CPU价格波动预警：市场趋势分析与选购避坑指南

过去几年，英伟达凭借GPU几乎席卷了全球AI市场的热钱。行业里一度流传着一种观点：搞AI，堆显卡就够了。

但最近，风向悄悄变了。

一个看似与显卡关系不大的核心部件——CPU，价格也开始蠢蠢欲动。

就连前阵子经历动荡、业绩一度低迷的英特尔，股价也迎来了一轮猛涨。上周五其股价单日暴涨27%，一举突破了26年前创下的历史高点。

信号已经相当明确：在今天的AI竞赛中，光靠GPU单打独斗已经不够看了。CPU性能的高低，成了决定整体效率的关键一环。

CPU：AI浪潮中被遗忘的“初代功臣”

严格来说，CPU从未真正离开过AI的舞台。在GPU成为绝对主角之前，AI的早期探索几乎全靠CPU的硬算力支撑。

1998年，图灵奖得主Yann LeCun在一篇论文中提到，训练一个CNN模型需要在单颗CPU上运行两到三天。想训练更大的模型？那就得堆上更多、更强的CPU。

如今我们都知道，用CPU训练AI本质上效率低下，加之当时计算资源昂贵，导致早期AI模型能力有限，整个领域一度陷入低谷。甚至到了这种程度：一些学术会议的审稿人，看到论文标题里带有“神经网络”，就考虑直接拒稿。

研究人员为了能让论文过关，不得不给神经网络起各种“花名”来掩人耳目。

转机出现在2012年。在那场著名的ImageNet大赛上，由Hinton带领的团队使用两张消费级显卡GTX 580，将图像识别准确率大幅提升了十个百分点。

从此，神经网络研究驶入快车道。AI成了新时代的“金矿”，而GPU则成了那把最趁手的“铲子”。英伟达凭借这柄“铲子”市值一路登顶，而曾经的算力核心CPU，则退居二线，主要负责一些调度和后勤类的“杂活”。

2026年的新变局：为什么GPU离不开CPU了？

风水轮流转。到了2026年，行业发现了一个关键问题：想要高效运行AI，特别是前沿的AI应用，仅靠强大的GPU已经力不从心。

早期的AI应用，比如ChatGPT式的对话，模式相对简单：用户提问，云端GPU进行密集的矩阵运算，逐词生成回复。在这种“一问一答”的流水线中，CPU的用武之地确实不多。

然而，随着Claude Code、龙虾（Lobster）等AI智能体（Agent）的兴起，游戏规则变了。AI的工作不再是简单的即时响应，而是需要完成一连串复杂的规划与执行。

举个例子：让AI帮忙网购一个“奶龙”玩偶。AI首先需要理解“奶龙”是什么（可能需要调用搜索工具），然后寻找购买渠道（调用电商平台接口），接着比价、筛选店铺、评估信誉，最后整合信息给出建议。

（下图由GPT-image-2生成，仅为示意）

这个过程揭示了一个关键转变：现代AI智能体的工作流，是GPU与CPU交替协作的“接力赛”。GPU负责核心的计算“冲刺”，而CPU则承担了任务规划、工具调用、逻辑判断和数据调度的“交接棒”工作。

如果CPU性能拖后腿，规划与调度的速度跟不上，那么昂贵的GPU就不得不陷入“空转”等待，整体效率大打折扣。

因此，为了不让GPU“摸鱼”，科技巨头们开始疯狂补课CPU。微软在建设新一代数据中心“Fairwater”时，就专门额外建造了一栋满载CPU的独立大楼，以应对AI智能体带来的计算负载变化。

（来源：semianalysis）

模型进化新范式：CPU成了“严苛导师”

另一方面，让AI模型变得更“聪明”的新方法，也把CPU推到了舞台中央。

如今，单纯靠堆叠GPU规模来扩大模型参数，带来的性能提升已经边际递减。新一代模型的进步，越来越依赖于强化学习（RL）。从DeepSeek的R1，到OpenAI、Anthropic、谷歌、阿里通义千问、Grok等，头部玩家都在强化学习上投入重兵。

什么是强化学习？可以理解为不再让模型“死记硬背”标准答案，而是把它直接扔进“模拟考场”，通过实践和反馈来学习。做对了给予“奖励”，做错了就“扣分”。

例如，训练AI写代码，模型生成代码后，必须真正运行它，验证结果是否正确。这个“运行验证”的关键环节，高度依赖CPU。每一次训练迭代，背后都可能需要大量CPU资源来构建测试环境、执行代码并给出评分。从这个角度看，CPU俨然成了大模型训练过程中那位最严苛的“导师”。

需求催生行动。为了获得更多、更强的CPU算力，大厂们各显神通：技术底蕴深厚的谷歌自主研发了AI专用CPU Axion；而Meta则选择与Arm深度合作，共同设计服务器芯片。

一个反直觉的发现：越花钱，越省钱？

更让数据中心运营商感到意外的是一个反直觉的经济账：在CPU上投入更多，反而可能降低总体运营成本。

原因在于，GPU执行每一项计算任务之前，都需要CPU完成大量的前置工作：接收用户请求、分配内存、加载模型权重、更新KV缓存等等。

如果CPU性能孱弱，处理这些调度任务慢吞吞，就会导致功耗高达数百瓦的顶级GPU长时间处于闲置等待状态。结果是完成同样工作量需要更长时间，总耗电量反而飙升。

反之，如果配备性能更强（虽然自身功耗也可能更高）的高端CPU，它能以极高的效率为GPU准备“弹药”，让GPU持续满负荷高效运转，更快完成任务。虽然CPU的电费账单增加了，但GPU的工作时间大幅缩短，总能耗和成本可能不升反降。

AMD的一项实验数据佐证了这一点：在搭配相同GPU的情况下，使用更高性能CPU的方案，虽然总功耗增加了0.8%，但任务处理效率却提升了8%。这正应了那句话：有时候，最好的省钱方式，恰恰是进行明智的投资。

结语：CPU的“第二春”与游戏玩家的新烦恼

综上所述，在AI智能体普及和强化学习成为训练核心范式的双重驱动下，CPU正从幕后走向台前，迎来其数据中心生涯的“第二春”。

这对于英特尔、AMD，乃至试图切入该市场的英伟达而言，无疑是一波巨大的增量市场。

不过，这场由AI驱动的CPU复兴，或许会让另一个群体感到担忧——普通消费者和游戏玩家。服务器市场对CPU的旺盛需求，可能加剧高端芯片的产能紧张与成本压力。未来装一台高性能电脑，预算恐怕要重新评估了。

图片、资料来源：

CPUs are Back: The Datacenter CPU Landscape in 2026

Google的猫脸识别：人工智能的新突破

英伟达帝国的一道裂缝

CPU荒来了！英特尔、AMD 3月再涨价，今年已涨10%-15%，交货周期最长延至6个月

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.

来源：互联网