打破 “AI 只能依賴 GPU” 的迷思！五大用例彰顯 CPU 在 AI 應用中能效、安全性以及成本效益等優勢。

1. 經典機器學習 (ML)

經典 ML 算法依賴于順序處理，對并行計算需求較低。基于這些原因，經典 ML 工作負載能夠在 CPU 上高效運行和有效利用 CPU 的大容量緩存和高內存帶寬，從而更為經濟高效地提供快速、可靠的結果。

關鍵 CPU 特性：更出色的單線程性能、更大緩存容量、更高內存帶寬

工作負載示例：推薦系統、決策樹/隨機森林、支持向量機 (SVM)

2. 深度學習 (DL)

對于需要實時輸出結果的 DL 工作負載，特別是用于推理的輕量級神經網絡，可使用 CPU 來加速處理。

這種方法非常適用于計算機視覺和聊天機器人等對能效和低時延要求嚴苛的應用。

關鍵 CPU 特性：集成更多內核、單指令多數據 (SIMD) 指令集、更低時延

工作負載示例：自然語言處理（簡單模型）、推薦系統、計算機視覺

3. 生成式 AI

企業需具備開發和部置生成式 AI (Gen AI) 解決方案，并讓其兼顧成本效益與可擴展性的能力。借助在內存帶寬上的優勢及更強的算力支持，CPU 為滿足這一需求奠定了基礎。INT8 量化等技術降低了計算需求，從而簡化了 AI 解決方案的開發和優化。

關鍵 CPU 特性：更大內存容量、更高帶寬、內置 AI 加速技術

工作負載示例：經過量化的中小型大語言模型（參數量低于 200 億）、文本生成、圖像生成

4. 代理式 AI

大規模部署自適應智能自動化系統需要兼顧更優的能效與性能表現。代理式 AI（利用能做出實時決策并據此采取行動的自主系統）可充分發揮 CPU 的順序處理能力和高能效架構優勢，使物流和制造等行業能夠大規模部署這類系統，同時減少對高功耗專用 AI 加速器的依賴。

關鍵 CPU 特性：更出色的的單線程性能（學習型智能體）、集成更多內核（多智能體系統）、更高能效

工作負載示例：學習型智能體、多智能體系統

5. 更安全的 AI

保護好敏感數據和專用模型至關重要，尤其是在醫療和金融等行業。配備基于硬件的加密技術、能實現可信執行環境的 CPU 有助于更輕松地保護醫療診斷輔助等 AI 應用及其關鍵數據，并簡化 GDPR（《通用數據保護條例》）等法規的合規流程。

關鍵 CPU 特性：硬件級安全防護、可信執行環境、基于硬件的加密加速

工作負載示例：加密 ML、AI 模型保護

英特爾® 至強® 處理器集成的 AI 特性

借助基于 CPU 的解決方案（如英特爾® 至強® 6 處理器），企業和機構不僅可提升多樣化工作負載的性能，還能提升 AI 投資回報率 (ROI)。英特爾始終以開放性、高效性和安全性為重，助力數據中心迎接下一波 AI 創新浪潮。