出的CPU同样多，更不能直接换算成市场缺口。英特尔季度报告

CPU重新受到关注，背后是AI工作范围的扩大。模型能够提出更多方案之后，还需要系统执行代码、调用工具、读取数据、检查结果。企业真正购买的，是这些环节共同交付的一项工作。

CPU短缺能否持续，最终取决于企业愿意付钱交给AI完成的工作，能否增长得比整套基础设施更快。