穿透「行業(yè)」和「公司」的表象，回歸「業(yè)務(wù)場景」的算力特征。

2025 年，生成式 AI技術(shù)浪潮正從概念驗證加速駛向產(chǎn)業(yè)深水區(qū)。在企業(yè)摩拳擦掌、試圖借助 AI 重塑競爭力的同時，一個更為現(xiàn)實的挑戰(zhàn)浮出水面：如何將前沿技術(shù)的潛力，穩(wěn)定、高效且經(jīng)濟(jì)地轉(zhuǎn)化為真實的業(yè)務(wù)價值？如何避免陷入雷聲大雨點小的尷尬？

MIT 在 7 月發(fā)布的《The GenAI Divide: State of AI in Business 2025》報告，用一組數(shù)據(jù)揭示了一個關(guān)鍵的轉(zhuǎn)折點：全球企業(yè)投入 AI 轉(zhuǎn)型的 300 億至 400 億美元中，大部分項目仍處于探索階段，僅有少數(shù)先行者成功跨越了從「試點」到「規(guī)?；沟镍櫆稀?/p>

而其中的分野，往往不在于模型的先進(jìn)程度，而在于對算力成本與應(yīng)用效率的精準(zhǔn)把控。

更深層的問題則在于行業(yè)認(rèn)知誤區(qū)：多數(shù)玩家都習(xí)慣于將 AI 轉(zhuǎn)型與模型和硬件直接掛鉤，然后得出企業(yè)擁有的GPU 算力等于權(quán)力，上馬最優(yōu)秀的SOTA 模型，就等于最好的應(yīng)用效果的粗暴論斷。

但一定程度上，只看見 AI，恰恰成為了這波 AI 轉(zhuǎn)型浪潮中最大的智商稅。

面對這一困局，行業(yè)已經(jīng)開始集體反思：算力競賽的焦點正從單一的 AI 加速器，轉(zhuǎn)向整體基礎(chǔ)設(shè)施的效率。這也解釋了為何在 AI 時代，高性能 CPU的需求不降反增——CPU 作為整個算力架構(gòu)的「調(diào)度中樞」與「效率基石」，在不同場景中成為平衡效率與成本的關(guān)鍵。

01

AI 時代的困局

從自動駕駛到人臉識別，從游戲到直播，從互聯(lián)網(wǎng)到制造業(yè)，幾乎沒有不需要 AI 加速的產(chǎn)業(yè)。

但現(xiàn)實是，同樣的 AI 轉(zhuǎn)型，落地的不同產(chǎn)業(yè)都有著各自的特性與需求痛點。如果只看見 AI，往往會導(dǎo)致技術(shù)與產(chǎn)業(yè)需求脫節(jié)，既無法解決產(chǎn)業(yè)真正的痛點，也讓 AI 本身淪為空中樓閣。

比如在自動駕駛領(lǐng)域，普通人或許覺得實現(xiàn)自動駕駛，就是把一個聰明的大模型「大腦」裝進(jìn)汽車，再給車裝上「眼睛」（攝像頭）。但對小鵬這樣的玩家來說，現(xiàn)實遠(yuǎn)比這復(fù)雜。

讓自動駕駛真正能用起來，首先面臨一個龐大的數(shù)據(jù)工程：為支撐智能駕駛輔助 VLA-OL 等模型迭代與 3D 高斯場景重建等仿真任務(wù)，小鵬每日需處理視頻、圖像、雷達(dá)數(shù)據(jù)等 PB 級多模態(tài)數(shù)據(jù)。從攝像頭視頻流的畸變校正到激光雷達(dá)點云的地面分割，每一步都面臨算力效率與成本控制的雙重壓力。更關(guān)鍵的是，所有原始數(shù)據(jù)均需經(jīng)過轉(zhuǎn)碼這一 CPU 密集型操作才能用于訓(xùn)練，而自建數(shù)據(jù)中心成本過高，上云后的實例選擇與效率優(yōu)化同樣是個難題。

同樣在視頻領(lǐng)域，用戶覺得看視頻只是「點擊播放」那么簡單。但對微幀科技這樣的頭部視頻編碼服務(wù)商而言，現(xiàn)實是每月要幫 100 多家頭部企業(yè)處理超 15 億分鐘的視頻，還要保證低成本、低延遲的全球傳輸。挑戰(zhàn)不僅是編碼本身，更在于編碼前的降噪、畫質(zhì)增強(qiáng)等 AI 預(yù)處理環(huán)節(jié)，這帶來了巨大的算力需求和極高的性能要求；同時，非實時任務(wù)還必須兼顧成本控制與資源利用率。

甚至，即使面臨同樣的互聯(lián)網(wǎng)場景高并發(fā)需求，金融場景與游戲場景的需求也天差地別。

金融安全領(lǐng)域的「高并發(fā)」，核心要求是「零容錯」。普通人眼中簡單的「刷臉」認(rèn)證，對螞蟻集團(tuán)旗下的 ZOLOZ 而言，每一次「刷臉」都是高風(fēng)險的信任交付。ZOLOZ 同時在為全球 14 個國家、70 余家合作伙伴提供服務(wù)，這背后既要應(yīng)對海量訪問，還必須滿足各地嚴(yán)苛的安全合規(guī)標(biāo)準(zhǔn)。真正的痛點在于「刷臉」瞬間，后臺需要并行處理活體檢測、人臉比對等多重任務(wù)，同時還要控制離線推理的成本，并保證 RAG 場景的高頻數(shù)據(jù)讀取效率。

如果說金融的痛點是數(shù)據(jù)和安全決不能錯，那游戲的痛點就是體驗和幀率決不能卡。

游戲行業(yè)的「高并發(fā)」，核心要求則是「零抖動」。玩家關(guān)心的是畫面是否酷炫，操作是否流暢。比如莉莉絲的爆款游戲《遠(yuǎn)光 84》，要支撐的是百萬級玩家同時在線。這意味著單個核心就要承載 60-120 名玩家的高頻網(wǎng)絡(luò)同步，賽事場景更要求 60FPS 的穩(wěn)定幀率。此外，游戲內(nèi) BOT 的 AI 尋路、彈道仿真與碰撞模擬等復(fù)雜計算，進(jìn)一步加劇了算力壓力。對玩家來說 0.1 秒的卡頓就是災(zāi)難，會直接影響游戲口碑。

而在傳統(tǒng)的家電行業(yè)，用戶的感知只是「冰箱連上了 WiFi」，但對家電企業(yè)來說，這背后遠(yuǎn)比「連個 WiFi」復(fù)雜太多倍。就比如海爾旗下的三翼鳥平臺，如今已經(jīng)服務(wù)近 1 億家庭用戶，連接超 5000 萬臺設(shè)備，日常需要支撐千萬級設(shè)備網(wǎng)關(guān)的長連接，并實時處理海量設(shè)備狀態(tài)上報。任何設(shè)備掉線、指令響應(yīng)延遲，或是夜間流量高峰的穩(wěn)定性問題，都會直接影響用戶體驗與留存。因此，高實時性、高穩(wěn)定性、高并發(fā)應(yīng)對能力成為了三翼鳥的核心訴求。

要如何應(yīng)對 AI 時代千行百業(yè)、不同品牌的差異化需求？對每個公司都提供一套定制化方案顯然并不現(xiàn)實。

02

真正的分野：從「行業(yè)分類」到「場景特征」

今天我們可以清晰地看到：AI 時代的算力需求是高度分化的。如果繼續(xù)沿用傳統(tǒng)視角，按行業(yè)（如金融、游戲）或規(guī)模（如大企業(yè)、小企業(yè)）來劃分企業(yè)，已經(jīng)無法抓住問題的本質(zhì)。

正如《IDC 新一代云基礎(chǔ)設(shè)施實踐報告》所指出的，更有效的方式是穿透「行業(yè)」和「公司」的表象，回歸「業(yè)務(wù)場景」的算力特征。

從底層算力需求特征來看，這些復(fù)雜的需求和核心痛點可以歸納為如下三點：

1. 在線業(yè)務(wù)：以 Web、數(shù)據(jù)庫、海爾的物聯(lián)網(wǎng)平臺、螞蟻的實時認(rèn)證為代表，核心痛點是低時延、高并發(fā)和高可用。

2. 離線業(yè)務(wù)：以數(shù)據(jù)處理、模型訓(xùn)練、小鵬的數(shù)據(jù)工程為代表，核心痛點是高吞吐、高效率和成本控制。

3. 游戲/量化交易業(yè)務(wù)：以莉莉絲的游戲服為代表，核心痛點是高主頻、低抖動和復(fù)雜計算。

而英特爾與阿里云聯(lián)合推出的高性能 CPU+云+行業(yè)化解決方案，正是針對這三類賽道的核心痛點，通過軟硬協(xié)同實現(xiàn)了精準(zhǔn)適配。

以微幀科技、螞蟻 ZOLOZ、海爾三翼鳥為代表的在線業(yè)務(wù)，需要在支撐千萬級實時請求、毫秒級響應(yīng)的同時，保障全球服務(wù)質(zhì)量一致性，以及海爾三翼鳥的設(shè)備長連接穩(wěn)定性。

對應(yīng)的解決方案，就要聚焦低時延硬件加速、高網(wǎng)絡(luò)吞吐設(shè)計與智能彈性調(diào)度，以及全球節(jié)點部署，并平衡性能與成本。

螞蟻 ZOLOZ 的在線實人認(rèn)證場景需要應(yīng)對高并發(fā)訪問，于是他們選用了阿里云今年新推出的 ECS g9i 企業(yè)級云實例，其中搭載的至強(qiáng)? 6 處理器發(fā)揮了關(guān)鍵作用：

至強(qiáng)? 6 的Chiplet 架構(gòu)集成 3 個計算芯粒和 2 個 IO 單元芯粒，單個計算芯粒支持最多 32 個核，可將活體檢測、人臉比對等并行任務(wù)在同一計算芯粒內(nèi)高效分配處理，減少跨芯粒通信延遲，確保了 ZOLOZ 服務(wù)可以保持低于 100 毫秒的響應(yīng)速度。

內(nèi)置于至強(qiáng)? 處理器中的英特爾? AMX，專門針對矩陣運算等 AI 負(fù)載進(jìn)行了優(yōu)化，能夠顯著提升深度學(xué)習(xí)推理任務(wù)的效率。

得益于 AMX，在安全應(yīng)用方面，螞蟻數(shù)科基于「以 AI 對抗 AI」的創(chuàng)新理念構(gòu)建的 ZOLOZ Anti-Deepfake 攻防互動系統(tǒng)，為 AI 推理帶來最高達(dá) 3.3 倍 的性能提升，并將每瓦性能提升高達(dá) 1.7 倍。

在 MaaS 層（模型即服務(wù)）ZOLOZ FinLLM 處理市場情緒分析、行情預(yù)測、風(fēng)險評估、自動化客服等關(guān)鍵金融任務(wù)時，推理加速提升了 2.3 倍，推理消耗時長降低了 35%，算力成本降低了 72%。

而在 Pass 層，至強(qiáng)? 6 處理器的 504MB 超大 L3 緩存有助于提升數(shù)據(jù)訪問速度，滿足低時延要求，在承載同等規(guī)模智能體服務(wù)時，所需服務(wù)器節(jié)點數(shù)量減少了 30%，金融機(jī)構(gòu)由此可降低 25% 的硬件采購與運維成本。

在線視頻領(lǐng)域的微幀科技同樣受益于該方案。對于每月 15 億分鐘視頻的實時 4K 編碼、的低時延傳輸需求，至強(qiáng)? 6 的 Chiplet 架構(gòu)采用的 EMIB 多芯片互聯(lián)橋接封裝技術(shù)實現(xiàn)計算芯粒與 IO 芯粒間的高速數(shù)據(jù)交互，為視頻編碼數(shù)據(jù)的快速流轉(zhuǎn)提供了保障。

同時，Chiplet 架構(gòu)的計算芯粒集群可并行處理視頻幀的不同片段，配合處理器中集成的 AVX-512 指令集和 AMX，可以優(yōu)化 AI 降噪預(yù)處理等視頻處理流程，使 4K 處理效率提升 35%。此外，針對其全球化業(yè)務(wù)需求，阿里云全球 29 個數(shù)據(jù)中心的就近部署有效降低跨區(qū)域傳輸延遲，配合 Spot 實例彈性策略，非實時任務(wù)成本降低 60%。

海爾三翼鳥的 AIoT 平臺同樣是在線業(yè)務(wù)的典型場景，但其需求則更多元，對于安防、廚房等關(guān)鍵場景要求毫秒級響應(yīng)。ECS g9i 基于CIPU 架構(gòu)的軟硬一體化設(shè)計發(fā)揮關(guān)鍵作用：其提供了 100Gbps 超高網(wǎng)絡(luò)帶寬，同等配置下設(shè)備網(wǎng)關(guān)側(cè)連接能力提升 40%，使單臺服務(wù)器的設(shè)備承載量從 10 萬+提升至 14 萬+，并拓展至最高可滿足千萬級設(shè)備并發(fā)連接需求；此外，虛擬化損耗降至接近物理機(jī)水平，配合熱升級技術(shù)使故障率下降 90%，夜間高峰也能穩(wěn)定運行。而對于語音指令響應(yīng)，也能把延遲從 200ms 優(yōu)化至 120ms 內(nèi)，月活躍用戶留存率同比提升 15%，同時整體 IT 成本降低 20%。

常見需求的第二類——離線業(yè)務(wù)的效率與成本兼顧，則以小鵬為代表。解決方案需要聚焦大緩存設(shè)計、算力調(diào)度優(yōu)化與硬件加速，提升效率并降低冗余成本。

至強(qiáng)? 6 處理器提供的 12 通道 DDR5 內(nèi)存（6400MT/s）為小鵬處理海量數(shù)據(jù)讀寫提供了高帶寬保障；504MB 超大 L3 緩存使熱數(shù)據(jù)命中率有效提升；英特爾? QAT 技術(shù)則將數(shù)據(jù)壓縮/解壓縮任務(wù)中的數(shù)據(jù)從 CPU 核心卸載并加速，并將歷史上下文中的溫、冷數(shù)據(jù)壓縮后存入本地硬盤或者遠(yuǎn)端對象存儲中，顯著減少了存儲空間占用和 IO 傳輸延遲，加速了數(shù)據(jù)預(yù)處理流程，降低了對高成本 GPU 計算周期的占用和等待。同時，實例雙單路架構(gòu)實現(xiàn)了故障自動切換，保障了 7x24 小時不間斷的數(shù)據(jù)處理業(yè)務(wù)，避免研發(fā)進(jìn)度延誤。

此外，在自動駕駛數(shù)據(jù)預(yù)訓(xùn)練的相似度檢索環(huán)節(jié)，小鵬需對百萬起步的圖像特征向量進(jìn)行大批量的歐氏距離計算，以篩選特定交通場景（如環(huán)島博弈、施工路段避讓）的訓(xùn)練樣本。ECS g9i 在硬件層面與 SIMD 指令集深度集成，從 AVX-512 到 AMX，都為這類向量/矩陣運算提供了強(qiáng)大的并行計算能力，使小鵬針對圖片相似度比對、向量檢索等場景開發(fā)算法的執(zhí)行效率顯著提升，無需重構(gòu)代碼即可復(fù)用優(yōu)化成果（如將圖像特征從 2D 轉(zhuǎn)為 3D 空間坐標(biāo)），貼合自動駕駛研發(fā)中快速迭代的需求。

相比小鵬離線任務(wù)對海量數(shù)據(jù)高效、低成本處理的需求，以莉莉絲游戲為代表游戲/量化交易業(yè)務(wù)則相對成本不那么敏感，但是對高穩(wěn)定性+復(fù)雜計算+低抖動的要求巨大。

要支撐百萬級玩家的并發(fā)交互、量化交易的高頻策略計算與執(zhí)行，微秒級計算延遲和算力波動都需要降到最低。解決方案主要聚焦高主頻穩(wěn)定性、并行計算優(yōu)化與硬件級抗干擾設(shè)計。

為了支持莉莉絲《遠(yuǎn)光 84》的百萬玩家同時在線、單核心 120 名玩家高頻同步，以及 BOT AI 尋路、彈道仿真等復(fù)雜計算，ECS g9i 搭載的至強(qiáng)? 6 處理器可以在 3.6GHz 全核睿頻下保證頻率抖動幾乎微不可查，配合先進(jìn)散熱技術(shù)使服務(wù)器故障率降低，最大程度避免故障導(dǎo)致的業(yè)務(wù)中斷和數(shù)據(jù)丟失；搭配最高 96 個性能核的并行計算能力與 AMX 引擎優(yōu)化，對比上一代云實例，g9i 可以使卡頓次數(shù)減少 70%、平均幀時間縮短 30%，團(tuán)戰(zhàn)延遲極大降低。

03

變化的需求，不變的多元算力與性能、性價比需求

當(dāng)然，現(xiàn)實場景中的客戶需求遠(yuǎn)比抽象的總結(jié)要更復(fù)雜，而市場數(shù)據(jù)則為這套聯(lián)合解決方案的價值提供了最有力的證明：數(shù)據(jù)顯示，上線不到 100 天，g9i 就已經(jīng)獲得了一萬家客戶。

進(jìn)展如此神速的根本原因在于，英特爾與阿里云找到了 AI 時代企業(yè)算力需求的核心矛盾：如何在多元化算力中實現(xiàn)高效調(diào)度，并在性能與成本之間取得平衡。

而應(yīng)對的核心，就在于高性能 CPU+CIPU 云架構(gòu)的軟硬協(xié)同組合。

英特爾? 至強(qiáng)? 6 性能核處理器作為硬件核心，它采用 Intel 3 制程工藝，配備最高 128 個性能核、504MB L3 緩存，支持 12 通道高達(dá) 6400MT/s 的 DDR5 內(nèi)存與 96 條 PCIe 5.0 通道、64 條 CXL 2.0 通道，相較上一代實現(xiàn) 40% 平均性能提升，更適合公有云工作負(fù)載。

阿里云 CIPU 則向下加速計算、存儲、網(wǎng)絡(luò)資源云化，向上通過飛天系統(tǒng)實現(xiàn)彈性調(diào)度與安全隔離。兩者協(xié)同形成算力供給-調(diào)度-優(yōu)化的全鏈路能力。

雙劍合璧之后，實測數(shù)據(jù)顯示，ECS g9i 實例相較基于第五代至強(qiáng)? 可擴(kuò)展處理器的 g8i 實例，在線游戲性能提升 15%，數(shù)據(jù)庫性能提升 17%，Web 應(yīng)用性能提升 20%。

而成本側(cè)，基于至強(qiáng)? 6 處理器的阿里云 ECS g9i實例，在相比上一代整體提升了 20% 性能表現(xiàn)的同時，目錄價格卻降低了 5%。并且得益于英特爾處理器代系間完善的軟硬件生態(tài)，企業(yè)在升級至最新的 ECS g9i 時，其原有系統(tǒng)與應(yīng)用無需進(jìn)行任何改造即可平滑過渡，極大降低了升級門檻。

與此同時，針對差異化的用戶場景，阿里云+英特爾也做了不同的針對性方案。

針對大部分企業(yè)的通用需求，推出了 U 系列入門級實例；為滿足高內(nèi)存帶寬需求，推出了 r8e 增強(qiáng)型實例；另外針對科學(xué)計算、仿真等對單核睿頻需求更高的客戶，還推出了專門的 hf 系列實例滿足他們的需求。

這種從共性需求的提取，到深入行業(yè)特性提供不同解決方案的方式，看起來并不「性感」，卻彌足重要。

它揭示了 AI 轉(zhuǎn)型中一個最樸素的道理：實現(xiàn)轉(zhuǎn)型價值的關(guān)鍵，不在于追逐最前沿的模型，而取決于技術(shù)能否在具體場景中解決具體的問題，并實現(xiàn)成本與效率的平衡。

在這個過程中，英特爾的高性能通用型算力，解決了他們對多元算力、高性能、高性價比的共性需求；而阿里云則在這個基礎(chǔ)上通過 CIPU 架構(gòu)及彈性計算，將硬件能力轉(zhuǎn)化為可以被精準(zhǔn)調(diào)度、按需取用的云上資源，并針對不同行業(yè)、不同用戶類型推出個性化的解決方案，讓每一種獨特需求都能被看見，被滿足。

這種「軟硬協(xié)同、深入場景」的能力，并非一蹴而就。自 2009 年以來，阿里云與英特爾的深度技術(shù)合作已歷經(jīng)十五載。雙方的合作始終以挖掘極致性能和精準(zhǔn)洞察客戶需求為核心，深度貫穿至強(qiáng)? 處理器家族的歷代產(chǎn)品迭代。正是這份日復(fù)一日的堅持，讓英特爾? 至強(qiáng)? 處理器與阿里云彈性計算與成為了企業(yè)數(shù)字化轉(zhuǎn)型中的可靠基石，始終為產(chǎn)業(yè)的升級與創(chuàng)新提供著堅實、可靠的底層支撐。

*頭圖來源：視覺中國

本文為極客公園原創(chuàng)文章，轉(zhuǎn)載請聯(lián)系極客君微信 geekparkGO