英偉達正式披露了其面向下一代 AI 工廠的 Vera CPU 架構細節，該處理器專為解決智能體系統在大規模部署時遇到的 CPU 側瓶頸而設計。根據英偉達開發者博客公佈的數據，Vera CPU 在全插槽滿載狀態下，單核持續性能達到基線 CPU 的 1.8 倍，顯著改善了強化學習訓練吞吐量、策略梯度質量以及環境推演的完成率。

Vera CPU 採用 單片式計算芯片，集成 88 個 Olympus 核心、統一緩存以及可擴展一致性互聯結構。與傳統的 x86 數據中心 CPU 相比，其峰值加載延遲降低了 40%，每核內存帶寬提升超過 3 倍，而功耗不到後者的一半。這些指標直接指向智能體推理和交互式部署場景中對響應速度與能效的苛刻要求。

在智能體系統中，模型推理只是整個工作流的一環。一個完整的智能體任務通常需要串聯推理、工具調用、代碼執行、檢索、編排和結果處理等多個步驟，而每一步之間的協調、沙箱化評估、KV 緩存管理以及數據處理都落在 CPU 上。如果 CPU 處理速度跟不上，GPU 集群就會面臨三重損失：強化學習每輪獲得的有效反饋減少，導致訓練時間膨脹；單個用戶的響應時間拉長；KV 緩存被過早驅逐，迫使系統重新計算上下文，浪費寶貴的算力。

英偉達給出的一個關鍵對比場景是強化學習的環境推演。在基線 CPU 上，由於單核性能不足，只有約 45% 的環境評估能在訓練窗口內完成，GPU 不得不空轉等待反饋。而 Vera CPU 憑藉更快的單核速度，可將這一比例提升至 85%，從而向 GPU 輸送更密集、更高質量的訓練信號，加速模型收斂併產出更優的策略。

這一提升得益於 Olympus 核心的多項針對性設計：神經分支預測器用於應對 Python 代碼、模擬器和獎勵邏輯中複雜的控制流；10 寬度解碼前端每週期向執行單元送入更多指令；深度亂序執行能力減少了不規則負載下的停頓；英偉達自研的空間多線程技術則確保在擴展到數千個並行環境時，單核性能不會大幅衰減。

在在線部署端，Vera CPU 同樣瞄準了交互式智能體的延遲約束。當智能體自主執行一連串工具調用和代碼編譯時，每一步的 CPU 處理時間都直接疊加到用戶感知的響應延遲上。Vera CPU 通過降低單步處理延遲並提高內存帶寬，使系統能夠在相同的 GPU 資源下服務更多併發用戶，同時更穩定地滿足服務等級協議。

從產業視角看，Vera CPU 的定位並非替代 GPU，而是作為 AI 工廠中 CPU-GPU 協同的關鍵一環。隨著智能體應用從實驗走向規模化部署，基礎設施的瓶頸正從單純的算力總量轉向算力效率與系統級吞吐量。Vera CPU 試圖通過消除 CPU 側的停滯點，讓昂貴的 GPU 集群保持更高的利用率，從而在單位時間內完成更多有效工作。這一思路與英偉達從芯片到系統再到數據中心的垂直整合策略一脈相承，也為評估下一代 AI 基礎設施的總擁有成本提供了新的參考維度。