NVIDIA Vera CPU 如何应对智能体 AI 集群挑战

智能体 AI 改变了数据中心的计算方式

在大规模 AI 基础设施中，衡量效率不能只看单个 GPU 或模型的性能，还需要关注整个系统如何将电力和资本投入转化为最终完成的智能体任务。

对于智能体 AI 而言，GPU 主要负责运行模型，而 CPU 则承担任务编排、工具执行以及沙箱计算等工作。这意味着，当 AI 系统从单纯的模型推理转向能够自主调用工具、执行代码和完成多步骤任务的智能体时，CPU 在整个计算栈中的作用也随之增加。

智能体负载更加难以预测

传统计算任务通常拥有相对稳定的运行时特征，但智能体工作负载并非如此。

不同智能体可能采用不同的执行路径：有些任务需要多轮模型调用，有些需要调用外部工具，还有一些会进入隔离环境执行计算。因此，这类工作负载具有较强的波动性和不可预测性，也给大规模 AI 集群的资源调度和整体利用效率带来新的挑战。

Vera CPU 面向系统级效率问题

NVIDIA 将 Vera CPU 放在这一背景下进行定位，重点并不仅是 CPU 本身的计算性能，而是它在智能体 AI 基础设施中的协同作用。

核心思路是：AI 集群的经济性取决于整个软硬件栈的效率。GPU 承担模型计算，CPU 则处理模型计算之外的大量工作，两者共同影响最终能够完成多少智能体任务。

从这一视角看，随着智能体系统日益复杂，数据中心的性能评价也可能需要更多关注端到端任务完成效率，而不仅仅是单一处理器的峰值性能。