人工智能基础设施领域三年来一直被一种观念主导：越大越好。更大的模型、更大的集群，以及写给少数供应商的更大支票。在本周召开的开放计算项目全球峰会上，英特尔公司提出了不同观点，认为AI发展的下一阶段将呈现截然不同的面貌，而英特尔已为此做好准备。
英特尔公司副总裁尼古拉斯·杜贝在其主题演讲中围绕一句简单的话展开论述："让每个提示词都找到合适的归宿。"他分享了英特尔GPU D系列（此前代号为Crescent Island）的新细节，以及主要基于开放计算项目Open Rack v3规范和开源软件工作构建的Xeon机架设计。
这背后隐藏着一个值得关注的战略论点：英特尔认为推理而非训练将决定企业AI的经济模式，智能体式AI将使中央处理器重新回到数据中心的核心位置。如果这一判断正确，英特尔的转型将在恰当的时机获得第二引擎的助力。
不是所有提示词都需要前沿模型
如今，大多数企业默认将每个请求都发送给前沿模型，无论任务是否真正需要如此强大的能力。这就像雇用一位资深律师合伙人去校对备忘录。英特尔提出的替代方案是一个编排层，该层根据所需的智能深度、上下文长度、延迟、数据敏感性与主权，以及成本和能耗等因素来评估每个请求。
深度研究任务可能确实需要使用前沿模型。专有文档可能需要留在企业内部。而常规编码、摘要或运营任务则可以用一小部分成本在较小的开源模型上运行。
杜贝表示："开源模型正在扩大企业部署AI的选择范围。要充分发挥其潜力，企业需要能够将不同工作负载与合适的智能、计算资源和经济效益相匹配的基础设施。"
开源模型背后的发展势头从未如此强劲。近几个月来，我与数十家积极转向开源模型的公司进行过交流。英特尔引用了Vercel AI Gateway的数据，显示开放权重模型在观测到的Token流量中的占比，从7月初的约31%上升到9月底的约78%。单一网关的数据不能代表整个市场，但这与我从IT负责人那里听到的情况一致——他们对失控的Token账单以及向他人模型发送敏感数据感到不安。
Crescent Island瞄准企业中间市场
D系列芯片最早在去年的开放计算项目峰会上披露，是这一理念的硬件体现。该芯片基于Xe3P架构打造，在350瓦、风冷的PCIe外形规格下，可提供1.3 petaflops的FP8算力和每秒1.5太字节的内存带宽。该设计支持高达480吉字节的LPDDR5X内存。英特尔自有品牌的卡配备160吉字节内存，合作伙伴可以打造更高容量的卡。
最有意思的决定是内存选择。英特尔没有像英伟达公司和超威半导体公司那样追逐昂贵且供应紧张的高带宽内存，而是选择了LPDDR，用峰值带宽换取容量和成本优势。这对于推理场景而言是正确的权衡，因为推理的瓶颈往往在于将模型及其上下文装入内存。英特尔表示，单卡可支持高达3000亿参数的模型，八GPU系统可支持超过1万亿参数的模型。
同样重要的是该方案所不需要的条件。大多数企业数据中心并非为吸纳100千瓦以上功率的液冷机架而设计。一张可安装于标准风冷服务器的350瓦卡片，让企业可以从单卡起步，逐步升级到八卡服务器，并仅在工作负载需要时才扩展到机架级系统。推理正在成为AI的核心工作负载，企业需要能让这一过渡更简便、更具成本效益的基础设施。
智能体式AI是CPU的故事
此次发布中最被低估的部分是Xeon机架相关工作。智能体式AI将推理转变为涵盖检索、推理、工具调用、数据库查询和应用执行的多步骤工作流。每个智能体都会生成Token，并产生大量运行在CPU上的通用计算工作。
英特尔展示了合作伙伴打造的Xeon机架设计，其中许多基于ORv3规范，部分Xeon 6+配置在133.45千瓦功率下，每机架核心数可扩展至超过46000个。采用密集高效核心的Xeon 6+面向高并发智能体工作负载，而采用性能核心的Xeon 6则处理依赖单线程速度的任务。英特尔认为，正确的衡量指标不再是核心数量，而是机架在目标延迟下能支撑多少并发智能体，这为采购者提供了一个有用的视角。
最终形成的是一个异构系统：Xeon负责编排、数据处理和工具执行；D系列负责开源模型推理；SambaNova作为可选的快速Token引擎，在速度优先的场景中发挥作用。杜贝在演讲中解释说，英特尔正通过与社区共同打造的软件架构将整个系统串联起来，该架构目前已开放并可下载，旨在跨越广泛的芯片平台运行。
为Lip-Bu Tan的复苏提供助力
所有这些都凸显出，在首席执行官Lip-Bu Tan领导下的英特尔转型，正从充满希望变为可量化的现实。第二季度，英特尔营收达161亿美元，同比增长25%，其中数据中心与AI业务营收增长59%，达到63亿美元，这是英特尔连续第七个季度超出自身业绩指引。过去一年公司股价已上涨逾两倍。
理解增长背后的驱动因素很重要。驱动力并非英特尔赢得了图形处理器大战，而是市场认识到AI需要大量中央处理器。在9月举行的Splunk .conf26大会上，Tan表示，即便英特尔已将2026年资本支出提高到200多亿美元，仍只能满足约一半的客户CPU需求。
此次开放计算项目的发布从两个方面延续了这一势头。智能体机架相关工作强化了已经推动业绩增长的Xeon需求，将英特尔定位为智能体基础设施的关键供应商，而非传统供应商。而Crescent Island则为英特尔提供了一个加速器方案，使其无需在峰值性能上与英伟达正面较量。这可能是在现有数据中心中运行开源模型最实际、最节能的方式。
这正是Tan带来的纪律性：不再试图赢得每一场战斗，而是专注于英特尔具有结构性优势的战场。英特尔不需要垂涎前沿训练市场，它需要的是占据企业中间市场，这是一个比大多数人认为的要大得多的机会。
IT领导者现在应该做什么
从追求规模到追求适配的转变不会自动发生在企业身上，必须经过规划。以下是我认为应重点关注的方向。
审查你的提示词组合
大多数企业对自己的AI支出到底买了什么缺乏清晰认知。抽取几周的使用日志，按任务类型分类：深度推理、检索密集型问题、编码辅助、摘要和分类。在与IT负责人的交流中，我常常发现大量流量其实是常规工作，用成本更低的小型开源模型即可处理。请在下一次模型合同续签之前完成这项工作，而不是之后。
将编排视为战略层，而非附加功能
基于成本、延迟、上下文长度和数据敏感性进行路由，正是节省成本和实现控制的关键所在。无论自建还是外购，编排层都应保持模型无关性，这样切换供应商或将工作负载迁回内部就只是一项策略调整，而非重新架构。这也是实施治理的天然节点，例如确保受监管数据永不离开你的环境。
改变基础设施评估方式
峰值FLOPS和核心数量是供应商指标，而非业务指标。要求供应商展示在目标延迟下可持续支撑的并发智能体数量、每百万Token成本，以及你计划运行的模型在每瓦下的Token产出。然后用你自己的提示词和上下文长度亲自测试。在短上下文基准测试中表现出色的系统，在智能体工作流生成的长上下文场景下可能表现大相径庭。
为你现有的数据中心做规划
液冷有其适用场景，但改造设施成本高、速度慢，且往往受限于现有电力供应。在投入资本之前，先在现有机架中用风冷PCIe推理进行概念验证。从一张卡或一台服务器开始，仅在利用率证明有必要时才扩展规模。对许多企业工作负载而言，这条路径已经足够，而且部署速度要快得多。
别忽视CPU预算
智能体式AI将相当一部分工作转移到通用计算上：工具调用、数据检索、数据库查询和代码执行。只为加速器做规划规模的企业，会发现其智能体在其他地方遭遇瓶颈。应同时对CPU和GPU需求进行建模，并考虑到供应紧张的情况。英特尔自己也表示无法满足当前所有需求，因此应提前锁定产能。
坚持开放标准、开放软件和开放硬件
ORv3、PCIe以及开放适配卡，结合开放框架和编排层，能保护企业混用不同供应商并随市场变化灵活调整的能力。需要注意的是，开放适配卡虽已接近完成，但尚非最终规范。在此之前，经过验证的PCIe标准是不错的选择。这并非PCIe与开放适配卡的对立选择，而是要在各个层面实现开放性。询问每家供应商新开源模型在其硬件上运行的速度如何，其优化成果是存在于主流框架中，还是锁定在专有技术栈里。软件层面的锁定比硬件层面更难解除。
最后的思考
过去几年里，英特尔在AI领域大多时候被外界唱衰，这种批评在一段时间内也确有道理。这家公司按照英伟达的规则追赶英伟达，结果输掉了比赛。如今不同的是，英特尔正在玩一场不同的游戏，这场游戏围绕企业AI的未来走向而非过去的轨迹构建。
英特尔押注的是：推理将走向异构化，开源模型将继续缩小与专有模型的差距，智能体将使CPU对AI的重要性等同于GPU。这些观点如今都已不再具有争议性，而数据也日益支持这三点判断。仍有待观察的是英特尔能否成功执行。Crescent Island需要按时交付并达到预期性能；软件栈需要跟上每周都在演进的开源模型生态系统的步伐；公司还必须解决供应瓶颈，才能充分利用已有的Xeon需求。
这正是Lip-Bu Tan时代与此前的不同之处。在Tan的领导下，英特尔在竞争领域的选择上更加克制，在能力交付上更加坦诚，关注客户胜过关注路线图。连续七个季度超出业绩指引不是偶然发生的。如果英特尔能将同样的纪律性贯彻到D系列及其智能体Xeon平台上，2026年的开放计算项目峰会或将被视为英特尔不再追赶AI浪潮、而开始定义自身赛道的转折点。
AI发展的第一阶段奖励的是规模，而下一阶段奖励的将是适配。英特尔在此次峰会上传递的信息是，它理解这种差异，而其近期的业绩表现也显示出，市场正开始相信这一点。
Q&A
Q1：英特尔的D系列芯片（Crescent Island）有什么特点？
A：D系列基于Xe3P架构，采用350瓦风冷PCIe设计，提供1.3 petaflops的FP8算力，支持高达480吉字节的LPDDR5X内存，单卡可支持最高3000亿参数的模型，八GPU系统可支持超过1万亿参数的模型。
Q2：为什么英特尔认为智能体式AI会让CPU重新变得重要？
A：因为智能体式AI将推理变成涉及检索、推理、工具调用、数据库查询和应用执行的多步骤工作流，这些环节会产生大量运行在CPU上的通用计算任务，而不仅仅是依赖GPU的Token生成。
Q3：企业该如何应对AI基础设施从追求规模到追求适配的转变？
A：企业应审查自身的提示词组合，识别哪些任务可以用更低成本的小型开源模型处理；将编排层视为战略层而非附加功能；用并发智能体数、每Token成本等业务指标而非峰值算力评估基础设施；并提前规划CPU和GPU需求，坚持开放标准以保持灵活性。
