最近 NVIDIA 又发布了一个新东西：

如果只看名字，很多人第一反应可能是：
“啊？NVIDIA 不是卖 GPU 的吗？怎么也开始认真做 CPU 了？”

这句话放在十年前没什么问题，但放到现在 AI 时代，就有点不够用了。因为现在的大模型系统，已经不是单纯“GPU 跑矩阵乘法”这么简单了。真正复杂的地方，正在从单次推理，变成一整套 Agent 工作流。

比如一个 AI Agent 要完成一个任务，它可能需要：

• 理解用户需求；

• 调用工具；

• 执行 Python 代码；

• 查询数据库；

• 访问文件系统；

• 调度多个模型；

• 管理上下文；

• 做结果验证；

• 再决定下一步动作。

这个过程里，GPU 负责大模型的核心计算，但大量“组织、调度、数据搬运、工具调用、运行环境管理”的工作，其实都落在 CPU 身上。

以前我们总说 CPU 是“通用计算核心”，GPU 是“并行计算核心”。到了 AI Agent 时代，这句话可以换个说法：

GPU 负责思考，CPU 负责让这个思考真正跑起来。

Vera CPU 到底是什么？

Vera CPU 是 NVIDIA 面向下一代 AI 数据中心推出的 CPU，主要服务于 Agentic AI、强化学习、数据处理、云服务编排和 AI 工厂基础设施。

它不是面向普通笔记本用户的 CPU，也不是传统意义上拿来跑游戏、办公软件的桌面处理器。它更像是 AI 数据中心里的“总调度核心”。

如果把一个 AI 数据中心看成一座工厂，那么 GPU 就是高性能生产线，负责最重的计算任务；而 Vera CPU 则像工厂里的调度系统、物流系统和控制系统，负责让不同任务、不同模型、不同数据流高效协同。

这也是为什么 NVIDIA 这次特别强调 Vera CPU 面向的是 AI Agent。

因为 Agent 不是简单地问一句答一句，而是会连续执行任务。它需要不断地“思考—调用工具—执行—检查结果—再思考”。这个过程对 CPU 的压力非常大，尤其是在大规模并发场景下。

为什么 NVIDIA 现在要重视 CPU？

以前大家讨论 AI 芯片，经常只看 GPU。比如显存多大、算力多少、Tensor Core 有多强、训练速度提升多少。

但随着 AI 应用从“聊天机器人”变成“能干活的 Agent”，系统瓶颈开始变复杂。

比如一个 AI 编程助手，真正运行起来并不是只有大模型推理。它还要：

• 分析项目结构；

• 读取代码文件；

• 调用编译器；

• 运行测试；

• 执行 shell 命令；

• 管理沙盒环境；

• 多轮迭代修复 bug。

这里面很多工作不是 GPU 擅长的，而是 CPU 擅长的。

所以问题来了：

如果 GPU 很强，但 CPU 跟不上，会发生什么？

答案就是：
GPU 在前面猛踩油门，CPU 在后面疯狂喘气。

最后系统性能并不一定取决于 GPU 峰值算力，而是取决于整套系统的吞吐、延迟、调度效率和数据搬运效率。

这也是 Vera CPU 的战略意义：
NVIDIA 不只是想卖 GPU，而是想把 CPU、GPU、网络、存储、软件栈全部打包成一套 AI 工厂基础设施。

简单说就是：

以前 NVIDIA 卖的是发动机，现在它想卖整辆车，甚至连高速公路和加油站也一起设计。

Vera CPU 的几个关键点

1. 面向 Agentic AI

Vera CPU 最大的定位不是传统服务器 CPU，而是 AI Agent CPU。

所谓 Agentic AI，可以理解为“会自己拆解任务、调用工具、执行动作的 AI 系统”。这类系统的特点是任务链路长、交互频繁、工具调用多、并发环境复杂。

传统大模型推理可能更像是：

输入一个 prompt，输出一段文本。

而 Agent 工作流更像是：

输入一个目标，AI 自己规划步骤，调用工具，执行代码，读取结果，再循环调整。

这对 CPU 的要求明显更高。

2. 强调 CPU 与 GPU 的协同

Vera CPU 并不是孤立存在的，它会和 NVIDIA 的 Rubin GPU、NVLink、BlueField DPU、ConnectX 网卡等组件一起组成完整平台。

这说明 NVIDIA 的核心思路不是“单颗芯片很强”，而是“整套系统一起优化”。

在 AI 数据中心里，真正决定效率的不是某一个芯片的跑分，而是：

• CPU 和 GPU 之间的数据交换速度；

• 多机多卡之间的通信效率；

• 存储系统能否及时喂数据；

• 网络是否能保持低延迟；

• 软件栈能否统一调度。

所以 Vera CPU 的意义，不能只从“CPU 性能”角度看，而要放在 NVIDIA 的 AI Factory 战略里看。

3. CPU 从配角变成关键节点

在传统 AI 叙事里，GPU 是绝对主角，CPU 更像配角。

但在 Agent 时代，CPU 的地位会明显提升。

因为 Agent 越复杂，越需要 CPU 去处理各种非矩阵计算任务。比如工具调用、代码执行、数据预处理、服务调度、数据库访问、网络请求、容器管理，这些都不是 GPU 的主战场。

这有点像机器人系统里的主控和加速器关系。

你可以有很强的视觉模型，可以有很强的 SLAM 算法，但如果 ROS 2 节点调度、消息通信、TF 维护、传感器同步、状态机逻辑全都乱了，整个机器人还是会跑得像“喝了假机油”。

AI Agent 也是一样。模型再强，如果系统调度跟不上，最后体验还是会卡、慢、不稳定。

这次发布背后的真正信号

我觉得 Vera CPU 最值得关注的地方，不是“又多了一颗 CPU”，而是它代表了一个行业信号：

AI 竞争正在从单芯片竞争，进入系统级基础设施竞争。

以前大家比的是：

• 谁的 GPU 算力更高；

• 谁的显存更大；

• 谁的模型参数更多；

• 谁的训练集更大。

但现在开始变成：

• 谁能把训练、推理、存储、网络、调度全部打通；

• 谁能降低每个 token 的成本；

• 谁能让 Agent 并发运行得更稳定；

• 谁能把模型能力变成真正可落地的生产力。

从这个角度看，Vera CPU 不只是 CPU 产品，而是 NVIDIA 对未来 AI 基础设施的一次重新定义。

它的潜台词是：

未来的数据中心，不是简单堆 GPU，而是要像设计一台超级机器人一样，CPU、GPU、网络、存储、软件栈全部协同工作。

对普通开发者有什么影响？

短期来看，Vera CPU 距离普通开发者还是比较远。

大多数人不会直接买一颗 Vera CPU 回来装进自己的电脑里。它主要面向云厂商、AI 实验室、大型企业和数据中心。

但它传递出来的趋势，普通开发者应该关注：

第一，AI Agent 会越来越吃系统工程能力

未来不是只会调 API 就够了。

真正复杂的 AI 应用，会涉及：

• 多 Agent 协同；

• 工具调用；

• 代码执行环境；

• 数据库；

• 向量检索；

• 权限控制；

• 日志追踪；

• 任务队列；

• 容器隔离；

• 异步调度。

这和机器人系统其实很像。不是单个算法强就够，而是要把感知、决策、控制、通信、状态管理全部串起来。

第二，CPU 仍然很重要

很多人一提 AI 就只看 GPU，这是不完整的。

训练大模型当然离不开 GPU，但真正部署一个 AI 系统时，CPU、内存、IO、网络、存储都会变成瓶颈。

尤其是 Agent 系统，会频繁进行工具调用和任务调度，CPU 压力会比传统推理服务更明显。

所以以后做 AI 工程，不只是会 PyTorch、CUDA、TensorRT，还要理解系统架构、并发、内存、通信、服务调度。

第三，NVIDIA 正在把护城河从 GPU 扩展到整个平台

这可能是最关键的一点。

NVIDIA 以前最强的是 GPU 硬件和 CUDA 生态。现在它正在把 CPU、GPU、DPU、网络、存储、软件框架全部整合起来。

这意味着 NVIDIA 的竞争方式已经不是单点产品竞争，而是生态竞争。

对云厂商来说，买的也不只是某个芯片，而是一整套 AI 基础设施方案。

我的理解

Vera CPU 的发布，本质上说明了一件事：

AI Agent 时代，CPU 又重新变重要了。

不是因为 CPU 要取代 GPU，而是因为 AI 系统越来越复杂，GPU 只负责最核心的模型计算已经不够了。真正的 AI 服务，需要大量 CPU 去支撑工具调用、代码运行、数据流转和任务调度。

所以 Vera CPU 更像是 NVIDIA 给 AI 工厂补上的一块关键拼图。

以前我们可能觉得 AI 数据中心就是“一堆 GPU 插满机柜”。现在看，它更像是一个高度协同的机器人系统：
GPU 是肌肉，CPU 是神经中枢，网络是血管，存储是记忆，软件栈是大脑里的调度逻辑。

如果这几部分不能配合，再强的 GPU 也只能在那里“空转”。

所以，NVIDIA 发布 Vera CPU 的真正意义不是“它也开始做 CPU 了”，而是：

NVIDIA 正在从 GPU 公司，进一步变成 AI 基础设施公司。

这才是最值得关注的地方。