Agentic AI系统往往需要：

• 规划复杂任务
• 调用外部工具
• 运行代码
• 协调多个AI步骤

这些操作大量发生在模型之外，因此 CPU开始扮演“调度者”的角色，负责管理整个AI执行流程。

英伟达表示，Vera CPU专门设计来处理这些工作，包括：

• 协调GPU计算任务
• 管理内存和数据流
• 运行AI工具链和软件环境
• 执行围绕模型的代码
• 控制复杂推理流程

因此Vera被定位为 AI加速系统中的“主机CPU”，特别适用于强化学习与Agentic AI工作流。

Vera与英特尔、AMD服务器CPU有什么不同

目前数据中心的大多数CPU仍是通用型设计，例如：

• Intel Xeon
• AMD EPYC

它们被设计为运行各种企业工作负载，从数据库到Web服务都能支持。

Vera的思路完全不同。

1. 为GPU加速系统而生

Vera不是独立的通用计算引擎，而是专门作为 GPU集群的控制层。

其架构重点在于：

• 保持GPU持续获得数据
• 协调高带宽内存访问
• 管理AI软件栈

这种设计目标是减少AI推理和训练中的系统瓶颈。

2. 88核Arm架构

Vera基于 Arm架构并拥有88个核心，强调能效和高带宽数据处理能力。

近年来，Arm服务器芯片在大型云计算平台中越来越常见，因为在大规模并行计算中通常具有更好的 性能功耗比（performance per watt）。

3. 英伟达声称的性能优势

根据英伟达官方数据，在AI环境中：

• 性能最高提升约50%
• 能效提升约2倍

相比传统机架级CPU基础设施，这些改进来自于CPU与GPU系统的深度协同设计。

Vera Rubin平台：CPU + GPU的整体系统

Vera并不是单独产品。

它是英伟达下一代 Vera Rubin平台 的核心组成部分，该平台将：

• Vera CPU
• Rubin GPU

组合成完整AI系统。

该平台主要针对以下AI工作负载：

• Agentic AI
• 复杂推理（reasoning）
• 多步骤问题求解
• 超长上下文推理

通过将CPU、GPU、网络和内存架构深度整合，英伟达希望减少系统通信瓶颈，并提升 每瓦特生成Token数量（tokens‑per‑watt）。

英伟达更大的战略：掌控AI数据中心

过去十多年，英伟达在AI领域的核心优势是 GPU加速器。

但现在公司正在向整个AI基础设施扩张，包括：

• GPU（Blackwell、Rubin）
• CPU（Grace、Vera）
• 网络（InfiniBand、Spectrum‑X）
• 机架级系统
• CUDA软件生态

目标是销售完整的 AI基础设施平台，而不仅仅是单个芯片。

如果这一策略成功，数据中心的权力格局可能会改变——过去长期由 Intel和AMD主导CPU层。

超大规模云厂商与“AI工厂”

大型云厂商（Hyperscalers）是英伟达路线图的关键客户。

例如，微软计划建设的 Fairwater AI超级工厂 预计将使用基于Vera Rubin架构的机架级系统，规模可能达到 数十万颗芯片。

此外，一些大型云公司和互联网平台也在建设类似的 AI工厂（AI factories）。

这些数据中心专门用于：

• AI模型训练
• 大规模推理服务

它们需要高度集成的计算系统，而不是传统通用服务器。

财务背景：英伟达的爆发式增长

Vera推出的时机正值英伟达业绩高速增长。

公司报告：

• 2027财年第一季度收入：816亿美元
• 同比增长：85%
• 数据中心收入：752亿美元

公司还预计 下一季度收入约910亿美元，显示AI基础设施需求仍在持续增长。

同时，管理层还预测未来几年 Blackwell和Vera Rubin平台累计订单可能达到1万亿美元规模。

为什么“2000亿美元CPU市场”很重要

Vera CPU的意义不仅是性能提升。

它代表着英伟达试图进入 服务器CPU这一传统上由Intel和AMD主导的市场。

如果云厂商大规模采用这种架构，未来AI数据中心可能会发生结构性变化：

• 更少通用组件
• 更多围绕GPU设计的垂直整合系统

不过需要强调：

2000亿美元只是英伟达对潜在市场规模的估计，实际结果仍取决于多个因素，例如：

• Arm服务器生态的成熟度
• 云厂商是否愿意改变x86架构
• 芯片供应能力

可以确定的一点是：在Agentic AI时代，曾经低调的CPU正重新成为AI基础设施中的战略核心。

Agentic AI系统往往需要：

• 规划复杂任务
• 调用外部工具
• 运行代码
• 协调多个AI步骤

这些操作大量发生在模型之外，因此 CPU开始扮演“调度者”的角色，负责管理整个AI执行流程。

英伟达表示，Vera CPU专门设计来处理这些工作，包括：

• 协调GPU计算任务
• 管理内存和数据流
• 运行AI工具链和软件环境
• 执行围绕模型的代码
• 控制复杂推理流程

因此Vera被定位为 AI加速系统中的“主机CPU”，特别适用于强化学习与Agentic AI工作流。

Vera与英特尔、AMD服务器CPU有什么不同

目前数据中心的大多数CPU仍是通用型设计，例如：

• Intel Xeon
• AMD EPYC

它们被设计为运行各种企业工作负载，从数据库到Web服务都能支持。

Vera的思路完全不同。

1. 为GPU加速系统而生

Vera不是独立的通用计算引擎，而是专门作为 GPU集群的控制层。

其架构重点在于：

• 保持GPU持续获得数据
• 协调高带宽内存访问
• 管理AI软件栈

这种设计目标是减少AI推理和训练中的系统瓶颈。

2. 88核Arm架构

Vera基于 Arm架构并拥有88个核心，强调能效和高带宽数据处理能力。

近年来，Arm服务器芯片在大型云计算平台中越来越常见，因为在大规模并行计算中通常具有更好的 性能功耗比（performance per watt）。

3. 英伟达声称的性能优势

根据英伟达官方数据，在AI环境中：

• 性能最高提升约50%
• 能效提升约2倍

相比传统机架级CPU基础设施，这些改进来自于CPU与GPU系统的深度协同设计。

Vera Rubin平台：CPU + GPU的整体系统

Vera并不是单独产品。

它是英伟达下一代 Vera Rubin平台 的核心组成部分，该平台将：

• Vera CPU
• Rubin GPU

组合成完整AI系统。

该平台主要针对以下AI工作负载：

• Agentic AI
• 复杂推理（reasoning）
• 多步骤问题求解
• 超长上下文推理

通过将CPU、GPU、网络和内存架构深度整合，英伟达希望减少系统通信瓶颈，并提升 每瓦特生成Token数量（tokens‑per‑watt）。

英伟达更大的战略：掌控AI数据中心

过去十多年，英伟达在AI领域的核心优势是 GPU加速器。

但现在公司正在向整个AI基础设施扩张，包括：

• GPU（Blackwell、Rubin）
• CPU（Grace、Vera）
• 网络（InfiniBand、Spectrum‑X）
• 机架级系统
• CUDA软件生态

目标是销售完整的 AI基础设施平台，而不仅仅是单个芯片。

如果这一策略成功，数据中心的权力格局可能会改变——过去长期由 Intel和AMD主导CPU层。

超大规模云厂商与“AI工厂”

大型云厂商（Hyperscalers）是英伟达路线图的关键客户。

例如，微软计划建设的 Fairwater AI超级工厂 预计将使用基于Vera Rubin架构的机架级系统，规模可能达到 数十万颗芯片。

此外，一些大型云公司和互联网平台也在建设类似的 AI工厂（AI factories）。

这些数据中心专门用于：

• AI模型训练
• 大规模推理服务

它们需要高度集成的计算系统，而不是传统通用服务器。

财务背景：英伟达的爆发式增长

Vera推出的时机正值英伟达业绩高速增长。

公司报告：

• 2027财年第一季度收入：816亿美元
• 同比增长：85%
• 数据中心收入：752亿美元

公司还预计 下一季度收入约910亿美元，显示AI基础设施需求仍在持续增长。

同时，管理层还预测未来几年 Blackwell和Vera Rubin平台累计订单可能达到1万亿美元规模。

为什么“2000亿美元CPU市场”很重要

Vera CPU的意义不仅是性能提升。

它代表着英伟达试图进入 服务器CPU这一传统上由Intel和AMD主导的市场。

如果云厂商大规模采用这种架构，未来AI数据中心可能会发生结构性变化：

• 更少通用组件
• 更多围绕GPU设计的垂直整合系统

不过需要强调：

2000亿美元只是英伟达对潜在市场规模的估计，实际结果仍取决于多个因素，例如：

• Arm服务器生态的成熟度
• 云厂商是否愿意改变x86架构
• 芯片供应能力

可以确定的一点是：在Agentic AI时代，曾经低调的CPU正重新成为AI基础设施中的战略核心。