88-ядерный Vera от Nvidia, 136-ядерный Arm AGI CPU и 192-ядерный AWS Graviton 5 подают как процессор для AI-агентов. Проблема в том, что никакой отдельной «агентной» категории CPU, похоже, не существует: для бизнеса и команд разработки это скорее история про старую добрую инфраструктурную развилку, где все снова упирается в latency, throughput, память и цену стойки.
Именно к такому выводу приходит The Register: AI-агенты не образуют особый класс нагрузки, а выступают прослойкой между моделью и привычными приложениями, которые компании запускают уже много лет. Иначе говоря, под модным ярлыком процессор для AI-агентов продают не магический новый кремний, а вполне обычные процессоры общего назначения, просто переупакованные в актуальную риторику AI-цикла.
Поводом для дискуссии стала свежая волна маркетинга от крупных игроков. Arm назвала свой первый датацентровый чип AGI CPU. Nvidia продвигает Vera как «CPU for agents». AWS в материалах по Graviton 5 тоже активно использует лексику agentic AI. Но если убрать презентационные слайды, разница между этими чипами объясняется не тем, что один «понимает агентов», а другой нет. Разница прозаичнее: где-то сделали ставку на пропускную способность памяти, где-то на однопоточную производительность, где-то на плотность ядер и энергоэффективность.
У Nvidia это особенно заметно. 88-ядерный Vera ориентирован на высокую производительность на поток, большой запас памяти и быстрый interconnect. Дженсен Хуанг на GTC Taiwan объяснял это без лишней философии: рядом с дорогими GPU CPU должен работать с минимальной задержкой, потому что ждать никто не хочет. Логика понятная и коммерчески безупречная. Но это не делает Vera «особым» процессором для AI-агентов. Он просто заточен под сценарий, где CPU обслуживает GPU-контур и помогает быстрее гонять данные между узлами системы. Для Nvidia, которая живет на продаже ускорителей, это естественная архитектурная ставка.
Arm смотрит на ту же задачу с другой стороны. По описанию The Register, AGI CPU больше похож на довольно обычный Neoverse V3 с 136 ядрами, из которого убрали то, что агентным сценариям, вероятно, не слишком нужно: нет simultaneous multithreading, минимум векторных расширений, нет выделенных ускорителей, зато есть упор на пропускную способность памяти и снижение энергопотребления. Amazon идет еще дальше в сторону универсальности. Ее 192-ядерный Graviton 5, представленный на Re:Invent прошлой зимой, выглядит как масштабированная версия той же идеи на базе Neoverse V3. То есть не «специальный мозг для агентов», а еще один серверный CPU, который можно удачно вписать в определенный профиль нагрузки.
На этом фоне неудивительно, что Intel и AMD не собираются отдавать тему Arm-лагерю. Intel на Computex в начале июня показывала эталонные rack-дизайны с плотностью до 36 864 x86-ядер в стойке мощностью 100 кВт. AMD после первых бенчмарков Vera, наоборот, попыталась сместить разговор с задержки на параллелизм: компания утверждает, что при запуске агентов в масштабе важнее не минимальный отклик одного процесса, а общая пропускная способность платформы. В этой логике будущие 256-ядерные Venice Epyc, которые AMD ждет позже в 2026 году, в пределах того же 100-киловаттного бюджета должны давать в 3,3 раза более высокий throughput на стойку, чем Vera. Это уже не спор про «правильный AI-чип», а обычная серверная война метрик: кто что считает главным KPI.
Любопытно, что даже ранние независимые тесты не подтверждают существование универсального победителя. В конце мая Phoronix получила ранний доступ к Vera и прогнала часть набора тестов, который сама Nvidia сочла показательным для целевого рынка. Геометрическое среднее у Vera оказалось на 10 процентов выше, чем у 128-ядерного AMD Epyc 9575F, и на 55 процентов выше, чем у 128-ядерного Intel Xeon 6980P. Цифры сильные, спорить бессмысленно. Но если смотреть по отдельным приложениям, картина быстро теряет рекламную простоту: в одних сценариях Vera выглядит отлично, в других отрыв уже не кажется универсальным аргументом в пользу одной архитектуры на все случаи агентной жизни.
Для русскоязычной IT-аудитории отсюда следует довольно практичный вывод. Если у вас в roadmap появились AI-агенты, это еще не означает, что нужно срочно искать какой-то особый процессор для AI-агентов. Сначала полезнее разложить нагрузку по слоям: где модель, где orchestration, где внешние API, где базы, где очереди, где старые корпоративные сервисы, к которым агент только ходит по поручению. У одной команды узким местом окажется память и сетевой обмен с GPU, у другой — количество параллельных сессий, у третьей — цена ватта в стойке, у четвертой — хвосты latency на интеграции с давно живущими системами. И в этом смысле AI-агенты не ломают базовую инженерную логику датацентра, а всего лишь добавляют еще один слой оркестрации поверх знакомых bottleneck'ов.
Рынок, похоже, движется не к появлению «единственного верного» CPU под агентный AI, а к еще более дробной сегментации серверных платформ. Вендоры будут продавать один и тот же тезис разными словами: кому-то важнее низкая задержка рядом с GPU, кому-то — плотность ядер, кому-то — память и энергопрофиль. Вопрос теперь не в том, существует ли специальный класс agentic CPU, а в том, сколько еще обычных серверных решений отрасль успеет переименовать в него, прежде чем покупатели снова начнут смотреть не на слоганы, а на профили реальной нагрузки.