英伟达Vera CPU正式交付，专为智能体AI打造

英伟达第一颗为智能体时代定制的CPU Vera已经正式发货，并且由英伟达高管亲自送货上门给到AWS、Oracle和三大顶级AI实验室，这标志着AI基础设施的竞争焦点正从单一的GPU算力转向CPU与GPU协同的“AI工厂”整体效率。

为什么是CPU？为什么是现在？

文章开篇抛出一个关键判断：智能体AI正在创造“AI工厂中的新CPU时刻”。过去两年，业界所有的目光都聚焦在GPU上，H100、A100、H200的短缺和性能几乎是每场发布会的核心议题。但英伟达这篇博客的潜台词非常清晰：当AI从“回答问题”走向“采取行动”时，CPU成了新的瓶颈。一个智能体要完成“帮我做一份幻灯片并编译测试代码”这样的任务，它需要调用工具、运行Python脚本、检索长上下文、管理沙箱环境——这些环节全是CPU的活儿，GPU只负责其中一小部分矩阵运算。如果CPU太慢，GPU再快也只能空转等待数据。所以英伟达推出Vera，本质上是在补全“AI工厂”的最后一块拼图。

Vera的技术底牌：88核与1.8倍性能

Vera的规格参数直接对标这个新需求。它搭载了88个英伟达自研的Olympus核心，内存带宽高达1.2TB/s，在智能体AI工作负载下的单核性能比传统方案快1.8倍。这几个数字背后是截然不同的设计哲学。传统CPU追求核心数量多、通用性强，但智能体AI的工作负载特点是并发实时任务多、单线程延迟敏感——比如一个智能体同时发起了十几个工具调用，每个调用都在等CPU快速响应。Vera用高主频、大带宽的定制核心来压低延迟，而不是靠堆核心数来跑满吞吐。英伟达副总裁Ian Buck的解释很直白：当模型被问到一个问题时，答案往往不是现成的，模型需要先生成一段Python代码去计算，这个“生成代码并执行”的过程对CPU的要求极高。

从发布到交付：一场精心策划的营销闪电战

这篇博客的叙事主线是Ian Buck的“送货之旅”，时间线从2026年5月18日持续到8月27日，覆盖了Anthropic、OpenAI、SpaceXAI、Oracle和AWS。这绝不仅仅是物流新闻，而是英伟达向市场释放的强烈信号：Vera不是PPT产品，是已经可以跑客户负载的真机器。尤其值得注意的是交付顺序——先是Anthropic和OpenAI这两个最前沿的AI实验室，然后是马斯克的SpaceXAI，接着是Oracle，最后才是AWS。这个顺序透露了英伟达的优先级：先让最挑剔的算法客户用起来，再搞定最大的云厂商。AWS作为全球最大的云服务商，直到8月才收到货，且英伟达同时宣布了追加200万颗GPU的合作计划，这说明AWS的谈判筹码更大，也可能意味着Vera在AWS的部署规模会远超其他云厂商。

谁在真正需要Vera？——从Oracle的表态看企业市场

Oracle Cloud Infrastructure（OCI）是第一个宣布大规模部署Vera的云厂商，计划从2026年开始部署“数十万颗”Vera CPU。这个数字非常惊人，远超实验室的采购量级。OCI的高管Karan Batta给出的理由是“智能体AI需要在大规模下维持持续性能”。对于企业客户来说，Oracle的AI客户体验中心已经摆上了Vera系统，这意味着企业可以实际测试自己的智能体负载，而不是听英伟达的发布会吹牛。这标志着智能体AI从实验室走向生产环境的关键转折——企业不再需要自己搭建GPU集群，而是可以直接在云上租用为智能体优化的CPU算力。Oracle敢下这么大的订单，说明他们已经看到了企业客户对智能体工作负载的真实需求，而不是在赌未来。

OpenAI与Anthropic的微妙姿态

博客中关于OpenAI的细节值得玩味。Ian Buck在OpenAI的Mission Bay总部阳台上，从口袋里掏出螺丝刀，直接打开服务器盖子展示内部结构。这种“当场拆机”的举动，一方面展现了Vera设计的自信，另一方面也暗示OpenAI的工程师们对硬件细节极度关注。Anthropic的James Bradbury则更含蓄，只说“扩展算力是模型增长的重要加速器”，并称Vera是“生态系统中一个有前景的部分”。这两家实验室的表态都冷静而克制，没有夸夸其谈，因为对于他们来说，Vera只是众多算力选项之一，他们真正关心的是每美元能训练出多少模型能力。但英伟达愿意把首台机器送给他们，说明在英伟达的战略版图中，顶级AI实验室的背书比云厂商的订单更有说服力——毕竟云厂商卖的是算力，实验室定义的是算法方向。

SpaceXAI与强化学习的特殊需求

马斯克的SpaceXAI是这次交付中最特殊的客户。他们正在评估Vera用于强化学习（RL）工作负载和基于智能体的仿真管线。强化学习是当前AI训练中最烧算力的环节之一，尤其是RLHF（基于人类反馈的强化学习），需要大量的试错迭代，每次试错都涉及环境模拟、策略推理和奖励计算，这些任务高度依赖CPU的实时响应能力。马斯克当场问的核心、内存布局和散热细节，说明SpaceXAI的工程师已经在认真考虑把Vera整合进他们的训练栈。如果Vera能在RL场景中证明价值，那它的市场空间将远超推理场景，因为RL是通往超级智能的关键路径，任何能加速RL的硬件都会成为战略资源。

与Rubin GPU的组合拳：统一内存架构

Vera并非孤立产品，它是英伟达“极限协同设计”（extreme codesign）战略的一部分，与Rubin GPU、BlueField-4 DPU、Spectrum-X网络和MGX机架架构共同构成完整方案。在Vera Rubin NVL72系统中，Vera通过第二代NVLink-C2C与一对Rubin GPU配对，共享统一内存架构。这意味着CPU和GPU不再通过PCIe总线慢速通信，而是直接访问同一块内存池。这种设计的直接收益是GPU利用率大幅提升——传统架构中，GPU经常因为等待CPU喂数据而闲置，统一内存让数据搬运的延迟几乎消失。英伟达给出的数据是2倍能效提升，这在电力成本占运营大头的数据中心里是决定性的竞争力。

对行业格局的深层影响：英伟达的“平台税”焦虑

从更宏观的视角看，Vera的发布是英伟达对抗“XPU”多元化趋势的关键棋子。过去两年，谷歌的TPU、亚马逊的Trainium、微软的Maia都在尝试用专用芯片替代英伟达GPU。英伟达的回应是：你们只替代了GPU，但AI工厂需要的不只是GPU，还有CPU、DPU、网络和机架。通过推出自研CPU，英伟达把触角伸向了服务器的心脏地带，直接与Intel和AMD的至强、霄龙系列竞争。这对云厂商来说是个两难选择：要么继续用Intel/AMD CPU搭配英伟达GPU，这样至少保留了一部分议价权；要么全盘采用英伟达的Vera+Rubin方案，获得最佳性能但彻底被绑定在英伟达生态里。AWS的接受态度尤其值得关注——他们一边自研Trainium，一边接受英伟达的Vera CPU，这说明AWS的算力策略是“全都要”，但英伟达显然希望用Vera把客户的忠诚度锁得更紧。

对从业者的启示：CPU技能重新吃香

对于AI工程师和基础设施团队来说，Vera的出现意味着一个被忽视多年的技能重新变得重要：CPU性能调优。过去几年，大家的注意力都在CUDA编程、GPU显存优化、分布式训练框架上，很少有人关注CPU的指令集、缓存一致性、内存带宽。但智能体AI的编排层、工具调用层、长上下文管理这些环节，全都在CPU上运行。如果你的代码让CPU产生了大量的缓存未命中或上下文切换，Vera的1.8倍性能优势也会被抵消大半。未来AI系统的性能瓶颈可能不在GPU而在CPU，那些懂得在CPU层面优化智能体运行时开销的工程师，将获得巨大的职业红利。

时间线背后的商业逻辑：为什么是2026年？

最后回到时间线。博客最初发布于2026年5月18日，更新于8月27日，这意味着Vera的交付周期只有三个多月。这个速度在芯片行业堪称惊人——通常一款新CPU从流片到量产需要一年以上。英伟达能在如此短时间内完成从发布到规模交付，说明Vera的研发早在2024年甚至更早就已启动，且英伟达对智能体AI的爆发早有预判。2026年这个时间点也恰好是智能体从demo走向生产的关键窗口期，各家云厂商都在疯狂寻找能支撑大规模智能体工作负载的算力方案。英伟达选择在这个时间点把Vera推向市场，既是对自身GPU业务的防御性补充，也是对竞争对手的进攻性压制——当客户发现“英伟达全家桶”能提供2倍能效时，谁还会去折腾异构芯片的集成难题？