Intel 与 agent 时代的 CPU 叙事

LLM 本身的推理（forward pass）依然是 GPU 的活——矩阵乘法、KV cache、attention 这些核心计算放在 CPU 上跑会慢几个数量级。所以"推理拐点到了 → 要买更多 CPU"这个直接因果链是不成立的。但文章真正在讲的，其实是推理周边的工作负载，这部分确实是 CPU 密集型的，而且和 agentic AI 的爆发强相关。

一是 agent / tool use 的执行环境。Claude Code、Devin、各种 coding agent 跑起来，模型生成的代码要在沙箱里执行——编译、跑测试、起容器、文件 I/O，这些全是 CPU 工作。一个 agent 任务可能要起几十个沙箱，每个沙箱后面都是 CPU 核。OpenAI、Anthropic、各家 coding 公司都在大规模铺这种沙箱基础设施。

二是 RL 训练里的 environment / rollout。RL gym、SWE-bench 这类环境要并行模拟成千上万个 episode，模型推理在 GPU 上，但环境 step 在 CPU 上。RL 越重要，CPU/GPU 的配比就越往 CPU 偏。

三是 serving 基础设施本身：tokenization、请求路由、batching、KV cache 管理、检索（向量库、BM25）、安全过滤、日志……每一台 GPU 服务器前后都要配相当数量的 CPU 才能喂饱它。

四是 Doug 提到的刷新周期论点——2020-2021 那波 COVID 大采购的 CPU 已经到自然报废节点，过去两年大家把预算全砸 GPU 了，CPU 只做最低限度维护。所以即使需求只是温和增长，叠加积压的 refresh，也可能出现一个 CPU 紧张窗口。

更准确的表述是：LLM 推理本身不吃 CPU，但 "AI 系统" 整体——尤其是 agent 化之后——是吃 CPU 的，而且过去两年这部分被严重欠投资。 "算力需求两年涨百万倍"那种话有水分，但 "agent 时代 CPU 需求曲线在抬头" 这件事方向上是对的，只是斜率远没有 GPU 那么夸张。

CPU 主要 players 是谁

数据中心 CPU 这块比 GPU 那边热闹得多，可以分成三层来看。

第一梯队：x86 双寡头。Intel（Xeon）和 AMD（EPYC）还是绝对主力，几乎所有非超大规模云厂的服务器 CPU 都从这两家买。AMD 过去五六年从市场份额 5% 不到打到现在数据中心 CPU 营收接近一半，靠的是 EPYC（Zen 架构）在核数、能效、性价比上全面压制 Xeon。Intel 是这一轮 AI 周期最大的输家之一，制程被台积电拉开，Xeon 在云上节节败退，Lip-Bu Tan 上任后在做大刀阔斧的重组（剥离代工、聚焦产品）。

第二梯队：ARM 阵营，真正的颠覆变量。超大规模云厂自研 ARM CPU 是过去五年最重要的趋势：

  • AWS Graviton：跑得最早最猛，AWS 内部新增容量里 Graviton 占比已经过半，Lambda、ECS、RDS 大量默认跑在上面。
  • Google Axion：2024 年发布，正在把 GCP 内部 workload 往这边迁。
  • Microsoft Cobalt：Azure 自研，和 Maia（AI 加速器）一起出。
  • NVIDIA Grace：专门和 GPU 配对（Grace Hopper、Grace Blackwell），做"GPU + 紧耦合 CPU"的整套方案。
  • Ampere Computing：商用 ARM 服务器 CPU 主要的独立玩家，Oracle Cloud 大量用，但被 hyperscaler 自研挤压得不轻。

ARM 阵营吃的就是 Intel/AMD 的份额。Hyperscaler 自己设计、台积电代工、去掉 x86 授权和经销利润，能效还更好，没理由不做。

第三梯队：中国和 specialty。阿里平头哥（倚天 710）——阿里云内部用，ARM 路线。华为鲲鹏——制裁后还在迭代，国内政企市场。Marvell、Broadcom——不直接卖通用 CPU，但帮云厂做定制 ARM 芯片。

回到 AI 推理周边的 CPU 需求：如果你是 OpenAI / Anthropic 这种自己不造芯片的，要扩 sandbox 和 RL 环境容量，最快的途径是从 AWS / GCP / Azure 租，那本质上吃的是 Graviton / Cobalt / Axion 的产能，不一定流到 Intel 财报上。但如果是企业自建数据中心，或者云厂的"非自研区域"，Intel 和 AMD 才是直接受益方——所以 Lip-Bu Tan 喊的那个数字要打个折看。

真正的赢家概率排序大致是：AMD ≈ hyperscaler 自研 ARM > Intel > Ampere。Intel 是"基本盘还在、但份额持续被啃"的姿态，不是"乘 AI 东风起飞"的姿态。

一台人形机器人要多少 GPU / CPU

这要分机器人身上和云端两块讲，因为完全不一样。

机器人本体（onboard compute）

一台人形机器人头里 / 胸腔里塞的算力，远比想象的小。当前主流配置：

  • NVIDIA Jetson 系列：业内 80% 以上的人形机器人都用这个。Jetson Orin（上一代，275 TOPS）现在最普遍，Jetson Thor（2025 年量产，2070 FP4 TOPS、专为 humanoid 设计）正在成为新一代标准。Figure、Boston Dynamics、Agility、1X、Apptronik 都在用 NVIDIA 这条线。
  • Tesla Optimus 自研：用的是 FSD 那套 Dojo 衍生的自研芯片，自己一条线。
  • 国产路线：宇树、智元用 NVIDIA Orin + 部分国产 NPU（地平线、寒武纪）混搭，受出口管制影响在分散供应。

典型配置：1 颗主 SoC（Jetson Thor 这种级别）跑 VLA 模型推理 + 视觉感知，里面 GPU + CPU 集成；若干微控制器 / 实时控制 CPU（ARM Cortex-R / x86）跑关节伺服、力反馈、安全逻辑——毫秒级延迟，跑不了 LLM；不需要独立 CPU 服务器。所以问"一台多少 GPU 多少 CPU"——主算力其实是一颗 Jetson Thor，把 GPU + CPU + NPU 全包了，不是数据中心那种分立堆法。功耗预算大概 100W，因为电池就那么大。

云端训练

  • 训 VLA 基础模型（Figure 的 Helix、Physical Intelligence 的 π0、Google 的 RT-2 这一类）：业内规模一般是数百到几千张 H100/H200。
  • 训仿真策略 / RL policy：再加一层 GPU，做大规模并行 rollout。
  • Tesla：Dojo + H100 混合，自家供应。

仿真环境 —— CPU 大户

  • Isaac Sim / MuJoCo / Genesis 这种仿真器，并行跑成千上万个 episode 训 RL policy，物理仿真主要在 CPU 上（虽然 NVIDIA 在推 GPU 加速的 Isaac，但物理引擎瓶颈仍然偏 CPU）。
  • 一个像样的 RL 集群通常是几千到几万核 CPU + 几百张 GPU 做 rollout 的视觉部分。

主要厂商一览

  • 本体主算力：NVIDIA（Jetson Orin / Thor）一家独大，Tesla 自研，国产用地平线/寒武纪补。
  • 关节实时控制：NXP、TI、ST、Infineon 的微控制器。
  • 训练 GPU：NVIDIA（H100/H200/B200/GB200），少数用 AMD MI300、自研 ASIC。
  • 仿真 CPU：AMD EPYC 占主导，Intel Xeon、ARM（Graviton 等）跟进。
  • 数据存储 / 网络：Pure Storage、VAST、NetApp，NVIDIA Spectrum/Mellanox 网络。

一台 Figure 03 意味着多少算力：机器人本身一颗 Jetson Thor 级别 SoC（约值 $3000–5000）；Figure 自己背后烧的训练算力是几千张 H100 持续跑（这部分均摊到每台机器人才是真实成本）；仿真 / RL 是几万核 CPU 集群，可能是 AWS/Azure 租的。

真正稀缺的不是 GPU 也不是 CPU，是"既能装进机器人又够跑 VLA 模型的 edge SoC"——这块 Jetson Thor 是 2025–2026 的事实垄断。这也是为什么 Mobileye 收 Mentee 这种动作有意思——它在赌"自动驾驶 SoC 那条产业链可以横向打到 humanoid"，挑战 NVIDIA 在 onboard 的位置。

Mayo Clinic 的 REDMOD：胰腺癌提前三年

在梅奥诊所，一种名为 REDMOD 的模型在近 2000 例已由放射科医生审核并标记为正常的 CT 扫描中进行了测试。它仍然在 73% 的病例中识别出胰腺癌的早期迹象，有时甚至在诊断前长达三年。在两年的时间点，它检测到的病例大约是放射科医生的三倍。

对照同一批片子的资深放射科医生只有 39% 的敏感度。胰腺癌之所以五年生存率不到 15%，就是因为 85% 都是扩散后才发现的——这个东西如果跑通临床（Mayo 已经在做 AI-PACED 前瞻研究），是真能救命级别的进展。

Stripe 的 agent 支付栈：四层协议 + 一条链

Stripe 这次发的不是单一产品，是四层协议 + 一条链，可以理解成"为 AI agent 经济铺基础设施"。

1. Machine Payments Protocol（MPP，机器支付协议）。由 Stripe 和 Tempo 联合起草的开放标准，3 月 18 日先发布过。核心思路：

  • 让 agent 和服务之间通过 HTTP 直接谈支付，不需要走传统的卡组织通道。
  • 复活了 HTTP 402 状态码——这个码 1989 年就在 HTTP spec 里了，叫 "Payment Required"，30 年没人用过。MPP 把它启用了：API 请求来了，服务返回 402 + 一段 challenge，说"你要付 0.01 美金才能继续"，agent 钱包响应一个签名 token，付款，服务返回数据。
  • 支持微支付——一次 API 调用可以是几分之一美分。这是现有信用卡通道完全做不到的（每笔交易至少 30 美分手续费）。

2. Universal Commerce Protocol（UCP，通用商务协议）。Stripe 进的一个多家共同参与的标准（Tech Council 成员），目标更广：跨平台 checkout 互通、身份链接、订单跟踪、支付 token 安全交换。跟 OpenAI 推的 ACP（Agentic Commerce Protocol）是直接竞争关系。Google 站队 UCP（Stripe 也和 Google 做了合作，让你能直接在 Gemini 里买东西），OpenAI 站 ACP，这是 2026 年正在打的协议战争。

3. Tempo —— 一条专门给支付用的 Layer 1 区块链。由 Stripe + Paradigm 孵化，3 月上线，宣称做了 50 亿美元的链上规模：

  • 专为高频支付设计，无原生 gas token（这点很反常——大多数 L1 都有自己的代币）。
  • 设计目标：大规模 agent 之间结算，stablecoin 做基础结算单位。
  • 可以理解成"为支付重新设计的以太坊替代品"。

4. Shared Payment Tokens（共享支付代币）。最贴近 agent 页面核心机制：

  • 你（人类）授权一个 token 给 agent，比如"10 美金以下、限酒店预订、有效期 24 小时"。
  • agent 拿这个 token 去任何接 Stripe 的商户结账。
  • agent 永远看不到你的真实卡号或银行账户。
  • 出问题随时撤销。

类似 Apple Pay / Google Pay 的"虚拟卡号"思路，但是面向 agent 场景做了限额、用途、时间维度的可编程化。

5. 加 stablecoin 和 "agentic tokens"。文档里说"很快会支持 stablecoins 和 agentic tokens"。后者比较模糊，目前看是和 Mastercard / Visa 这些卡组织合作发的、专门给 AI agent 场景的代币产品。

把这五层叠起来：如果你是开发者要做一个"会替用户买东西"的 agent，过去你要集成 Stripe（卡）、集成支付宝 / 微信 / PayPal、自己写 fraud 检测、自己处理用户授权 / 撤销、处理跨境结算。现在 Stripe 给你一套打包：Link Wallet 替用户管授权，MPP 处理 agent ↔ 服务的支付握手，UCP 处理跨平台互操作，Tempo 处理大规模结算，Shared Tokens 处理凭证安全。

这就是 Stripe 在 2026 年下的 thesis：未来大量经济交易是 agent 发起的，而 agent 发起的支付不是"信用卡 + checkout 表单"那种 1990 年代的范式，需要全新的协议层。Stripe 想成为这一层的事实标准，就像它在 2010 年代成为开发者支付集成的事实标准一样。

Pangram 的 AI 文本检测

根据 Max 的说法，Pangram 的误报率为 1/10,000。如果 Pangram 说某物是 AI 生成的，可以非常有信心它是由 AI 生成的。并不是万无一失——短文本、高度人性化的内容或非常新的模型可能会漏网。但当他们标记某物时，他们声称有 98.99% 的准确率。Max 提到之前 GPTZero 这种"AI 检测"工具经常被嘲笑，因为它们经常给出大量误报，例如说独立宣言是由 AI 编写的，并表示这种情况不再发生了。