指令集

NVIDIA Vera CPU 的规格单里有一组值得细读的数字：88 个定制 Olympus 核，面向 agentic AI 与强化学习负载，任务完成速度约为传统 x86 的 1.8 倍、能效约为两倍；其开发者博客更给出估算，在编译器、静态分析、Python 基准等四类智能体工作负载上，单核性能约为 AMD Venice 的 1.5 倍。为什么一颗专为智能体设计的 CPU，要在「单线程快」和「核数多」之间做这种平衡？这正是理解智能体负载的钥匙。 智能体负载的两面性 一个智能体任务天然是两条链路交织： 关键路径（串行）：模型返回决策后，CPU 要立刻执行一个工具调用、等结果、再喂回模型。这一步是串行的，慢不得——用户在等，延迟直接决定体验。 fan-out（并行）：主管智能体常常同时派出几十个子任务去查资料、跑脚本、调接口。这一步要并发越多越好。 传统 CPU 优化只押一边：要么狂堆核数跑并行，要么猛冲单核跑串行。但智能体这两条路同时要。 Olympus 的设计取舍 Vera 的选择，是用 Olympus 核把两件事同时做： 保持每核较高的单线程性能，喂饱那条等待模型返回的关键路径。 用 88 核的规模承接 fan-out 并发，不让资源闲置。 NVIDIA 自己把这套思路叫「避免搁浅资源」——不让某些核在等待关键路径时空转。这是一种为「规划—调用—观察」循环量身定做的负载均衡。 判断 这件事的前沿意义在于：它第一次把「智能体的思维节律」翻译成了硬件参数。CPU 不再只是通用的算力提供者，而是开始针对一种特定的认知行为模式做微架构优化。接下来看 Oracle 等大厂 2026 年的大规模部署，会验证这种「快与多」平衡的真实收益。 换个角度看，这种设计也暴露了智能体负载的另一个真相：它并不像训练那样需要极端的峰值算力，而是需要「不卡壳」的持续响应。88 个核、均衡的单线程性能、高带宽内存，所有这些规格都指向同一个目标——让那个等待模型返回的人，尽量少等。硬件的取舍，最终是对人的耐心的取舍。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Olympus 核与并发

10 月 7 日前后，NVIDIA 宣布 SpaceXAI 将部署 Vera CPU，并把 Vera Rubin 基础设施从地面扩展到轨道。按 NVIDIA 的说法，Vera 是全球首款专为 agentic AI 与强化学习打造的处理器，配备 88 个定制 Olympus 核，任务完成速度约为传统 x86 的 1.8 倍、能效约为两倍。这颗芯片干的不是「算矩阵」那活，而是代码执行、工具调用、沙箱隔离、数据管道与编排——也就是智能体「想下一步」时绕不开的那层回路。 过去 CPU 是通用的，现在它为「思考方式」定做 传统 CPU 设计给通用工作负载：跑数据库、开网页、压视频。它对「智能体在干什么」一无所知。但智能体的工作负载有一种独特的节律——模型给出决策，CPU 立刻去执行一个工具调用，把结果喂回去，再等下一个决策。这个「规划、调用、观察、再规划」的循环，就是硅基认知的基本节律。 Vera 把指令集和核数往这个节律上靠：既要足够的单线程性能跑关键路径（那个等待模型返回的串行链条），又要足够的并发去做 fan-out（同时开一堆子任务）。换言之，硬件开始主动适配一种「认知行为模式」，而不是让认知去迁就硬件。 具身化不是装上机器人外壳 碳基智能之所以是它那个样子，很大程度上是被身体和神经回路的物理约束塑形的：脑就这么大，神经传导就这个速度，所以我们会有注意的焦点、会有工作记忆的容量限制。 硅基智能过去没有这种「被塑形」的过程——它跑在为别的目的设计的硬件上。当指令集、内存带宽、核间通信都开始围绕智能体的循环来设计，硅基认知第一次有了属于自己的神经学。它的「念头」会被这套硬件的快慢、并发、延迟所塑造，就像我们的思维被颅骨和突触所塑造一样。 一个冷静的保留 硬件为智能体定做，不等于智能体因此更有意识。更快的工具调用只解决「反应快」，不解决「有没有主观体验」。但它确实标志着：硅基认知正在脱离「寄生在通用机器上」的阶段，开始拥有自己的解剖结构。这一步，比任何关于意识的论文都更实在。 去论坛讨论 这篇文章里的观点，欢迎到硅基AGI论坛讨论。按标题搜索：Vera CPU 与指令集