一句 AI 時代，模糊了多少技術落地的復雜需求

穿透「行業」和「公司」的表象，回歸「業務場景」的算力特征。

2025 年，生成式 AI技術浪潮正從概念驗證加速駛向產業深水區。在企業摩拳擦掌、試圖借助 AI 重塑競爭力的同時，一個更為現實的挑戰浮出水面：如何將前沿技術的潛力，穩定、高效且經濟地轉化為真實的業務價值？如何避免陷入雷聲大雨點小的尷尬？

MIT 在 7 月發布的《The GenAI Divide: State of AI in Business 2025》報告，用一組數據揭示了一個關鍵的轉折點：全球企業投入 AI 轉型的 300 億至 400 億美元中，大部分項目仍處于探索階段，僅有少數先行者成功跨越了從「試點」到「規模化」的鴻溝。

而其中的分野，往往不在于模型的先進程度，而在于對算力成本與應用效率的精準把控。

更深層的問題則在于行業認知誤區：多數玩家都習慣于將 AI 轉型與模型和硬件直接掛鉤，然后得出企業擁有的GPU 算力等于權力，上馬最優秀的SOTA 模型，就等于最好的應用效果的粗暴論斷。

但一定程度上，只看見 AI，恰恰成為了這波 AI 轉型浪潮中最大的智商稅。

面對這一困局，行業已經開始集體反思：算力競賽的焦點正從單一的 AI 加速器，轉向整體基礎設施的效率。這也解釋了為何在 AI 時代，高性能 CPU的需求不降反增——CPU 作為整個算力架構的「調度中樞」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，從互聯網到制造業，幾乎沒有不需要 AI 加速的產業。

但現實是，同樣的 AI 轉型，落地的不同產業都有著各自的特性與需求痛點。如果只看見 AI，往往會導致技術與產業需求脫節，既無法解決產業真正的痛點，也讓 AI 本身淪為空中樓閣。

比如在自動駕駛領域，普通人或許覺得實現自動駕駛，就是把一個聰明的大模型「大腦」裝進汽車，再給車裝上「眼睛」（攝像頭）。但對小鵬這樣的玩家來說，現實遠比這復雜。

讓自動駕駛真正能用起來，首先面臨一個龐大的數據工程：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，小鵬每日需處理視頻、圖像、雷達數據等 PB 級多模態數據。從攝像頭視頻流的畸變校正到激光雷達點云的地面分割，每一步都面臨算力效率與成本控制的雙重壓力。更關鍵的是，所有原始數據均需經過轉碼這一 CPU 密集型操作才能用于訓練，而自建數據中心成本過高，上云后的實例選擇與效率優化同樣是個難題。

同樣在視頻領域，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商而言，現實是每月要幫 100 多家頭部企業處理超 15 億分鐘的視頻，還要保證低成本、低延遲的全球傳輸。挑戰不僅是編碼本身，更在于編碼前的降噪、畫質增強等 AI 預處理環節，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網場景高并發需求，金融場景與游戲場景的需求也天差地別。

金融安全領域的「高并發」，核心要求是「零容錯」。普通人眼中簡單的「刷臉」認證，對螞蟻集團旗下的 ZOLOZ 而言，每一次「刷臉」都是高風險的信任交付。ZOLOZ 同時在為全球 14 個國家、70 余家合作伙伴提供服務，這背后既要應對海量訪問，還必須滿足各地嚴苛的安全合規標準。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，同時還要控制離線推理的成本，并保證 RAG 場景的高頻數據讀取效率。

如果說金融的痛點是數據和安全決不能錯，那游戲的痛點就是體驗和幀率決不能卡。

游戲行業的「高并發」，核心要求則是「零抖動」。玩家關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 名玩家的高頻網絡同步，賽事場景更要求 60FPS 的穩定幀率。此外，游戲內 BOT 的 AI 尋路、彈道仿真與碰撞模擬等復雜計算，進一步加劇了算力壓力。對玩家來說 0.1 秒的卡頓就是災難，會直接影響游戲口碑。

而在傳統的家電行業，用戶的感知只是「冰箱連上了 WiFi」，但對家電企業來說，這背后遠比「連個 WiFi」復雜太多倍。就比如海爾旗下的三翼鳥平臺，如今已經服務近 1 億家庭用戶，連接超 5000 萬臺設備，日常需要支撐千萬級設備網關的長連接，并實時處理海量設備狀態上報。任何設備掉線、指令響應延遲，或是夜間流量高峰的穩定性問題，都會直接影響用戶體驗與留存。因此，高實時性、高穩定性、高并發應對能力成為了三翼鳥的核心訴求。

要如何應對 AI 時代千行百業、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實。

02

真正的分野：從「行業分類」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。如果繼續沿用傳統視角，按行業（如金融、游戲）或規模（如大企業、小企業）來劃分企業，已經無法抓住問題的本質。

正如《IDC 新一代云基礎設施實踐報告》所指出的，更有效的方式是穿透「行業」和「公司」的表象，回歸「業務場景」的算力特征。

從底層算力需求特征來看，這些復雜的需求和核心痛點可以歸納為如下三點：

1. 在線業務：以 Web、數據庫、海爾的物聯網平臺、螞蟻的實時認證為代表，核心痛點是低時延、高并發和高可用。

2. 離線業務：以數據處理、模型訓練、小鵬的數據工程為代表，核心痛點是高吞吐、高效率和成本控制。

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

而英特爾與阿里云聯合推出的高性能 CPU+云+行業化解決方案，正是針對這三類賽道的核心痛點，通過軟硬協同實現了精準適配。

以微幀科技、螞蟻 ZOLOZ、海爾三翼鳥為代表的在線業務，需要在支撐千萬級實時請求、毫秒級響應的同時，保障全球服務質量一致性，以及海爾三翼鳥的設備長連接穩定性。

對應的解決方案，就要聚焦低時延硬件加速、高網絡吞吐設計與智能彈性調度，以及全球節點部署，并平衡性能與成本。

螞蟻 ZOLOZ 的在線實人認證場景需要應對高并發訪問，于是他們選用了阿里云今年新推出的 ECS g9i 企業級云實例，其中搭載的至強? 6 處理器發揮了關鍵作用：

至強? 6 的Chiplet 架構集成 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在同一計算芯粒內高效分配處理，減少跨芯粒通信延遲，確保了 ZOLOZ 服務可以保持低于 100 毫秒的響應速度。

內置于至強? 處理器中的英特爾? AMX，專門針對矩陣運算等 AI 負載進行了優化，能夠顯著提升深度學習推理任務的效率。

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

在 MaaS 層（模型即服務）ZOLOZ FinLLM 處理市場情緒分析、行情預測、風險評估、自動化客服等關鍵金融任務時，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? 6 處理器的 504MB 超大 L3 緩存有助于提升數據訪問速度，滿足低時延要求，在承載同等規模智能體服務時，所需服務器節點數量減少了 30%，金融機構由此可降低 25% 的硬件采購與運維成本。

在線視頻領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? 6 的 Chiplet 架構采用的 EMIB 多芯片互聯橋接封裝技術實現計算芯粒與 IO 芯粒間的高速數據交互，為視頻編碼數據的快速流轉提供了保障。

同時，Chiplet 架構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，可以優化 AI 降噪預處理等視頻處理流程，使 4K 處理效率提升 35%。此外，針對其全球化業務需求，阿里云全球 29 個數據中心的就近部署有效降低跨區域傳輸延遲，配合 Spot 實例彈性策略，非實時任務成本降低 60%。

海爾三翼鳥的 AIoT 平臺同樣是在線業務的典型場景，但其需求則更多元，對于安防、廚房等關鍵場景要求毫秒級響應。ECS g9i 基于CIPU 架構的軟硬一體化設計發揮關鍵作用：其提供了 100Gbps 超高網絡帶寬，同等配置下設備網關側連接能力提升 40%，使單臺服務器的設備承載量從 10 萬+提升至 14 萬+，并拓展至最高可滿足千萬級設備并發連接需求；此外，虛擬化損耗降至接近物理機水平，配合熱升級技術使故障率下降 90%，夜間高峰也能穩定運行。而對于語音指令響應，也能把延遲從 200ms 優化至 120ms 內，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——離線業務的效率與成本兼顧，則以小鵬為代表。解決方案需要聚焦大緩存設計、算力調度優化與硬件加速，提升效率并降低冗余成本。

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

此外，在自動駕駛數據預訓練的相似度檢索環節，小鵬需對百萬起步的圖像特征向量進行大批量的歐氏距離計算，以篩選特定交通場景（如環島博弈、施工路段避讓）的訓練樣本。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算法的執行效率顯著提升，無需重構代碼即可復用優化成果（如將圖像特征從 2D 轉為 3D 空間坐標），貼合自動駕駛研發中快速迭代的需求。

相比小鵬離線任務對海量數據高效、低成本處理的需求，以莉莉絲游戲為代表游戲/量化交易業務則相對成本不那么敏感，但是對高穩定性+復雜計算+低抖動的要求巨大。

要支撐百萬級玩家的并發交互、量化交易的高頻策略計算與執行，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定性、并行計算優化與硬件級抗干擾設計。

為了支持莉莉絲《遠光 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、彈道仿真等復雜計算，ECS g9i 搭載的至強? 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，配合先進散熱技術使服務器故障率降低，最大程度避免故障導致的業務中斷和數據丟失；搭配最高 96 個性能核的并行計算能力與 AMX 引擎優化，對比上一代云實例，g9i 可以使卡頓次數減少 70%、平均幀時間縮短 30%，團戰延遲極大降低。

03

變化的需求，不變的多元算力與性能、性價比需求

當然，現實場景中的客戶需求遠比抽象的總結要更復雜，而市場數據則為這套聯合解決方案的價值提供了最有力的證明：數據顯示，上線不到 100 天，g9i 就已經獲得了一萬家客戶。

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

而應對的核心，就在于高性能 CPU+CIPU 云架構的軟硬協同組合。

英特爾? 至強? 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 6400MT/s 的 DDR5 內存與 96 條 PCIe 5.0 通道、64 條 CXL 2.0 通道，相較上一代實現 40% 平均性能提升，更適合公有云工作負載。

阿里云 CIPU 則向下加速計算、存儲、網絡資源云化，向上通過飛天系統實現彈性調度與安全隔離。兩者協同形成算力供給-調度-優化的全鏈路能力。

雙劍合璧之后，實測數據顯示，ECS g9i 實例相較基于第五代至強? 可擴展處理器的 g8i 實例，在線游戲性能提升 15%，數據庫性能提升 17%，Web 應用性能提升 20%。

而成本側，基于至強? 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，企業在升級至最新的 ECS g9i 時，其原有系統與應用無需進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。

針對大部分企業的通用需求，推出了 U 系列入門級實例；為滿足高內存帶寬需求，推出了 r8e 增強型實例；另外針對科學計算、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 轉型中一個最樸素的道理：實現轉型價值的關鍵，不在于追逐最前沿的模型，而取決于技術能否在具體場景中解決具體的問題，并實現成本與效率的平衡。

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上通過 CIPU 架構及彈性計算，將硬件能力轉化為可以被精準調度、按需取用的云上資源，并針對不同行業、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合作已歷經十五載。雙方的合作始終以挖掘極致性能和精準洞察客戶需求為核心，深度貫穿至強? 處理器家族的歷代產品迭代。正是這份日復一日的堅持，讓英特爾? 至強? 處理器與阿里云彈性計算與成為了企業數字化轉型中的可靠基石，始終為產業的升級與創新提供著堅實、可靠的底層支撐。

*頭圖來源：視覺中國

本文為極客公園原創文章，轉載請聯系極客君微信 geekparkGO