企业级智能体需要检索专有数据、调用模型、访问应用程序、执行代码并应用安全策略，而且在完成任务前，通常会反复执行这些操作。因此，智能体AI不仅是一场模型层面的比拼，更是基础设施层面的挑战。
英特尔委托IDC开展了一项调查研究，结果显示，这一变化正在进入企业的战略视野：89%的IT决策者预计，在未来12至24个月内，智能体AI将在其IT职责中占据重要地位。然而，在受测类别中，智能体AI基础设施的投入却最少，仅有56%的企业表示相关投入充足或基本充裕。
机会不在于简单地增加更多AI基础设施，而是要制定一套契合企业实际运营模式的基础设施战略：采用混合部署模式和异构计算架构，并以更加动态的方式，根据具体任务需求匹配资源。
这也意味着，我们需要跳出对单一组件的关注，而着眼于整个系统的协同运转。
企业级AI将追随企业数据部署
IDC调研发现，55%的受访者在私有IT与公有云之间采取均衡布局，38%的受访者则主要或完全倾向于私有IT。与此同时，预计今年，各企业和组织在核心数据中心、边缘环境、机房托管、主机托管以及公有云领域的支出均将增长。
关键数据：
55%的受访者在私有IT与公有云之间采取均衡布局；
38%的受访者主要或完全倾向于私有IT；
45%的受访者将数据中心基础设施现代化或整合列为IT优先事项。
原因很直接：企业应用和数据本就分布在这些环境中。智能体AI让这一现实变得更加重要。
部分工作负载将受益于公有云的规模优势与服务能力；另一些工作负载则出于时延、成本、安全、治理或集成方面的要求，需要在更靠近企业数据的位置运行。
因此，核心战略在于将AI部署在最合理的地方。这正是混合AI正逐渐成为企业级AI自然选择的原因。
这也是基础设施现代化至关重要的原因。IDC调研显示，45%的受访者将数据中心基础设施的现代化或整合列为首要IT重点，安全、合规与业务韧性同样位居前列。智能体AI并非独立于这一现代化进程之外，而是日益成为加快这一进程的动因之一。
智能体AI让架构设计成为系统性课题
该调研还揭示了采购者对算力的思考。针对智能体AI，27%的受访者认为，GPU是决定性能的主导因素，而24%则认为CPU最重要。更重要的信号来自中间阵营：约半数受访者认为，性能表现取决于具体应用场景，CPU与GPU在其中各司其职。
智能体AI不是采购GPU集群那么简单。它需要通过异构算力组合来最大化词元（Token）价值——不仅衡量每单位成本所能产出的词元数量，更看重实际业务成果的质量与实用价值。
因此，企业级AI的未来不是“CPU与GPU之争”，而是至少需要“CPU+GPU”的组合，并且越来越多地引入其他加速器。
换言之，这是一项系统级挑战。
调研中有关部署偏好的数据进一步印证了这一点。约40%的采购者，倾向于采用标准服务器部署智能体AI解决方案，包括配备专用向量或矩阵加速功能的CPU服务器，以及支持选配PCIe加速卡的系统。
这正是英特尔®至强® 处理器在设计之初就着力支持的运行环境。智能体工作流既需要强大的本地推理、嵌入计算和向量数据库性能，也需要支撑高并发工具路由、微服务和API调用的吞吐能力。至强在性能核平台上集成了矩阵与向量加速能力，结合高密度能效核平台的编排扩展能力，无需客户重构数据中心，即可增加专用计算能力。
智能体工作流在模型推理、检索、应用逻辑、代码执行、数据传输、网络及安全等环节之间反复切换。没有任何单一处理器能够完成所有工作。基础设施必须协调不同的计算引擎，确保它们保持互联、高效利用，并与具体任务精准匹配。
这正是系统级别的解决方案的重要性所在。系统级方法的核心不在于拥有每一个组件，而是要促进组件之间的协同。
随着智能体AI规模化发展，性能表现与经济效益越来越取决于整个系统完成有效工作的效率，而非单颗芯片的表现。
x86为企业提供务实可行的AI落地路径
企业内部现已部署了极其庞大的通用基础设施。其核心应用、数据库、安全系统、运维工具以及绝大多数数据，都已经在现有环境中运行。
而部署智能体AI并不意味着要构建一座独立的“AI孤岛”。相反，AI可以直接融入承载企业日常运营的既有基础设施之中。
调研显示，x86架构在这一过渡进程中依旧占据显著优势。采购者对x86和市面上的其他架构在智能体AI场景中的适用性评价几乎不相上下，分别为87.5%和87.2%。然而，一旦讨论从理论探讨转向AI大规模落地，二者的差距便一目了然：在12项受测指标中，x86在其中9项上均处于领先地位，包括软件兼容性（88%对80%）、可扩展性（89%对81%）、可靠性与韧性（88%对82%）、当前采用率（88%对77%）以及技术认知深度（92%对83%）。尽管市面上的其他架构在价格、能效和满意度方面略有优势，但x86的优势，与企业在将智能体AI从概念验证转向生产部署时所面临的实际运营需求高度契合。
这一既有优势非常重要，因为，企业并不是在一个从零开始的环境中部署AI。它们拥有着数十年积累的应用、数据、治理流程和运营经验。至强庞大的既有部署基础，为企业提供了一个熟稔可靠的平台，使得企业能够将智能体能力，顺畅引入到专有数据和现有工作流之中，而不是为其单独搭建一套孤立的系统。
软件则有助于将上述硬件基础转化为敏捷的AI环境。英特尔向上游开源框架（包括PyTorch、vLLM和OpenVINO等）贡献优化成果，推动模型、编排框架及专用加速器与企业现有软件栈的深度融合。
硬件与软件相辅相成、密不可分。开放软件赋予企业充分的灵活性，支持其在不同至强CPU及各类互补加速器之间从容部署模型，而无需将其基础设施战略绑定在单一专有架构之上。
英特尔的作用：让AI融入企业既有运营体系
英特尔相信，AI发展的下一阶段，将取决于企业如何高效地将智能转化为覆盖全业务流程的实际生产力。
这就要求，基础设施既能利用企业既有资产，又能逐步增加AI能力。
至强仍是企业应用、数据及通用计算的基石，为企业日常运营提供支撑。随着AI逐渐向智能体演进，至强也在围绕加速推理的编排、应用执行、数据检索、安全、网络以及工具调用等环节中，扮演着举足轻重的枢纽角色。与此同时，在工作负载对特定算力有需求时，GPU及其他专用加速器则适时提供算力支撑。
当下的关键契机，在于让这些计算资源实现更高水平的协同运转。
这正是英特尔所倡导的“系统级方法”的应有之义：不在于拥有每一个组件，而在于设计好我们的技术与软件，让CPU、加速器、内存、网络乃至更广泛的软件栈紧密协同，形成一个更高效的整体。
企业客户的最终目标，是借助既有运行的基础设施与新引入的AI能力，最大化整个系统所能完成的有效工作，而不是追求某一个组件的性能最大化。
为合适的智能匹配适合的算力，并在最契合的工作负载上各得其所。
这意味着，基础设施需要拥抱混合部署和异构计算，在软件层面保持开放，并扎根于已经投入运营的企业环境之中。
过去几年，AI行业一直在证明模型能做什么。下一阶段，更重要的是让智能落地，真正进入真实的企业数据、应用与工作流之中。
唯有如此，智能体AI才能从实验室中所谓的尖端科技，转变为解决现实问题的实用利器。
