随着人工智能从传统的聊天机器人向能够自主规划任务、调用工具和执行复杂工作流的智能体（AI Agent）发展，数据中心的计算需求也正在发生变化。AMD于2026年10月12日正式发布Helion机架级AI计算参考设计，提出一种以CPU为核心、可根据需求搭配GPU的全新基础设施方案。
其纯CPU配置最多可集成32768个AMD EPYC处理器核心，旨在为大规模AI智能体提供执行环境，而不再将所有计算资源都集中于GPU加速器。
AMD此次发布的Helion并不是一款独立芯片，也不是用户可以直接购买的完整服务器产品，而是一套面向数据中心的开放式机架参考设计。AMD计划将相关规范贡献给开放计算项目（Open Compute Project，OCP），供合作伙伴进一步开发和采用。戴尔、惠普企业、联想、超微、富士康等厂商将参与相关系统的开发，合作伙伴打造的Helion配置计划于2026年11月推出。
这套方案的核心思路，是根据AI智能体工作流的不同阶段，灵活配置CPU、GPU、网络和其他计算资源。对于需要运行大量智能体、执行代码或处理复杂业务流程的超大规模数据中心，客户可以选择纯CPU机架；对于希望在同一套设备中完成智能体执行、模型推理和常规企业计算任务的用户，则可以选择CPU与GPU混合配置。
这一设计反映出AI基础设施正在出现新的分工。GPU仍然是大型模型训练和高强度推理的重要计算设备，但AI智能体在实际执行任务时，还需要大量CPU资源来运行程序、访问数据库、调用外部工具、管理任务状态以及协调多个计算步骤。随着智能体数量增加，这些工作可能成为数据中心新的资源瓶颈。
AMD高级副总裁兼计算与企业AI事业部总经理丹·麦克纳马拉（Dan McNamara）表示，智能体AI并不是单一类型的工作负载，而是涵盖个人智能体、企业应用、代码执行和复杂工作流等多种场景，每种任务对计算资源的要求都不相同。因此，数据中心需要能够根据具体工作负载调整性能、核心密度和功耗的基础设施。
他表示，AMD希望通过Helion将EPYC处理器的性能、开放软件生态以及灵活的机架设计结合起来，让合作伙伴能够围绕客户需求构建系统，并更有效地利用有限的电力资源。
Helion最引人注目的配置，是一套最多容纳32768个CPU核心的纯CPU机架。该方案采用AMD第六代EPYC服务器处理器，核心架构为Zen 6，代号为Venice。按照AMD公布的设计，整套机架最多可以安装128颗256核心处理器，理论上形成32768个CPU核心的计算集群。
这里需要注意，32768个核心并非集成在一颗处理器中，而是由大量服务器节点中的处理器共同构成。Helion采用机架级设计，将多个计算节点、网络设备和相关基础设施整合为一个整体，以便在数据中心中集中部署和管理。
这种设计尤其适合需要运行大量相互独立或并行任务的场景。例如，一家企业可能同时运行数以万计的AI智能体，每个智能体都需要独立的执行环境，用于运行代码、检索数据、调用企业内部API，或者处理用户交给它的复杂任务。与单纯执行模型推理相比，这类工作流通常包含更多常规程序执行和系统协调操作，因此需要充足的CPU计算能力。
在传统的大语言模型应用中，用户输入问题后，模型生成回答，计算负载主要集中在模型推理阶段。但在智能体应用中，一个请求可能触发一连串操作：智能体先分析任务，再调用搜索工具或数据库，随后执行代码、检查结果，必要时再次调用模型，最终才生成答案。
在这一过程中，GPU负责执行模型推理等高度并行的计算任务，而CPU则承担大量程序运行、数据处理、任务调度和工具调用工作。如果智能体数量持续增加，即使GPU拥有足够的推理能力，CPU资源不足也可能限制整个系统的处理速度。
AMD希望通过Helion纯CPU配置解决这一问题，为智能体提供大规模、可扩展的执行环境，同时将模型推理交给独立的GPU基础设施处理。
这意味着，Helion并不是要用CPU全面取代GPU，而是尝试将两者的职责进一步分离。对于超大规模云服务商而言，这种设计可以让不同类型的工作负载使用更适合自己的计算资源，避免昂贵的GPU被大量普通程序执行任务占用。
除了纯CPU版本，Helion还提供CPU与GPU结合的企业级配置。这一方案可以在同一机架内整合AMD EPYC处理器、Instinct MI350P GPU加速器以及通用计算节点，使企业能够在同一套基础设施中运行智能体、执行模型推理，并处理数据库、存储和其他常规计算任务。
根据AMD公布的设计，混合配置最多可以搭载16颗Instinct MI350P GPU加速器，同时提供高达102 Tbps的网络带宽。这里的网络带宽是整个系统的设计指标，并不意味着每个计算节点都能独立获得同等带宽。实际通信性能还取决于网络拓扑、端口配置、流量分布以及系统软件。
在GPU节点方面，AMD提供了采用八颗Instinct MI350P加速器的5U服务器设计。通过将GPU计算节点与CPU节点组合起来，企业可以根据具体任务调整加速器数量，而不必将整套系统固定为单一的硬件配置。
例如，需要处理大量企业数据、运行复杂工作流的系统，可以分配更多CPU核心；需要高吞吐量模型推理的系统，则可以增加GPU资源。数据库和存储等辅助工作负载也可以使用专门的通用计算节点，减少它们与智能体执行任务之间的资源竞争。
AMD还为Helion设计了多种不同定位的CPU计算节点，以适应功耗、核心密度和单核性能方面的不同需求。
高密度节点使用额定功耗为400瓦的EPYC 9006系列处理器，主要用于尽可能提高单位空间内的CPU核心数量。均衡型节点则使用额定功耗为600瓦的256核心处理器，在核心密度和整体计算能力之间取得平衡。
对于更强调单线程性能的工作负载，AMD还提供了一种拥有96个核心、最高频率可达5GHz的处理器配置。相较于单纯追求核心数量，这类节点更适合对单线程性能和响应速度敏感的任务。
这种差异化设计反映出一个重要现实：AI智能体并不总是需要尽可能多的CPU核心。某些任务可以拆分成大量并行操作，适合高核心密度服务器；另一些任务则受到单线程性能、内存延迟或外部服务响应速度的限制，单纯增加核心数量并不能带来相应的性能提升。
因此，Helion试图让数据中心运营商根据实际工作负载选择不同的处理器配置，而不是用一种规格覆盖所有场景。
在散热方面，Helion支持风冷和液冷两种方案。对于CPU核心数量达到数万级别、同时集成高速网络设备的机架而言，电力供应和散热设计都是不可忽视的工程问题。高密度服务器能够提高机房空间利用率，但也会带来更高的单位空间热负荷。
液冷可以帮助系统更有效地将处理器和其他高功耗部件产生的热量带走，但也需要配套的冷却基础设施、管路设计和维护流程。风冷则可能更适合部分希望沿用现有数据中心设施的客户。AMD提供两种方案，意味着合作伙伴可以根据机房条件、部署规模和运营成本进行选择。
除了硬件配置，Helion还强调开放的软件和系统设计。AMD计划将相关参考规范贡献给OCP，使合作伙伴能够在共同的设计基础上进行开发，而不是完全依赖单一厂商提供的封闭系统。
OCP是一个推动开放数据中心硬件设计的行业组织，其参与者包括云服务商、服务器制造商和其他基础设施供应商。开放式参考设计能够帮助不同厂商围绕共同的硬件规范开展系统集成，并根据客户需求提供不同配置。
AMD希望通过这一方式扩大Helion的生态系统，让戴尔、惠普企业、联想、超微、富士康以及其他合作伙伴开发自己的产品。客户最终购买的将是合作伙伴生产和集成的服务器系统，而不是直接向AMD购买一整套标准化机架。
AMD表示，Helion配置目前正在与生态系统合作伙伴共同开发，计划于2026年11月推出。相关设计仍需经过系统集成、验证和实际部署，最终能够提供哪些配置、何时大规模交付，以及不同厂商的具体产品规格，仍有待后续公布。
从市场竞争的角度来看，Helion也反映出AMD正在进一步扩大EPYC处理器在AI基础设施中的作用。
过去几年，AI数据中心的建设重点主要集中在GPU加速器、服务器互连和高带宽内存等领域。随着大型模型训练和推理需求快速增长，英伟达凭借GPU产品及其软件生态建立了明显的市场优势。
但随着AI应用逐渐进入企业业务流程，数据中心需要处理的任务不再只有模型计算。智能体可能需要同时执行大量程序、访问数据库、处理文档、运行代码和协调多个模型，这些操作对CPU资源提出了新的需求。
AMD希望借助高核心数EPYC处理器，在这一基础设施变化中获得更多市场机会。通过将CPU核心密度、GPU加速和机架级网络设计结合起来，Helion试图提供一套能够适应不同智能体工作负载的开放平台。
当然，32768个CPU核心本身并不能直接说明系统的实际性能。最终表现还取决于处理器微架构、内存带宽、缓存容量、节点间通信、软件调度效率以及工作负载的并行程度。对于高度依赖大型模型推理的任务，GPU仍然可能是决定系统吞吐量的关键因素。
同样，CPU核心数量增加也不意味着智能体任务一定能够按比例加速。如果大量任务需要等待数据库响应、访问外部网络或调用其他服务，系统瓶颈就可能转移到存储、网络或软件层面。因此，Helion的价值需要通过实际应用中的性能、能效和总体拥有成本来衡量。
总体而言，AMD Helion代表了AI基础设施设计思路的一次拓展。AMD不再只强调GPU加速器在人工智能中的作用，而是尝试为智能体提供从任务执行、模型推理到数据处理的一体化计算方案。
随着AI智能体逐步承担软件开发、企业自动化和复杂工作流等任务，CPU与GPU之间的资源分工可能变得更加重要。如果未来企业确实需要为大量智能体提供独立执行环境，那么高核心密度CPU服务器就有机会成为AI数据中心的重要组成部分。
不过，Helion目前仍是一套开放式参考设计，而非已经全面部署的成熟产品。它能否在实际应用中兑现性能和成本优势，最终仍取决于合作伙伴的系统实现、软件生态的成熟度，以及企业客户对智能体计算基础设施的真实需求。
热门跟贴