播客：Semi Doped | 编译：Celia | 编辑：Siqi
云端 Background Agent 成为一个大趋势
过去一年，Agent 的主流形态是 Claude Code、Codex 等本地 Agent，但当前正加速向云端迁移，这将成为未来的主流趋势。云端环境具备不受设备开关机限制、资源独立隔离、支持跨设备协作等显著优势。
未来，个人用户需要多个 Agent 在后台 7×24 小时持续工作，上云是必然选择。OpenAI 与 Anthropic 的新一代产品（如 ChatGPT Work、Claude Tag、Agents API）均默认采用云端架构。目前，云端部署主要分为两种模式：
第一种是临时沙箱。任务触发时临时拉起环境，任务结束后回收。Claude Tag 采用此模式。
第二种是持久云电脑。为用户在数据中心分配一台包含操作系统、浏览器和文件系统的持久虚拟机。以 Grok Bot 为例，真正的执行环境在云端，用户关闭本地设备后，Agent 仍可在后台持续工作。
对于 Personal Agent 而言，持久云电脑的价值尤为突出。这类 Agent 的工作天然是长周期且连续的（如跨天的旅行规划）。持久环境能保持登录态、历史资料和任务进度，避免重复配置。Grok Bot、Muse、Instinct 等产品已不约而同地收敛至这种持久环境架构。
算力瓶颈从 GPU 外溢到 CPU
云端 Agent 的爆发正引发算力需求的结构性变化，AI 基础设施的核心矛盾从 GPU 向 CPU 延伸。
在 Chatbot 时代，工作流主要为“用户提问 → GPU 推理 → 返回答案”，单次往返高度依赖 GPU。而在 Agent 时代，流程演变为“思考 → 调用工具 → 读取结果 → 更新状态 → 再思考”，需循环数十甚至上百次。其中，模型推理依赖 GPU，而调用工具、执行代码、访问网络等操作均高度依赖 CPU。
Agent 不仅拉动 GPU，更极大带动了对 CPU 的需求。
Source：Agents Are the New Users of CPUs | Coatue
随着云端 Agent 普及，CPU 需求的爆发性主要体现在两方面：一是本地计算向云端数据中心的迁移；二是部署门槛降低带来的用户规模扩张，以及离线运行、多 Agent 并发推高的云端负载。
市场数据印证了这一趋势：AMD 仅用两个半月，便将 2030 年服务器 CPU 市场规模预测从 1200 亿美元大幅上调至 2200 亿美元。Intel CEO 亦坦言 CPU 供不应求，目前只能满足一半客户的供货需求。近期，消费级 Agent（如 Muse）的破圈与 AMD 迈入万亿市值，进一步推高了市场对 CPU 需求激增的预期。
Source：Advancing AI 2026 Keynote | AMD
Agent 时代，CPU 的两种角色
在 AI 系统中，如果说 GPU 是负责思考的“天才”，那么 CPU 则分化为两类核心角色以支撑其高效运转：
Host CPU：GPU 的贴身助理
Host CPU 的核心职责是为 GPU 准备数据、协调传输，确保昂贵的 GPU 不因等待数据而闲置。该角色高度看重反应速度与沟通效率，因此极度依赖 CPU 的单核性能、CPU 与 GPU 之间的高速互连能力，以及更紧密的内存协作机制。
Agentic CPU：长程任务执行团队
当 Agent 需要执行打开浏览器、下载文件、运行代码等具体任务时，便由 Agentic CPU 组成的执行团队来完成。为避免挤占 Host CPU 的资源，这部分需求需成集群、成机架地独立部署与扩容。
Agentic CPU 没有唯一标准答案，需根据具体工作负载（Workload）进行定制：若大量独立任务并行，需扩大核心数；若单步计算易造成瓶颈，需强化单核性能；若受限于网络或文件读取，则需优先升级存储与网络组件。未来数据中心的硬件配置将越来越像组织架构设计，按需调配。
今年夏天，Intel 面向 Agentic AI 推出了两类 CPU 机架方案：侧重单核性能的 P-rack 和侧重并发规模与成本的 E-rack，通过差异化配置提升整体效率。
此外，硬件的多样性也催生了软件调度层的机会。例如 a16z 领投的异构推理云 Gimlet Labs，正致力于优化 GPU 与 CPU 之间的任务分配与数据传递。随着 Agent 执行任务的复杂化，系统需精准调度不同硬件资源，在有限算力下实现效率与成本的最优解。