AI 算力不只是 GPU 的事:微软为何加码 Intel Xeon?
2026年11月18日,英特尔发布了一份重量级合作公告:微软宣布扩大两家公司在 Azure 云平台上的基础设施协作,锁定了多年期的 Xeon 至强处理器供应,涵盖代号为 Diamond Rapids 的下一代服务器 CPU。更重要的是,微软成为全球首家在其自用定制硅片中采用 Intel 代工 EMIB(嵌入式多芯粒互连桥接)先进封装技术的公司。测试数据显示,搭载新技术的 M-series v4 虚拟机在处理密集工作负载时,性能最高提升 2.3 倍;而支持 Intel QAT 加速的实例,SQL 数据库备份速度实现了 2.5 倍的飞跃。
这不是简单的供应商续约。这是微软在 AI 算力基础设施建设中的一次底层路线调整——它在 GPU 主导的游戏之外,正把更多筹码押在 CPU 这条线上。
首家客户的筹码:定制芯片中的 EMIB 秘密
EMIB 这项技术听起来枯燥,但它恰恰是当前半导体竞争中最锋利的楔子。简单来说,它允许芯片制造商将不同工艺制造的「芯粒」(Chiplet)像拼图一样嵌入同一个基板,通过高密度互连桥实现跨模块通信。传统方案要么把所有晶体管统一蚀刻在同一块晶圆上,要么接受较低的数据吞吐效率;EMIB 则让定制化灵活性和规模化制造能力得以兼得。
微软选择在此时成为首家落地 EMIB 封装的客户,释放的信号很明确:它的 Azure 定制芯片战略已经从概念阶段进入了量产部署。过去几年,微软和其他大型云服务提供商(包括 Google 和亚马逊)都在研发自有 AI 加速芯片以降低对 NVIDIA 的依赖。但定制硅片的价值不仅在于“自己的芯片自己用”——更在于能否找到一个愿意为这些定制需求提供先进封装工艺的代工厂。Intel Foundry(英特尔代工服务)正是微软当前选中的那个人。
这一选择本身即意味着产业链权力的微妙变化。多年来,台积电几乎垄断了最先进制程下的定制芯片代工业务。微软转向 Intel 代工,说明在封装环节存在差异化优势的同时,头部云厂商正在刻意分散代工风险——不把所有鸡蛋放在一个篮子里,无论是台积电还是 NVIDIA 这样的单一供应商。
Xeon 的回归:当 AI 不再只属于 GPU
如果你关注 AI 行业的叙事,“GPU 统治一切”似乎是铁律。NVIDIA 的 A100、H100 系列芯片几乎成了 AI 训练的代名词,这没错——对于大模型的训练阶段来说,GPU 的并行计算架构确实具有无可替代的优势。但推理阶段和日常云工作负载的画面并非如此简单。
AI 推理(即模型部署后对用户的实时响应)对硬件的要求与训练截然不同。它更看重内存带宽、延迟稳定性和通用计算效率,而非极端峰值算力。Xeon 处理器在 CXL(Compute Express Link,计算快速链路)内存技术支持下,恰好能在这几个方面发力。
CXL 技术允许 CPU 外挂大容量 DRAM 并实现共享访问。搭配 Intel Flat Memory Mode 功能,M-series v4 虚拟机可以突破传统单 NUMA(非均匀访问存储)节点的限制——原本 64 核虚拟机最多只能调用有限内存,现在通过组合 1 TB DRAM 和 1 TB CXL 内存,处理要求更高的数据集时不再是瓶颈。性能提升 2.3 倍不是一个营销话术,而是在对比基准 Standard_M64lds_v4 的实际测试数据中得出的结果。
同时,QAT(QuickAssist Technology)技术通过专用硬件指令集加速加密解密和数据压缩操作。在 SQL 数据库备份场景中,这一加速带来了 2.5 倍的性能提升——这意味着同样的备份窗口内可以处理更大的数据量,或者直接缩短停机维护时间。对于每天管理数以万计虚拟机的 Azure 运营团队来说,这类效率增益累积起来就是实质性的成本节约。
当然,Intel Xeon 重返 AI 舞台并不意味着它将取代 GPU 的地位。两者的分工正在从模糊走向清晰:GPU 负责重负荷训练,CPU 通过新一代架构(如 Granite Rapids、Sierra Forest 及其后继者 Diamond Rapids)承担推理、数据处理和安全隔离等任务。微软的选择实际上是多元化供应商策略的自然延伸——不是“选谁不选谁”,而是“在不同场景最大化利用各自优势”。
成本账与未来布局:为什么是现在?
这份多年期协议的签署时机耐人寻味。截至 2026 年末,微软 Azure 云服务的年度收入已稳定跨越 800 亿美元门槛。随着企业客户加速迁移到云端,以及 AI 应用从实验阶段向生产环境大规模过渡,算力需求的增速正在逼近供给瓶颈。
微软需要确定性的供应链保障。如果等到需求爆发时才临时采购 Xeon 处理器,无论是定价还是交付周期都将处于被动。通过锁定多年期供应,微软提前规划了 Azure 数据中心的基础设施扩容路线图——尤其是 Diamond Rapids 这一代产品,将在未来几年的数据中心建设中扮演关键角色。与此同时,这也给 Intel 提供了一个明确的信号:这家美国最大的云服务商正在愿意为本土制造业的复苏投票,至少在基础设施层面是这样。
从成本角度看,定制芯片 + 先进封装的组合方案有望降低微软每颗 AI 加速单元的单位功耗和物理占地面积。对于占地数百英亩的数据中心而言,这些微弱的单位效率提升乘以庞大的部署基数,最终反映的是极其可观的电费和维护开支节省。
但我们也必须指出当前谈判中的盲区:协议的具体财务条款(总金额、投资规模、付款节奏)均未在官方通报中披露。Diamond Rapids 在各区域数据中心的具体商业化部署时间表同样只有“多年期”这样一个模糊框架,缺乏精确到季度的承诺。这些都是市场参与者可能关心的信息空白。
接下来关注什么
这篇报道的核心意义不在于某一两份新合约的签署,而在于它折射出一个更广泛的趋势——在 AI 基建这场马拉松中,云厂商们不再盲目追求单一供应商的极致性能,转而构建一个更加多元、可控、成本优化的混合算力矩阵。以下几个指标值得持续跟踪:
第一,Microsoft 在后续财报电话会议中是否会进一步披露 Azure 定制芯片的自研比例和 Intel 代工占比,这将判断其去 NVIDIA 化战略的真实推进深度。
第二,Diamond Rapids 在 Azure 各区域的实际上线节奏和性能对标数据——目前仅有实验室环境下的测试成绩,量产部署才是检验可靠性的唯一标准。
第三,Intel Foundry 是否借此案例拿到更多外部客户订单,特别是其他云厂商(Google Cloud、Amazon AWS)。如果微软只是一个孤立案例,EMIB 封装的商业影响力将大打折扣;如果能形成行业范式,那 Intel 代工体系才算真正站稳脚跟。
第四,AMD 在 Xeon 竞争中的反应速度和策略调整。无论微软是否公开表态,Xeon 份额的任何实质性扩张都会在 AMD EPYC 的定价空间和毛利率上产生连锁反应。
第五,NVIDIA 在推理市场的策略演变——面对 CPU 份额上升和自家推理芯片(如 Inferentia 系列)推广力度加大,如何在训练与推理之间找到新的利润护城河。
算力市场的故事远没有在 GPU 巅峰期写完。下一个阶段的竞争,将从「谁的卡更强」升级为「谁能以更低的成本调度更好的资源」。这或许比任何单一产品的参数表更能定义 AI 基础设施的未来。


