Arm推出智能体专用CPU，英特尔数据中心负责人持质疑态度

近期，英伟达和Arm等公司纷纷发布了专为运行OpenClaw等AI智能体而设计的CPU产品。

英特尔数据中心集团负责人Kevork Kechichian对这种"新型"CPU是否真正满足超大规模数据中心和企业的实际需求表示质疑。Kechichian曾在Arm解决方案工程团队担任执行副总裁直至去年夏天。

他的评论发表在Arm发布其完整处理器设计几天后。这款名为AGI CPU的芯片被Arm定位为智能体AI处理器。一周前，英伟达也展示了由其自研Vera CPU驱动的智能体计算平台。

在GPU和AI加速器主导行业话题多年后，CPU重新回到聚光灯下，因为那些智能体框架、工具、API调用和AI生成的代码片段需要在某种处理器上运行，而这不是GPU的强项。

Arm的智能体CPU设计理念

在旧金山举办的Arm Everywhere活动上，Arm云AI执行副总裁Mohamed Awad提出，现有的x86处理器并非为运行智能体而设计。他认为，这些处理器的加速模式、同时多线程、专用加速器和其他传统功能虽然适用于当前工作负载，但只会消耗芯片面积并增加功耗。

"当你提高频率时，还会提高什么？功耗。这是个问题。这些加速模式在长时间内不可持续，在整个芯片上也不可持续，"Awad表示。

Arm声称其300瓦、136核心的芯片避免了这些问题。"我们专注于智能体数据中心真正需要的：性能、扩展性和效率，"Awad说道。

AGI CPU中使用的核心在单指令多数据功能方面相对较轻，配备了一对128位宽向量单元，而大多数英特尔和AMD服务器芯片支持512位宽向量。

Awad特别强调芯片缺乏同时多线程技术是优势而非劣势。"多线程时会发生什么？你向同一个核心投放两个任务，这就是它们获得高线程数的方式。现实是你的I/O和带宽并不会翻倍，只是把瓶颈转移到了别处。"

英特尔的反驳观点

对于Arm在AGI CPU发布中强调的优化要点是否真正关系到智能体性能，英特尔的Kechichian仍持保留态度。

在单指令多数据方面，他能理解这种逻辑。"如果你看这些工作负载，主要是传统的数据移动类任务：编排。在这个领域，没有重型单指令多数据引擎是件好事。"

他也承认当前CPU中存在智能体框架不一定需要的功能，但认为英特尔近年来开发的许多加速器仍然相关，例如用于加速压缩、解压缩和加密工作负载的QuickAssist。

对于Arm反对同时多线程的观点，Kechichian不太认同。"虽然Awad谈论非同时多线程和优化，但一周前，英伟达展示的另一款CPU就有同时多线程功能。"

英伟达的Vera CPU配备88个基于Arm的Olympus核心，包含"空间多线程"技术，本质上是将每个核心的资源对半分配，而不是像其他支持同时多线程的x86芯片那样进行时间切片。

"我的观点是，如果他们有选择，他们会加入这个功能，"Kechichian评价Arm的AGI CPU说。"他们没有选择，Arm的核心都不支持同时多线程。"

英特尔的应对策略

除了Granite Rapids P核心至强处理器外，英特尔还有Sierra Forest和Clearwater Forest处理器，配备大量超高效核心。

Clearwater Forest与Arm的AGI CPU有许多相似之处：拥有288个精简核心，最小化的单指令多数据扩展，以及12通道高速DDR5内存。

"它有密度，有高核心数，也缺乏同时多线程，"Kechichian说。

当被问及与Arm产品的相似性时，Awad认为这些产品真正围绕最大化计算密度设计，并质疑英特尔效率核心的相对性能。

虽然Arm的136核心处理器确实提供每核心6 GB/s的内存带宽，但这主要归因于计算与内存的比率。与英特尔顶级Clearwater Forest处理器相比，Arm的CPU提供的每核心带宽是其两倍多。

尽管在许多方面与Arm的AGI CPU相似，Kechichian表示英特尔在智能体应用场景中对至强6+的需求并不大。相反，该芯片在数据包处理等网络应用中最受欢迎。

Q&A

Q1：什么是AGI CPU？它与传统处理器有何不同？

A：AGI CPU是Arm推出的专门为运行AI智能体设计的处理器。与传统x86处理器不同，它采用300瓦功耗、136个核心设计，去除了加速模式、同时多线程等传统功能，专注于智能体数据中心需要的性能、扩展性和效率。

Q2：英特尔为什么对智能体专用CPU持质疑态度？

A：英特尔数据中心负责人Kechichian认为现有CPU已能满足智能体需求。他指出英特尔的Clearwater Forest处理器具有类似特性：288个精简核心、缺乏同时多线程、最小化单指令多数据扩展，但主要用于网络应用而非智能体场景。

Q3：智能体AI为什么需要专门的CPU而不是GPU？

A：虽然GPU和AI加速器在AI训练中占主导地位，但智能体框架、工具、API调用和AI生成的代码片段需要在CPU上运行。这些任务主要涉及传统数据移动和编排工作，更适合CPU处理而非GPU的并行计算能力。