穿透「行业」和「公司」的表象，回归「业务场景」的算力特征。

2025 年，生成式 AI 技术浪潮正从概念验证加速驶向产业深水区。在企业摩拳擦掌、试图借助 AI 重塑竞争力的同时，一个更为现实的挑战浮出水面：如何将前沿技术的潜力，稳定、高效且经济地转化为真实的业务价值？如何避免陷入雷声大雨点小的尴尬？

MIT 在 7 月发布的《The GenAI Divide:State of AI in Business 2025》报告，用一组数据揭示了一个关键的转折点：全球企业投入 AI 转型的 300 亿至 400 亿美元中，大部分项目仍处于探索阶段，仅有少数先行者成功跨越了从「试点」到「规模化」的鸿沟。

而其中的分野，往往不在于模型的先进程度，而在于对算力成本与应用效率的精准把控。

更深层的问题则在于行业认知误区：多数玩家都习惯于将 AI 转型与模型和硬件直接挂钩，然后得出企业拥有的 GPU 算力等于权力，上马最优秀的 SOTA 模型，就等于最好的应用效果的粗暴论断。

但一定程度上，只看见 AI，恰恰成为了这波 AI 转型浪潮中最大的智商税。

面对这一困局，行业已经开始集体反思：算力竞赛的焦点正从单一的 AI 加速器，转向整体基础设施的效率。这也解释了为何在 AI 时代，高性能 CPU 的需求不降反增—— CPU 作为整个算力架构的「调度中枢」与「效率基石」，在不同场景中成为平衡效率与成本的关键。

AI 时代的困局

从自动驾驶到人脸识别，从游戏到直播，从互联网到制造业，几乎没有不需要 AI 加速的产业。

但现实是，同样的 AI 转型，落地的不同产业都有着各自的特性与需求痛点。如果只看见 AI，往往会导致技术与产业需求脱节，既无法解决产业真正的痛点，也让 AI 本身沦为空中楼阁。

比如在自动驾驶领域，普通人或许觉得实现自动驾驶，就是把一个聪明的大模型「大脑」装进汽车，再给车装上「眼睛」（摄像头）。但对小鹏这样的玩家来说，现实远比这复杂。

让自动驾驶真正能用起来，首先面临一个庞大的数据工程：为支撑智能驾驶辅助 VLA-OL 等模型迭代与 3D 高斯场景重建等仿真任务，小鹏每日需处理视频、图像、雷达数据等 PB 级多模态数据。从摄像头视频流的畸变校正到激光雷达点云的地面分割，每一步都面临算力效率与成本控制的双重压力。更关键的是，所有原始数据均需经过转码这一 CPU 密集型操作才能用于训练，而自建数据中心成本过高，上云后的实例选择与效率优化同样是个难题。

同样在视频领域，用户觉得看视频只是「点击播放」那么简单。但对微帧科技这样的头部视频编码服务商而言，现实是每月要帮 100 多家头部企业处理超 15 亿分钟的视频，还要保证低成本、低延迟的全球传输。挑战不仅是编码本身，更在于编码前的降噪、画质增强等 AI 预处理环节，这带来了巨大的算力需求和极高的性能要求；同时，非实时任务还必须兼顾成本控制与资源利用率。

甚至，即使面临同样的互联网场景高并发需求，金融场景与游戏场景的需求也天差地别。

金融安全领域的「高并发」，核心要求是「零容错」。普通人眼中简单的「刷脸」认证，对蚂蚁集团旗下的 ZOLOZ 而言，每一次「刷脸」都是高风险的信任交付。ZOLOZ 同时在为全球 14 个国家、70 余家合作伙伴提供服务，这背后既要应对海量访问，还必须满足各地严苛的安全合规标准。真正的痛点在于「刷脸」瞬间，后台需要并行处理活体检测、人脸比对等多重任务，同时还要控制离线推理的成本，并保证 RAG 场景的高频数据读取效率。

如果说金融的痛点是数据和安全决不能错，那游戏的痛点就是体验和帧率决不能卡。

游戏行业的「高并发」，核心要求则是「零抖动」。玩家关心的是画面是否酷炫，操作是否流畅。比如莉莉丝的爆款游戏《远光 84》，要支撑的是百万级玩家同时在线。这意味着单个核心就要承载 60-120 名玩家的高频网络同步，赛事场景更要求 60FPS 的稳定帧率。此外，游戏内 BOT 的 AI 寻路、弹道仿真与碰撞模拟等复杂计算，进一步加剧了算力压力。对玩家来说 0.1 秒的卡顿就是灾难，会直接影响游戏口碑。

而在传统的家电行业，用户的感知只是「冰箱连上了 WiFi」，但对家电企业来说，这背后远比「连个 WiFi」复杂太多倍。就比如海尔旗下的三翼鸟平台，如今已经服务近 1 亿家庭用户，连接超 5000 万台设备，日常需要支撑千万级设备网关的长连接，并实时处理海量设备状态上报。任何设备掉线、指令响应延迟，或是夜间流量高峰的稳定性问题，都会直接影响用户体验与留存。因此，高实时性、高稳定性、高并发应对能力成为了三翼鸟的核心诉求。

要如何应对 AI 时代千行百业、不同品牌的差异化需求？对每个公司都提供一套定制化方案显然并不现实。

真正的分野：

从「行业分类」到「场景特征」

今天我们可以清晰地看到：AI 时代的算力需求是高度分化的。如果继续沿用传统视角，按行业（如金融、游戏）或规模（如大企业、小企业）来划分企业，已经无法抓住问题的本质。

正如《IDC 新一代云基础设施实践报告》所指出的，更有效的方式是穿透「行业」和「公司」的表象，回归「业务场景」的算力特征。

从底层算力需求特征来看，这些复杂的需求和核心痛点可以归纳为如下三点：

1. 在线业务：以 Web、数据库、海尔的物联网平台、蚂蚁的实时认证为代表，核心痛点是低时延、高并发和高可用。

2. 离线业务：以数据处理、模型训练、小鹏的数据工程为代表，核心痛点是高吞吐、高效率和成本控制。

3. 游戏 / 量化交易业务：以莉莉丝的游戏服为代表，核心痛点是高主频、低抖动和复杂计算。

而英特尔与阿里云联合推出的高性能 CPU+ 云 + 行业化解决方案，正是针对这三类赛道的核心痛点，通过软硬协同实现了精准适配。

以微帧科技、蚂蚁 ZOLOZ、海尔三翼鸟为代表的在线业务，需要在支撑千万级实时请求、毫秒级响应的同时，保障全球服务质量一致性，以及海尔三翼鸟的设备长连接稳定性。

对应的解决方案，就要聚焦低时延硬件加速、高网络吞吐设计与智能弹性调度，以及全球节点部署，并平衡性能与成本。

蚂蚁 ZOLOZ 的在线实人认证场景需要应对高并发访问，于是他们选用了阿里云今年新推出的 ECS g9i 企业级云实例，其中搭载的至强 ®6 处理器发挥了关键作用：

至强 ®6 的 Chiplet 架构集成 3 个计算芯粒和 2 个 IO 单元芯粒，单个计算芯粒支持最多 32 个核，可将活体检测、人脸比对等并行任务在同一计算芯粒内高效分配处理，减少跨芯粒通信延迟，确保了 ZOLOZ 服务可以保持低于 100 毫秒的响应速度。

内置于至强 ® 处理器中的英特尔 ®AMX，专门针对矩阵运算等 AI 负载进行了优化，能够显著提升深度学习推理任务的效率。

得益于 AMX，在安全应用方面，蚂蚁数科基于「以 AI 对抗 AI」的创新理念构建的 ZOLOZ Anti-Deepfake 攻防互动系统，为 AI 推理带来最高达 3.3 倍的性能提升，并将每瓦性能提升高达 1.7 倍。

在 MaaS 层（模型即服务）ZOLOZ FinLLM 处理市场情绪分析、行情预测、风险评估、自动化客服等关键金融任务时，推理加速提升了 2.3 倍，推理消耗时长降低了 35%，算力成本降低了 72%。

而在 Pass 层，至强 ®6 处理器的 504MB 超大 L3 缓存有助于提升数据访问速度，满足低时延要求，在承载同等规模智能体服务时，所需服务器节点数量减少了 30%，金融机构由此可降低 25% 的硬件采购与运维成本。

在线视频领域的微帧科技同样受益于该方案。对于每月 15 亿分钟视频的实时 4K 编码、的低时延传输需求，至强 ®6 的 Chiplet 架构采用的 EMIB 多芯片互联桥接封装技术实现计算芯粒与 IO 芯粒间的高速数据交互，为视频编码数据的快速流转提供了保障。

同时，Chiplet 架构的计算芯粒集群可并行处理视频帧的不同片段，配合处理器中集成的 AVX-512 指令集和 AMX，可以优化 AI 降噪预处理等视频处理流程，使 4K 处理效率提升 35%。此外，针对其全球化业务需求，阿里云全球 29 个数据中心的就近部署有效降低跨区域传输延迟，配合 Spot 实例弹性策略，非实时任务成本降低 60%。

海尔三翼鸟的 AIoT 平台同样是在线业务的典型场景，但其需求则更多元，对于安防、厨房等关键场景要求毫秒级响应。ECS g9i 基于 CIPU 架构的软硬一体化设计发挥关键作用：其提供了 100Gbps 超高网络带宽，同等配置下设备网关侧连接能力提升 40%，使单台服务器的设备承载量从 10 万 + 提升至 14 万 +，并拓展至最高可满足千万级设备并发连接需求；此外，虚拟化损耗降至接近物理机水平，配合热升级技术使故障率下降 90%，夜间高峰也能稳定运行。而对于语音指令响应，也能把延迟从 200ms 优化至 120ms 内，月活跃用户留存率同比提升 15%，同时整体 IT 成本降低 20%。

常见需求的第二类——离线业务的效率与成本兼顾，则以小鹏为代表。解决方案需要聚焦大缓存设计、算力调度优化与硬件加速，提升效率并降低冗余成本。

至强 ®6 处理器提供的 12 通道 DDR5 内存（6400MT/s）为小鹏处理海量数据读写提供了高带宽保障；504MB 超大 L3 缓存使热数据命中率有效提升；英特尔 ®QAT 技术则将数据压缩 / 解压缩任务中的数据从 CPU 核心卸载并加速，并将历史上下文中的温、冷数据压缩后存入本地硬盘或者远端对象存储中，显著减少了存储空间占用和 IO 传输延迟，加速了数据预处理流程，降低了对高成本 GPU 计算周期的占用和等待。同时，实例双单路架构实现了故障自动切换，保障了 7x24 小时不间断的数据处理业务，避免研发进度延误。

此外，在自动驾驶数据预训练的相似度检索环节，小鹏需对百万起步的图像特征向量进行大批量的欧氏距离计算，以筛选特定交通场景（如环岛博弈、施工路段避让）的训练样本。ECS g9i 在硬件层面与 SIMD 指令集深度集成，从 AVX-512 到 AMX，都为这类向量 / 矩阵运算提供了强大的并行计算能力，使小鹏针对图片相似度比对、向量检索等场景开发算法的执行效率显著提升，无需重构代码即可复用优化成果（如将图像特征从 2D 转为 3D 空间坐标），贴合自动驾驶研发中快速迭代的需求。

相比小鹏离线任务对海量数据高效、低成本处理的需求，以莉莉丝游戏为代表游戏 / 量化交易业务则相对成本不那么敏感，但是对高稳定性 + 复杂计算 + 低抖动的要求巨大。

要支撑百万级玩家的并发交互、量化交易的高频策略计算与执行，微秒级计算延迟和算力波动都需要降到最低。解决方案主要聚焦高主频稳定性、并行计算优化与硬件级抗干扰设计。

为了支持莉莉丝《远光 84》的百万玩家同时在线、单核心 120 名玩家高频同步，以及 BOT AI 寻路、弹道仿真等复杂计算，ECS g9i 搭载的至强 ®6 处理器可以在 3.6GHz 全核睿频下保证频率抖动几乎微不可查，配合先进散热技术使服务器故障率降低，最大程度避免故障导致的业务中断和数据丢失；搭配最高 96 个性能核的并行计算能力与 AMX 引擎优化，对比上一代云实例，g9i 可以使卡顿次数减少 70%、平均帧时间缩短 30%，团战延迟极大降低。

变化的需求，

不变的多元算力与性能、性价比需求

当然，现实场景中的客户需求远比抽象的总结要更复杂，而市场数据则为这套联合解决方案的价值提供了最有力的证明：数据显示，上线不到 100 天，g9i 就已经获得了一万家客户。

进展如此神速的根本原因在于，英特尔与阿里云找到了 AI 时代企业算力需求的核心矛盾：如何在多元化算力中实现高效调度，并在性能与成本之间取得平衡。

而应对的核心，就在于高性能 CPU+CIPU 云架构的软硬协同组合。

英特尔 ® 至强 ®6 性能核处理器作为硬件核心，它采用 Intel 3 制程工艺，配备最高 128 个性能核、504MB L3 缓存，支持 12 通道高达 6400MT/s 的 DDR5 内存与 96 条 PCIe 5.0 通道、64 条 CXL 2.0 通道，相较上一代实现 40% 平均性能提升，更适合公有云工作负载。

阿里云 CIPU 则向下加速计算、存储、网络资源云化，向上通过飞天系统实现弹性调度与安全隔离。两者协同形成算力供给 - 调度 - 优化的全链路能力。

双剑合璧之后，实测数据显示，ECS g9i 实例相较基于第五代至强 ® 可扩展处理器的 g8i 实例，在线游戏性能提升 15%，数据库性能提升 17%，Web 应用性能提升 20%。

而成本侧，基于至强 ®6 处理器的阿里云 ECS g9i 实例，在相比上一代整体提升了 20% 性能表现的同时，目录价格却降低了 5%。并且得益于英特尔处理器代系间完善的软硬件生态，企业在升级至最新的 ECS g9i 时，其原有系统与应用无需进行任何改造即可平滑过渡，极大降低了升级门槛。

与此同时，针对差异化的用户场景，阿里云 + 英特尔也做了不同的针对性方案。

针对大部分企业的通用需求，推出了 U 系列入门级实例；为满足高内存带宽需求，推出了 r8e 增强型实例；另外针对科学计算、仿真等对单核睿频需求更高的客户，还推出了专门的 hf 系列实例满足他们的需求。

这种从共性需求的提取，到深入行业特性提供不同解决方案的方式，看起来并不「性感」，却弥足重要。

它揭示了 AI 转型中一个最朴素的道理：实现转型价值的关键，不在于追逐最前沿的模型，而取决于技术能否在具体场景中解决具体的问题，并实现成本与效率的平衡。

在这个过程中，英特尔的高性能通用型算力，解决了他们对多元算力、高性能、高性价比的共性需求；而阿里云则在这个基础上通过 CIPU 架构及弹性计算，将硬件能力转化为可以被精准调度、按需取用的云上资源，并针对不同行业、不同用户类型推出个性化的解决方案，让每一种独特需求都能被看见，被满足。

这种「软硬协同、深入场景」的能力，并非一蹴而就。自 2009 年以来，阿里云与英特尔的深度技术合作已历经十五载。双方的合作始终以挖掘极致性能和精准洞察客户需求为核心，深度贯穿至强 ® 处理器家族的历代产品迭代。正是这份日复一日的坚持，让英特尔 ® 至强 ® 处理器与阿里云弹性计算与成为了企业数字化转型中的可靠基石，始终为产业的升级与创新提供着坚实、可靠的底层支撑。