Масштабная перебалансировка: как агентный ИИ меняет соотношение ЦП и ГП.

16.04.2026 Искусственный интеллект, использующий агентные технологии, приводит к структурным изменениям в соотношении процессоров и видеокарт, а также вызывает дефицит предложения, из-за чего Intel и AMD повышают цены.В марте 2026 года сразу же последовали два объявления: Nvidia начала продавать свой процессор Vera как отдельный продукт, а Arm представила свой первый процессор собственной разработки — Arm AGI CPU. Тот факт, что компания, занимающаяся графическими процессорами, и фирма по лицензированию интеллектуальной собственности решили выйти на рынок процессоров в одном и том же месяце, не случаен. Это отражает структурный сдвиг в том, как центры обработки данных, работающие с ИИ, оценивают спрос на процессоры.Роль ЦП в агентном ИИИсторически сложилось так, что центральные процессоры служили «мозгом» серверов центров обработки данных, обрабатывая сложную логику, выполняя последовательную обработку и классические задачи машинного обучения, такие как линейная регрессия и деревья решений.Бум искусственного интеллекта изменил эту динамику. Теперь модели ИИ требуют масштабного параллельного умножения матриц, с которым графические процессоры (GPU) — с их невероятно параллельной архитектурой — способны справляться в больших масштабах. Центральные процессоры (CPU) были вынуждены сжимать данные из памяти и передавать их на GPU. В результате сегодня центры обработки данных для ИИ работают с соотношением CPU к GPU примерно от 1:4 до 1:8.Развитие ИИ-агентов меняет этот баланс. В отличие от статических LLM, агентный ИИ предназначен для динамического взаимодействия со своей средой — планирования задач, вызова инструментов, принятия решений и выполнения действий от имени пользователей. Уровень координации, управляющий всем этим — планированием подзадач, маршрутизацией вызовов инструментов, передачей данных между субагентами и оценкой выполнения исходного запроса — полностью ложится на центральный процессор. Именно это делает оркестровку ресурсоемкой задачей для ЦП.Агентное обучение с подкреплением (Argentic RL) создает дополнительную нагрузку. При обучении агентов ИИ с помощью обучения с подкреплением (RL) каждое действие агента должно быть оценено — процесс, который создает дополнительную нагрузку на центральный процессор.