NVIDIA 不满足于卖 GPU：Vera CPU 要把 Agent 每次“停下来干活”的钱也赚走
陈墨｜OC 产业与资本编辑
陈墨｜OC 产业与资本编辑
据 NVIDIA 最新技术说明，公司开始详细披露自研 Vera 数据中心 CPU 的架构与性能，称其在满负载下的持续单核性能可达到主流 x86 平台的 1.8 倍。Vera 不只作为 Rubin GPU 机架的配套部件，也会以独立 CPU 服务器进入 AMD EPYC 和 Intel Xeon 长期控制的市场。
一句话结论： Vera 的野心不是用 CPU 替代 GPU，而是把 Agent 调工具、跑代码、处理数据这些 GPU 等待期间的工作也纳入 NVIDIA 的整套系统，从“卖加速卡”进一步走向控制整座 AI 数据中心。
普通聊天模型主要让人盯着 GPU，因为生成 Token 的矩阵运算在那里完成。但 Agent 不会一直生成文字。它会暂停推理，调用搜索、编译代码、启动 Python、查询数据库、解压文件、检查结果，然后把新信息交回模型。每一次暂停，CPU 都可能成为下一轮推理前的瓶颈。
Vera 就是为这个间隙设计的。它有 88 个 NVIDIA 自研 Olympus 核心，采用 Arm 指令集，配套最高 1.2TB/s 的 LPDDR5X 内存带宽，并通过 NVLink-C2C 与 GPU 保持一致性连接。NVIDIA 强调的不是传统服务器最爱讲的核心数量，而是满载时每个核心仍能维持的单线程速度、较低尾延迟，以及同时运行大量沙箱的密度。
这套论述很聪明，也有现实基础。Agent 执行步骤往往有前后依赖：前一个工具没返回，后一个模型调用就不能开始。此时再多 GPU 也只能等。NVIDIA 称 Vera 相比领先 x86 CPU，在编译、代码分析和 Python 等沙箱负载上最高快约 1.8 倍，还能以更低功耗提供更高内存带宽。不过这些数字来自 NVIDIA 自测，测试配置和软件栈决定很大，不能直接理解为所有服务器应用快 80%。
更关键的是商业模式。NVIDIA 过去已通过 CUDA、GPU、NVLink、交换机和整机柜占据 AI 预算的大部分。CPU 原本还是 AMD、Intel 或云厂商自研芯片的地盘。Vera 如果作为 Rubin NVL72 的主机 CPU，又以独立 CPU 机架运行 Agent 沙箱，客户会从训练到工具执行都留在 NVIDIA 的软硬件体系里。对云厂商来说，采购更简单；对竞争和议价来说，则更依赖单一供应商。
AMD 和 Intel 并不会因为一款 Vera 立刻失去通用服务器市场。x86 有庞大的软件兼容性、运维经验和供应链，数据库、虚拟化、企业应用也不是都按 Agent 特征运行。Vera 的真正突破口是新建 AI 集群：这些机器的软件栈本来就在重做，迁移 Arm 的历史包袱较小，而且 GPU 利用率每提高一点都能对应可计算的收入。
市场传出的 5000 美元单价和百万级出货预测仍属于分析师估算，不是 NVIDIA 正式价目表。更可靠的信号是，NVIDIA 已将首批系统交给 Anthropic、OpenAI、Oracle Cloud 和 SpaceXAI，多家服务器厂商也宣布采用。它是否真能挑战 EPYC 和 Xeon，要看 2026 年下半年量产后的独立基准、软件兼容和整机价格，而不是只看一张厂商柱状图。
关键事实
- Vera 使用 88 个 Olympus Arm 核心，配备最高 1.2TB/s 内存带宽，可独立部署或与 Rubin GPU 组成机架。
- NVIDIA 宣称 Agent 沙箱负载最高约为领先 x86 平台的 1.8 倍，数据来自厂商测试。
- Anthropic、OpenAI 和 Oracle Cloud 等已接收早期系统，商业供货计划在 2026 年推进。
OC 判断
Vera 最值得注意的不是又多一款 Arm CPU，而是 NVIDIA 开始把 Agent 的完整计算循环定义成自己的市场。只要“GPU 在等 CPU”能被换算成损失，它就有理由继续吞掉服务器里的下一层利润。
为什么重要
- 对开发者： Agent 性能优化不能只盯模型吞吐，工具执行、编译和数据管线同样影响端到端延迟。
- 对企业： NVIDIA 一体化平台可能提高部署效率，也会增加供应商锁定和迁移成本。
- 对用户： 厂商所说的 1.8 倍是特定沙箱负载，不代表网站、数据库和所有应用都同幅加速。
评论
围绕这篇文章补充信息、提出问题或分享观察。