AI智能体时代：算力需求的新变革

随着AI技术从“做大模型”转向“用智能体”，产业应用范式正在发生深刻变革。据IDC预测，2025-2030年全球智能体市场年复合增长率将达到139%。Gartner判断认为，今年将有40%的企业应用集成智能体，到2028年，超三成企业应用将深度嵌入智能体能力。这一趋势对算力基础设施提出了全新要求。

在软件层面，技术落地的趋势已经渗透到各个层面：一方面，Kimi、DeepSeek、GLM等先进大模型持续向智能体原生化方向升级，模型自身的任务规划、工具调用与自主执行能力不断强化；另一方面，ChatGPT Work、Workbuddy等企业级智能体框架广泛渗透办公、研发、运营等业务场景。企业AI应用正从“单次调用模型完成问答”，转向成百上千个智能体在后台持续协同、自主完成复杂任务的“群智工作模式”。过去的大模型像个大脑，而原生智能体大模型驱动的应用，相当于机器人装上了手和脚，已经为执行任务做好了准备。

这种进化对AI算力提出了极高要求。从单次对话到端到端的项目交付，Token的消耗呈指数级增长，一个用户请求可能触发下游数百个子任务和工具调用，这意味着背后服务器中数百个芯片内核的调用。

小提示：在智能体执行链路中，CPU处理相关环节的时间占端到端延迟的比例最高可达90.6%。这意味着CPU的重要性将显著提升，GPU决定模型能力的上限，而CPU驱动的多智能体协同，能通过工程化手段提升AI输出结果的完整与可靠性。

从底层逻辑看，每个智能体本质上都是一个小型CPU沙箱环境，核心承载逻辑管理、流程资源调度、系统协同等工作。传统上“CPU负责调度、GPU负责计算”的简单分工被打破，面向智能体时代，数据中心整体将会新增大量独立的纯CPU算力集群。传统AI服务器中CPU与GPU的算力配比约为1:8到1:4，而在智能体时代，数据中心不仅需要海量的GPU执行大模型推理，还需要CPU服务器来承担智能体主机的负载。来自产业端的信息显示，国内头部互联网企业今年CPU服务器的新增采购，几乎全部投向智能体相关业务。

浪潮信息智能体算力解决方案

在2026开放计算技术大会上，浪潮信息推出了业界首款CPU原生液冷整机柜服务器与元脑SD200超节点AI服务器等一系列AI基础设施产品，为智能体规模化落地提供了开放架构解决方案。

业界首款CPU原生液冷整机柜服务器

这一产品的推出基于两大动因：

• 群智协同需求：智能体时代，任务完成不再是单个模型的一次响应，而是由大量智能体分工执行任务规划、工具调用、数据检索、流程执行与结果汇总，背后需要规模空前的CPU算力支撑。在公有云场景中，头部智能体应用已呈现出惊人的CPU资源消耗特征：每一个智能体实例通常需要占用两个CPU核心，支撑沙箱运行、任务拆解与外部交互，亿级用户规模的智能体产品，背后对应着海量持续运行的CPU算力池。
• 数据中心功耗密度攀升：传统风冷散热的单机柜功率极限约为40-50千瓦，而到2026年底，高密度AI算力机柜的单机柜功率将突破300千瓦级，增长幅度达10-50倍，这早已超越了风冷甚至是风液混合散热的上限。原生液冷成为高密度算力的必然选择。

浪潮信息推出的业界首款CPU原生液冷整机柜服务器，以原生液冷架构重新定义CPU计算系统。在原生液冷架构下，它基于开放OCM架构打造，单机柜最高可支持384颗多元CPU处理器，能够支撑4万+个智能体同时协同运行，大幅提升了企业侧智能体部署的密度与管理效率。该机柜单柜功耗最高可达兆瓦，是传统通用CPU机柜的数倍。

区别于传统风液混合散热方案，这款CPU整机柜服务器采用原生液冷架构，通过计算与散热的协同设计，对内存、光模块、网卡等全部发热部件进行解耦与平面化重构，依托一体化冷板实现零软管、零线缆、零风扇的极致散热形态，从硬件底层解决了高密度CPU系统的散热瓶颈，同时提升了系统运行可靠性与能效水平。

这款机柜的核心技术突破集中在三个维度：

• CPU计算系统重构：该方案与在风冷散热架构中加装液冷的传统思路不同，对散热和计算架构协同设计，打造出0.5U超薄算力节点，可实现2U空间内部署16颗CPU的高密度架构。
• 标准化算力模组：基于液冷OCM开放算力模组架构设计，支持X86、ARM等多元架构CPU无缝兼容，可根据业务需求灵活衍生不同形态的算力节点，兼顾高负载下的性能稳定性与长上下文场景的大内存、高带宽需求。
• 全域部件液冷重构：突破传统液冷仅覆盖CPU的局限，对内存、网卡、光模块等所有发热部件一并纳入液冷散热体系，无线缆设计，支持热维护，保障业务零中断，整机柜运维效率提升100%以上。

面向未来GW级智算中心的演进，高密度液冷机柜也同步适配了800V高压进机柜的供电趋势。传统380V供电在单机柜百千瓦级场景下，会面临铜缆过粗、施工与运维难度剧增的问题，800V高压直流已成为兆瓦级机柜的标配。这样的架构设计为下一代供电标准预留了适配空间。

常见问题：原生液冷与风液混合散热方案有何区别？

传统风液混合散热仅在风冷架构上加装液冷，存在散热不均、可靠性不足等问题。而原生液冷架构从设计之初就围绕液冷进行计算与散热协同设计，对内存、网卡、光模块等所有发热部件进行液冷处理，实现零软管、零线缆、零风扇的极致散热形态，从根本上解决了高密度CPU系统的散热瓶颈。

元脑SD200超节点AI服务器

原生液冷服务器解决了智能体规模化运行的问题，而升级后的元脑SD200超节点AI服务器，则为智能体提供了高质量、低延迟的“智能输出引擎”。

浪潮信息宣布，元脑SD200率先完成了对Kimi K2.6、DeepSeek V4、GLM 5.2、MiniMax M3等主流领先开源大模型的高性能优化。经过一年的架构优化，元脑SD200性能再次实现突破，实测数据显示，在Kimi K2.6万亿参数模型上，该服务器的单Token生成时间仅需4.77ms，首Token延迟较优化前显著降低35%，能够充分支撑智能体高频调用、多轮交互与多智能体并行协作的低延迟需求。

这一性能提升来自于软硬全链路的协同优化。硬件层面持续优化了超节点内部的Fabric互联架构，提升卡间通信路由的确定性，降低通信耗时；软件层面则引入了多token预测、JIT等推理优化技术。

当前，企业智能体的应用场景正快速走向复杂化，“多模融合”正成为提升智能体智能水平的核心路径：通过多个先进AI模型并行生成结果，再经评审、比对与融合机制形成最终输出，能够有效突破单一模型的能力边界与视角局限，为智能体提供更稳定、可信的智能供给。这一路线的有效性已得到验证，在DRACO深度研究基准测试中，融合模型取得53.9%的最优成绩；在AIME 2026数学推理、GPQA通用高难问答两项国际基准测试中，融合模型分别以97.2%和90.8%的成绩领先单一模型。

在系统能力上，元脑SD200单机最大可承载4万亿参数规模的大模型，同时支持多个万亿参数模型并行部署，适配多模融合的应用模式。结合元脑企智EPAI平台的多模融合能力，用户仅需发起一次API调用，系统即可将任务同步分发至多款大模型，由不同模型生成候选结果后，再通过评审融合模型完成交叉分析与综合判断，输出更完整、可靠的最终答案。

面向企业本地部署智能体的需求，浪潮信息同步推出了元脑SD200超节点企业版。其延续了标准版的原生内存语义开放互联架构，基于开放交换架构构建16卡统一Scale-up计算域，实现统一寻址与低时延跨卡通信，可将万亿参数模型的首token延迟降低40%以上。企业版单机支持TB级统一显存，可完整承载当前主流万亿参数开源模型，满足企业长上下文理解、复杂逻辑推理、多智能体协同的核心业务需求，大幅降低了企业部署高性能智能体算力的门槛。以往企业通常只部署千亿参数模型，仅能实现AI辅助编码、辅助写作等浅度应用；而万亿参数模型可直接生成可用的完整代码、完成复杂方案输出，让AI真正进入生产环节替代人力。

常见问题：企业版与标准版超节点有何不同？

企业版延续了标准版的原生内存语义开放互联架构，但针对企业本地部署场景进行了优化。它基于开放交换架构构建16卡统一Scale-up计算域，实现统一寻址与低时延跨卡通信，可将万亿参数模型的首token延迟降低40%以上。企业版单机支持TB级统一显存，可完整承载当前主流万亿参数开源模型，大幅降低了企业部署高性能智能体算力的门槛。

智能体时代的算力演进方向

从大模型到智能体，AI基础设施的创新正在从单纯的硬件升级走向系统级的协同重构。浪潮信息此次发布的两大产品形成了清晰的算力分工：GPU超节点负责思考，持续输出低延迟、高质量的Token；CPU原生液冷整机柜服务器负责行动，承载海量智能体调度编排、工具调用与有序协同。再搭配元脑企智EPAI平台实现统一管控，三者共同构成了“群智协同+多模融合”的完整技术体系，呼应了Agent时代的核心演进方向。

从产业落地节奏看，2026年下半年将成为超节点方案的规模化落地节点，国内头部互联网客户已进入批量部署阶段。在开放计算生态的持续推动下，单位Token生成成本与智能体运行成本将会持续降低，从而推动AI真正走向全企业、全流程的规模化落地，成为企业业务流程重构、生产效率提升的核心驱动力。

AI智能体的崛起，标志着一场算力基础设施变革的开始。长远来看，Token生产将如同工业流水线一般，走向更精细的环节拆分：Prefill阶段与Decode阶段分离，Decode阶段的注意力计算、前馈网络也将拆分，每个环节匹配最适配的芯片架构与系统设计，实现全链路效率最优。这一演进方向与浪潮信息融合架构的底层逻辑相通：通过高速互联实现算力、内存、存储的池化，让所有资源可自由连接、按需组合、价值最大化。预计未来二到三年内，GW级智算中心将逐步落地，新形态的智算基础设施将会支撑AI从技术创新全面走向大规模应用。

小提示：智能体时代，算力配置正在发生根本性转变。传统AI服务器中CPU与GPU的算力配比约为1:8到1:4，而未来数据中心将需要更多独立的CPU算力集群来支撑智能体负载。企业在规划算力基础设施时，应充分考虑这一趋势。