近期
，谷歌
、OpenAI等科技巨头推出新的智能体，腾讯也将企业微信与WorkBuddy进一步打通 ，智能体加速进入企业办公场景
。与此同时
，智能手机、PC（个人电脑）等终端开始运行更大参数的模型，端侧AI正从本地问答向本地任务处理演进。

　　这些变化的核心均指向智能体 ，而智能体的发展也在推动AI基础设施重新分工：云侧从以GPU（图形处理器）为核心转向GPU 、CPU（中央处理器）并行；同时
，云边端之间的算力分配也在发生变化，端侧任务处理正照进现实 。

　　不过 ，基础设施的重新分工并不会一蹴而就
。对英特尔而言
，CPU的重要性上升，不意味着产业价值分配必然向CPU倾斜；对高通
、联发科等厂商而言 ，模型迭代周期已缩短至数月
，芯片如何跟上模型变化、持续满足端侧部署需求也是现实挑战。

　　GPU与CPU配比收敛

　　数据显示，全球已有近80%的企业开始在内部尝试和导入智能体 。在中国 ，活跃的企业智能体预计到2031年将超过3.5亿个
。这意味着，无论是全球还是国内
，智能体都呈现加速前进的状态。

　　在英特尔数据中心集团副总裁 、中国区总经理陈葆立看来，一个智能体从思考到执行 ，牵动的是模型推理
、任务编排、数据搬运与记忆管理的完整链路 。例如
，用户的电脑上可能没有专门的修图软件，但如果用户下达了修图指令 ，智能体就会想尽办法到网络上寻找各种资源来完成这个任务
。

　　“过去AI止于生成答案
，由GPU主导，如今AI充满了主动性 ，CPU的角色变得举足轻重
，智能体AI对基础设施进行了重新分工。
”陈葆立认为，数据中心的架构必须随智能体AI而变 ，全新的智算中心应以CPU为核心
，CPU与GPU 、IPU（基础设施单元）
、存储协同运作，而不是单纯比拼某一环节的参数 。

　　不久前 ，英特尔推出了至强6+处理器，比较高 可支持超过1000个智能体的稳定部署
，同时，在满足200毫秒启动时延的SLA（服务级别协议）约束条件下 ，单颗至强6+比较多 可支持350个沙箱并发创建
，以此回应了数据中心客户对真实环境下性能的诉求
。

　　基于上述背景，英特尔判断 ，智能体AI时代
，数据中心CPU与GPU的配比将逐步收敛至1∶1，而在过去 ，智算中心里一块CPU需要搭配4—8块GPU。

　　对此
，英特尔的技术专家向记者表示，想象这样一种情景 ，人的大脑每秒可以想到一个字
，而将这个字输入到电脑只需要一毫秒 。现在的情况是，原本每秒钟只能想出一个字的大脑正被一个每秒钟想出1000甚至10000个字的AI所替代 ，原本绰绰有余的键盘输入速度可能就不够用了。

　　在该技术专家看来，人的大脑好比模型本身
，过去几年进步非常快，但负责敲字的键盘 ，也就是承接和处理这些输入任务的基础设施却跟不上了
。“从这个比喻出发
，GPU算力和CPU算力其实是相辅相成的，未来两者都会持续增长 ，但CPU算力的需求缺口会更明显。”

　　从更基础的原理来看
，传统大模型是在思考后通过语言输出，并不会直接执行任务 ，随着智能体执行的任务和涉及的场景越来越多
，“主智能体—子智能体—技能—沙箱 ”这套任务执行链路的增长速度非常快，而这个执行过程一定是放在CPU上 。

　　端侧模型能力飙升

　　智能体的任务类型不同 ，算力需求也存在差异
。复杂推理、跨系统检索等任务适合由云端提供支持；强调即时响应 、个人数据调用和本地交互的任务则有机会更多地在终端完成。

　　随着智能体进入手机
、PC等设备
，AI基础设施的竞争也从数据中心延伸至终端芯片、内存 、存储、操作系统和应用生态 。其中，SoC（系统级芯片）需从单纯追求峰值算力转向解决智能体持续运行时的计算
、功耗、调度等问题
。

　　9月底 ，高通在发布第六代骁龙8超级至尊版芯片时披露，基于该芯片
，高通携手阶跃 、无量火与江波龙率先将阶跃StepEdge-Omni30B-MoE（混合专家）模型完整部署于端侧，打造具备全链路智能体AI能力的端侧智能体助手。

　　高通公司中国区董事长孟樸介绍 ，三四年前
，高通演示的端侧文生图模型参数只有3B（Billion，十亿） ，去年还是支持7B—8B的模型
，而现在，一些互联网领先企业已经在关注高通何时能在终端上支持100B模型 。

　　他认为 ，在端侧
，这些模型怎样快速地下沉到智能硬件
、端侧的智能硬件在能力上怎样向上匹配是一个相向而行的过程，两边的速度都会影响整个端侧模型的使用
。

　　值得注意的是 ，云侧与端侧的协同还离不开网络能力的支撑。例如
，中国联通就围绕AIDN（AI定义网络）架构推进通信网与算力网的协同，对跨设备、跨系统运行的智能体而言 ，网络不再只是传输指令和结果的通道，还关系到任务能否及时访问远端模型 、数据和工具 。算力部署在哪里
、任务在哪一端执行
，最终都需要与网络连接能力相匹配
。

　　“从落地节奏来看，要真正实现各类智能体在不同终端之间协同 ，并持续服务个人用户
，可能要到2027年或2028年左右，才会开始逐步落地。
”孟樸判断 ，端侧AI本身是一个新事物
，整个产业还处于探索阶段，各种智能体在终端侧的应用 ，同样处在非常早期的阶段；另一方面
，不同AI终端厂商的发展各有侧重，很少有企业能够覆盖所有通用终端 ，因此
，要真正实现跨厂商、跨设备的协作，仍然需要一段时间 。

　　技术愿景需跨越落地关

　　“高通具备的优势之一是在技术研发上注重前瞻性 ，我们强调要提前看到产业十年后可能遇到的瓶颈，并尽早去克服；对高通而言
，风险和机会是并存的，关键在于快速落地 、执行到位。”孟樸直言 ，高通比较早地意识到
，AI要在端侧落地，需要产业链各方通力合作
。

　　他举了一个例子 ，中国市场上的大模型数量众多
、类型多样
，每一个大模型都需要与终端进行适配。过去，智能手机完成适配后 ，可能9个月甚至12个月都无需再调整；而现在
，大模型每3个月，甚至更短时间内就会迭代一次 。“这部分工作量显著增加 ，对高通而言
，非常具有挑战性
。 ”

　　随着端侧应用场景不断丰富，相关市场的参与者越来越多 ，竞争也日趋活跃。上个月，联发科发布了天玑9600M芯片
，支持端侧AI成为其卖点之一 。与此同时，端侧AI的关注度也延伸到PC市场 ，围绕AI PC的布局和探索持续升温
，整体市场竞争更加多元
。

　　正如英特尔方面介绍，在端侧 ，依托CPU、GPU与NPU（神经处理单元）协同的XPU异构算力架构
，英特尔加速智能体应用开发，推动传统PC向车载AIBox 、AINAS等全新产品形态延伸。同时 ，英特尔毫不掩饰地提出
，PC是办公智能体的最佳载体，要驱动PC重回生产力核心位置 。

　　与此同时 ，英特尔针对CPU重回C位的叙事也并非没有挑战
。当市场看到AMD与英伟达等厂商提出类似观点时
，硬币往往展现出了它的另一面。

　　一方面，同属x86架构的AMD正在蚕食英特尔的基本盘 ，数据显示，2026年第二季度AMD在核心服务器CPU市场出货份额已达46.4% 。另一方面
，英伟达也不会坐视CPU这块蛋糕而不顾，通过供应整机柜系统 ，英伟达直接打包CPU
、GPU与网络
，CPU自然而然地跟随GPU一起进入智算中心
。

　　对于英特尔而言，挑战还来自其供应能力。去年年底到现在 ，成熟的CPU平均售价提升了10%—30% 。据介绍
，英特尔将随市场需求和供应链状况做出一些反应，费用 提升仍会回归供需基本面。

（文章来源：证券时报）