英伟达为何选择自研CPU架构而非继续使用x86？

英伟达选择为Vera CPU自研ARM架构而非沿用x86，核心驱动力在于AI智能体（Agent）工作负载对CPU性能提出了与传统服务器截然不同的要求——x86擅长的“多核并发、高吞吐”不再是最优解，而英伟达需要通过自研架构实现CPU与GPU的极致协同设计，从而在效率、延迟和系统集成上构建竞争对手难以复制的护城河。

一、战略原因：AI工作负载的根本转变

当AI从单纯的“问答”转向复杂的“自主执行”阶段，CPU的角色发生了质变。AI智能体需要执行工具调用、代码执行、数据检索、任务编排等一系列串行工作流，这些步骤依赖前一步的完成，任何一个环节的延迟都会累积放大，拖慢整个系统。

x86架构诞生于通用计算时代，其设计哲学是“在固定功耗预算内同时承载尽可能多的并发任务”，即追求机架级吞吐量密度。然而，在AI工厂中，CPU让智能体等待的每一刻，都意味着最昂贵的GPU处于闲置状态。英伟达的核心论点是，对于Agent工作流而言，单任务完成时间（而非并发任务数量）成为新的瓶颈。

基于这一判断，英伟达抛出了新的性能评估框架：“规模化下的最大单线程性能”。在这一逻辑下，单核性能直接决定GPU利用率——CPU越快，GPU等待越短，系统整体效率越高。这是英伟达选择自研架构的根本战略动机：重新定义AI时代CPU的KPI，从“并发多少”转向“任务多快”。

二、技术原因：性能瓶颈倒逼架构革新

1. 单核性能与内存带宽的极致优化

Vera CPU搭载了88个自研Olympus ARM核心，内存带宽高达1.2TB/s，片上互联带宽达到3.4TB/s。这种设计并非偶然——在AI智能体场景下，高带宽、低延迟的内存访问能力直接决定了CPU处理复杂数据流的速度。英伟达宣称，Vera的单核持续性能达到x86架构CPU的1.8倍，在AI智能体任务中的性能提升约50%。

2. 微架构层面的差异化优势

英伟达在Vera的Olympus核心中引入了名为“Spatial Multithreading”（空间超线程）的先进技术。与传统x86超线程的逻辑线程轮转共享机制不同，英伟达的设计实现了物理执行单元的全隔离共享，避免了一个线程阻塞时另一个线程受影响的问题。这种针对AI推理场景优化的微架构，是x86现有设计难以直接复制的。

3. 系统级协同设计的“全局最优”

Vera并非孤立的产品，而是英伟达Rubin平台的一环，与Rubin GPU、Spectrum交换机、BlueField网卡等共同构成了一套完整的“协同设计”系统。黄仁勋强调，Vera专为尽可能快速处理token而设计，有别于传统云架构中以多实例并行为核心的CPU。

这种CPU+GPU的紧耦合方案，使得Vera Rubin NVL72相比上一代Grace Blackwell，在同样能耗下实现了10倍的Token吞吐提升。在电力受限的AI工厂中，这不仅是性能的提升，更是成本结构的革命。

三、生态与商业前景：开辟2000亿美元增量市场

转向ARM架构并非放弃生态——英伟达的判断是，微架构足够优秀时，指令集兼容性可退居次要位置。

自研架构让英伟达实现了从芯片到系统的全面自主可控。公司强调，Vera是首款从CPU核心开始自主设计的服务器处理器，而非采用ARM提供的现成核心设计，研发投入更高但自主可控程度更强。

商业层面的回报同样显著：Vera CPU已为英伟达打开了此前从未涉足的2000亿美元全新潜在市场，且单颗芯片均价约5000美元，预计在截至2026年1月的本财年创造近200亿美元营收。

首批客户包括OpenAI、Anthropic、SpaceX等顶级AI实验室，CoreWeave、谷歌云、微软Azure等头部云厂商也已开始部署Vera Rubin系统。

四、总结

英伟达选择自研ARM架构而非继续使用x86，是一次基于技术洞察与商业远见的战略抉择。

从技术上看，x86在应对AI智能体高延迟敏感、串行交互的工作负载时并非最优。

从系统上看，自研架构使得CPU与GPU实现前所未有的深度整合，创造出“1+1>2”的能效优势。

从商业上看，这一选择让英伟达从GPU巨头升级为全栈AI基础设施提供商，开辟了全新的增长曲线。

正如英伟达反复强调的，Vera CPU的诞生，不是为了争夺存量CPU市场份额，而是为智能体AI时代重新定义CPU应该是什么样子。这场从x86到ARM的切换，本质上是对算力效率、系统整合与未来话语权的全面重塑。