Computex 2026：Intel 扩展 AI 推理硬件，Nvidia 加强数据中心电力管理

2026 年 6 月初的 Computex 台北电脑展上，AI 推理硬件和数据中心配套方案密集亮相。一周之内，Intel 披露代号 Crescent Island 的 AI 数据中心 GPU 更多细节、发布 288 核的 Xeon 6+ 处理器并展示与 SambaNova 合作的 rackscale 推理方案；Nvidia 推出 RTX Spark PC 芯片进军消费端、同时展示连接计算设备与电力设施的 DSX 方案；Marvell 交付业界首款 102.4 Tbps 交换机；Broadcom 与韩国 FuriosaAI 签约定制 AI 加速器……这些发布共同说明，运行模型和智能体所需的 CPU、网络和电力管理，正在获得更多产品投入。 训练需求仍在增长，推理的重要性上升也不意味着 GPU 不再关键。

智能体调用工具，也增加 CPU 和网络的工作量

训练大型模型需要大量加速器协同工作，所需时间取决于模型、数据和集群规模。随着应用进入实际业务，运行模型的推理（inference）需求也在增加；智能体还会多次调用模型、查询数据和执行工具，让计算负载更复杂。

Deloitte 在其 2026 年 TMT 预测报告中指出，尽管预训练的增长正在放缓，但后训练扩展（post-training scaling）与增加推理时计算（test-time scaling）仍会带来算力需求。报告预计，全球 AI 数据中心资本支出将在 2026 年达到 4000 亿至 4500 亿美元，其中芯片支出占 2500 亿至 3000 亿美元。到 2028 年，AI 数据中心资本支出可能攀升至 1 万亿美元。

Creative Strategies 首席分析师 Ben Bajarin 给出了一个更直观的判断：在训练时代，数据中心的 CPU 与 GPU 比例大约是 1:4；在 Agentic 推理时代，这个比例可能变为 1:1 甚至更高。大模型推理本身仍然依赖 GPU，而 Agent 软件在模型周围执行的大量协调工作——调用 API、查询数据库、运行代码解释器——通常需要 CPU、存储和网络共同支持。从单次问答转向多步骤任务后，协调工作量会增加，具体增幅取决于任务流程。

这也是展会上的厂商重新强调 CPU 在智能体系统中的作用的原因之一。上述 CPU 与 GPU 配比是分析师对部署趋势的估计，并非每类工作负载的固定配置。

Intel 同时推进推理 GPU、高密度 CPU 和机架方案

Intel 此次将 CPU、加速器和系统集成放在同一套产品介绍中。CEO 陈立武（Lip-Bu Tan）在主题演讲中明确表示："随着推理、Agentic 和 Physical AI 的兴起，Intel 有能力从芯片到系统层面为世界带来新的创新。"

两类硬件承担不同工作：

GPU 线：Crescent Island。 这款基于 Xe3P 架构的数据中心 GPU 参考设计配备 160GB LPDDR5X 内存，芯片设计允许合作伙伴扩展至最高 480GB，瞄准 Agentic 推理场景。与依赖昂贵 HBM 的高端 GPU 不同，Crescent Island 采用 LPDDR5X 并支持低精度推理，目标是降低内存成本，预计 2026 年下半年向客户送样。实际性能、能效和采购成本，还需等待产品送样后的测试。

CPU 线：Xeon 6+（Clearwater Forest）。 这是 Intel 首款基于 18A 制程的数据中心处理器，最高 288 个效率核心，热设计功耗 330–450W。Intel 宣称，在其指定的旧服务器配置和工作负载对比中，一台新系统最多可整合 9 台旧系统的工作；这不是对所有上一代 Xeon 的普遍替换比例。在与 Foxconn 合作的 rackscale 参考设计中，一台 100kW 的液冷机架可塞入 128 个处理器插槽，提供 36,864 个核心和 384TB 内存，用于需要大量 CPU 核心和内存的工作负载。

Intel 与 SambaNova、Foxconn 的合作面向机架级系统。另一项展示来自 Vista Equity Partners 和 Cambium Capital 联合成立的 Vector Core Compute 推理云。在 Computex 现场，他们展示了一个把推理阶段分配给不同硬件的系统：Intel Xeon 6 负责编排和执行，SambaNova SN40 RDU 负责 decode，Nvidia Blackwell GPU 负责 prefill——三者协同运行在洛杉矶的数据中心，Together.ai 是首个商业客户，使用这套系统运行 MiniMax 2.5。Intel 援引测试称，该配置取得了当时该模型较高的企业推理速度，结果取决于测试设置。Vista 旗下 90 多家投资组合公司获得早期使用权；按 Intel 公告，这些公司合计服务超过 250 万企业客户和 7.5 亿用户，并非这些终端客户都已采用该推理云。

这种"解耦推理"（disaggregated inference）架构，将不同的推理阶段分配给不同的硬件，希望发挥不同芯片的长处，但也增加了调度、互联和运维的要求。

Nvidia 用 DSX 连接机架、供电与运行管理

Nvidia 展示的 DSX 则把计算设备、设施设计和运行软件连接起来，帮助运营商在电力预算内安排数据中心。

Nvidia 的 DSX 方案包含设计、交互、灵活用电和运行优化等部分；其中 DSX OS 是开放、可扩展的软件层。相关组件包括：

DSX Sim：数据中心的数字孪生，用于设计和模拟兆瓦级乃至吉瓦级 AI 工厂；
DSX Exchange：API 中枢，让基础设施各层相互通信；
DSX Flex：将数据中心 API 连接到电网运营系统，帮助数据中心根据电网条件调整可灵活安排的负载；
MaxLPS：与下一代 Vera-Rubin 平台的动态功耗特性配合，实时监控和调配每颗 GPU、每个机架、每排机柜的电力，在固定功率预算内部署最多额外 40% 的 GPU；这一上限依赖液冷、功率调节和相应系统配置。

Nvidia 副总裁 Ian Buck 在媒体预沟通中，将该方案概括为增加算力、token 产出和收入的机会。但多装 40% 的 GPU 不等于任意工作负载的吞吐量或收入都会同比增加 40%，实际结果还取决于运行功率、利用率和客户需求。

The Next Platform 的分析指出，Nvidia 近 4 万名员工中约 75% 从事软件开发，软件在其产品中占有很大比重。DSX 将 Nvidia 的产品范围从 CUDA 和计算设备延伸到冷却、供电及电网交互。DSX OS 的开放性有助于伙伴集成；对于客户，具体硬件依赖、兼容范围和迁移成本，则会影响他们能否组合使用不同厂商的产品。

与此同时，Nvidia 还宣布了与 MediaTek 合作开发的 RTX Spark Superchip，进军 Windows on Arm PC 市场。这款芯片将于 2026 年秋季在 Dell、Lenovo 等品牌的笔记本和台式机上首发。黄仁勋在 Computex 上称 2026 年为"Agent 之年"，并强调 RTX Spark 的目标是"重新发明 PC"。

交换机、定制芯片和电源器件也在争取订单

除了 CPU 和 GPU，展会期间的其他发布也反映出数据中心对互联和配套器件的需求。

Marvell 宣布交付业界首款 102.4 Tbps 交换机芯片 Teralynx T100，基于 3nm 工艺，支持 512 端口 scale-out。公司称，在其对比条件下功耗比竞品低 25%。AI 集群规模扩大后，需要更多交换容量与端口连接设备；跨机架、跨建筑乃至跨城市的部署，还会提出不同的时延和传输要求。

Broadcom 将韩国 AI 芯片公司 FuriosaAI 纳入其定制芯片客户名单，使用 2nm 工艺和 HBM4 内存为后者打造第三代加速器。FuriosaAI 当前的 RNGD 芯片以约 180W 功耗提供 512 TFLOPS 的 FP8 算力，瞄准重视功耗的部署场景。要与功耗接近 1000W 的 Nvidia B200 比较实际能效，还需在相同精度、吞吐量和软件条件下测试。博通的 AI 半导体业务则同时覆盖定制加速器和网络产品。

STMicroelectronics 将其 2026 年数据中心收入目标翻倍至约 10 亿美元，并预计 2027 年再翻一番。这家欧洲芯片公司不制造 GPU，而是提供电源管理、模拟芯片等"不起眼但不可或缺"的组件。这类收入预期说明，厂商希望从数据中心电源和模拟器件需求中获得更多业务；最终收入仍要看客户订单与交付。

电网容量限制部署，功率管理和调度变得更重要

所有芯片的算力竞赛，最终都指向同一个物理约束：电力。

Goldman Sachs 的研究预测，到 2030 年，全球数据中心电力需求较 2023 年可能增长 165%，美国数据中心用电占比可能从约 6% 升至 11%。Deloitte 指出，AI 数据中心资本支出中超过一半流向芯片，但土地、建设、电力、许可等配套成本也在快速攀升。

Nvidia 的 MaxLPS 和 DSX Flex 之所以被推到台前，反映了厂商对电力约束的重视。Data Center Knowledge 的报道指出，2026 年，电力正成为 AI 增长与数据中心运营之间最核心的交叉点——美国电网的大部分建于数十年前，需要按新增负载更新规划和设备。

在这一背景下，产业正在探索多种应对路径：现场发电（on-site generation）、小型模块化核反应堆（SMR）、电池储能替代柴油备用电源、空心光纤降低能耗，以及将推理负载分散到不同地理位置以参与电网需求响应。其中，能延后或暂停的后台任务，可以为需求响应提供一定空间；实时推理则受到时延和服务承诺限制。能否参与调峰，要看具体任务和调度设计，不能把全部后训练或推理都视为可随时中断。

比较新方案，要同时看性能、成本和电力条件

这些发布给采购者增加了选择，也让比较工作从单颗芯片扩展到整个运行系统。

智能体对 CPU 和网络的需求，为 Intel、Arm 等厂商增加了机会。Nvidia 则扩展到数据中心设施与电力管理，希望把计算设备和运行软件结合得更紧密。与此同时，定制芯片、高效加速器和交换机等多元化方案，正在为不同预算和场景的 AI 部署提供更多选择。

电力仍是项目能否部署的关键条件之一。芯片性能再高，也需要可用的供电、冷却和网络。这也意味着，2026 年之后，AI 算力的竞争将不再仅仅是芯片性能的比拼，而是芯片、网络、冷却、电力、软件协同效率的综合较量。

来源：