AI Agent时代：英伟达Vera CPU为何重拾单线程性能

过去十余年，数据中心 CPU 的竞争主线始终围绕核心数量展开——堆更多核心，换更高吞吐量。但在 AI Agent 逐渐成为主流计算负载之后，英伟达提出了一个值得行业关注的观点：CPU 不能只是"堆核"，单线程性能必须重新回到设计的核心位置。

10 月 18 日，Wccftech 发布了对英伟达 Vera CPU 团队的专访。团队系统回顾了数据中心 CPU 的演进路径，并指出了一个关键变化：过去云计算市场对核心密度和整体吞吐量的极致追求，让单线程性能和每时钟周期指令数（IPC）在一定程度上被边缘化了。而 AI Agent 带来的新需求，正在改变这一取舍。

英伟达推出的 Vera CPU，恰好瞄准了这一变化。其设计思路并不是盲目增加核心数，而是尝试把较高的单线程性能、内存带宽和整体吞吐量三者结合起来。对于关心 CPU 架构演进与 AI 基础设施的读者，云栈社区也有持续的讨论与资源沉淀。

从追求单核性能，到追求更多核心

英伟达团队在专访中，把过去十多年数据中心 CPU 的发展划成了两个阶段。

第一阶段在 2010 年代初期。当时英特尔等厂商更看重单个核心的性能，通过拉高运行频率等手段提升单线程处理能力。但核心数量相对有限，整体吞吐量也就触到了天花板。

随着大型云服务商不断扩张数据中心规模，需求开始反转。对云服务商来说，一台服务器里能容纳多少 CPU 核心、承载多少任务，直接关系到服务器的利用率和成本效益。

于是，处理器厂商开始把重心转向核心数量，并逐步引入多芯粒设计，将多个计算芯粒封装成一颗处理器。

英伟达认为，这条路线虽然堆高了核心密度和整体吞吐量，但单线程性能和 IPC 的优化空间反而受限。背后的逻辑是：芯粒设计需要在有限的芯片面积内放下更多核心，留给单个核心做性能优化的空间自然会被压缩。

不过这里需要澄清一点：英伟达的判断是对既有设计路线的一种解读，并不意味着芯粒设计必然牺牲单核性能。芯粒架构的优势其实很明显——设计弹性更高、制造成本更可控、产品扩展更灵活。单核性能到底行不行，归根结底还是要看微架构、频率以及具体的设计取舍。

但话说回来，当 AI Agent 成为新的计算负载，过去那种以核心数量和整体吞吐量为先的单一路线，确实碰到了新问题。

AI Agent 为何需要更强的单线程性能？

英伟达认为，AI Agent 正在让 CPU 重新回到 AI 计算系统的关键位置。

原因在于执行方式变了。AI Agent 跑起来时，CPU 和 GPU 需要反复协同：GPU 负责模型推理这类重型计算，而 CPU 要处理推理流程中的串行工作，并为下一阶段的并行计算做好准备。

英伟达团队在专访中特别强调，GPU 是 AI 基础设施中价值最高、成本也最贵的计算资源之一。CPU 必须尽快完成 Agent 执行过程中的串行任务，让 GPU 及时进入下一轮推理，否则昂贵的 GPU 资源只能在等待中空转。

这正是 AI Agent 与单纯追求并行计算吞吐量的工作负载之间的本质区别。

当任务可以充分并行时，堆核心就能提升整体吞吐量。但如果某个执行步骤必须等待前一个步骤完成，即使处理器拥有更多核心，也不一定能够缩短这段串行执行时间，这正是操作系统层面典型的串行瓶颈问题。

所以英伟达的结论是：AI Agent 时代的数据中心 CPU，必须同时具备较高的单线程性能和较高的整体吞吐量，不能只盯着核心数量。

这也就是 Vera 的设计目标——既快速完成单个任务，又支撑大规模并发负载。

Vera 如何实现这一目标？

根据英伟达团队在专访中的介绍，Vera 靠三项设计来落地这一目标。

首先是单片式计算裸片。

Vera 采用单片式计算裸片，所有 CPU 核心都集成在同一块硅片上。英伟达认为，这种方式能让不同核心直接通过片上互连通信，不必跨越芯粒之间的 I/O 边界，从而降低通信延迟。

其次是定制 LPDDR5X 内存子系统。

英伟达把高内存带宽视为 Vera 的关键设计特征。对 AI Agent 而言，CPU 不仅要执行指令，还要持续访问任务执行过程中涉及的数据。提高内存带宽，意味着核心等待数据的时间被压缩，高并发处理能力得到更强支撑。这也正是英伟达在定制 LPDDR5X 内存子系统上投入大量精力的原因。

第三是第二代 NVIDIA Scalable Coherency Fabric。

这套互连架构负责连接 CPU 核心及片上相关资源。英伟达公布的 Vera 核心间双向分割带宽达到 3.4 TB/s。按照团队说法，这个数值大约是他们所比较的领先 x86 处理器的 3 倍。

需要强调的是，双向分割带宽衡量的是处理器不同部分之间的整体通信能力，并不等于单个核心性能或所有应用的运行速度都翻了 3 倍。

通过这三项设计，英伟达希望减少核心间通信开销，在提高单线程性能的同时，维持处理器的整体吞吐量。

CPU 竞争的重点正在发生变化

从 Vera 的设计思路可以看出，英伟达要解决的并不是传统 CPU"核心不够多"的单一问题，而是 AI Agent 负载下，单线程性能、内存访问和核心间通信之间的协同问题。

过去，数据中心 CPU 主要面向大规模云计算任务，核心数量和整体吞吐量是第一优先级。如今，AI Agent 要求 CPU 与 GPU 反复协同，CPU 能不能迅速完成串行任务，同样会影响整个系统的运行效率。

但这并不意味着芯粒设计已经过时，也不代表所有数据中心 CPU 都要转向单片式架构。不同负载下，核心密度、制造成本、扩展能力和单线程性能之间依然需要精细权衡。

Vera 所反映的变化在于：随着 AI Agent 的发展，CPU 的评价标准正变得更加多元。除了核心数量和总体吞吐量，单线程性能、内存带宽以及核心间通信能力，也正在成为 AI 基础设施设计中的关键考量。

对 CPU 厂商来说，未来的竞争不再只是"谁能在芯片里塞进更多核心"，而是谁能更好地满足 AI Agent 对响应速度、并发处理和系统协同的综合需求。