CPU
中央处理器，计算机的核心组件，负责执行指令和处理数据，是数据中心通用计算的基础。
核心事实
时间轴 (近 90 天)
GPU 路径在小数据量上可能与 CPU 路径走向不同分支，导致边界场景只在生产规模下暴露，因此 Agent 生成代码后必须保留一套覆盖边界值的小数据集回归测试。
UDF 之外的开销可能吃掉 GPU 加速收益：数据在 CPU 与 GPU 之间来回传输的代价很高，如果一段 GPU UDF 前后夹着频繁 fallback 到 CPU 的算子，整体反而变慢，因此迁移应以整条算子链为单元评估，而不是单点替换。
CPU 与 GPU 实现即使逻辑一致，也可能在浮点累加顺序、空值（NaN/Null）传播、整数溢出和时区转换上产生差异，因此 Agent 生成的候选实现必须通过与原始 UDF 的样本比对来验证，验收时应用相对误差或绝对误差阈值而非严格相等。
在CPU上，低比特量化权重能直接降低内存带宽压力，并让推理使用int8或更窄位宽的向量化指令（如AVX-VNNI）。
在大模型推理流水线中，文本必须先由CPU转成token，GPU才能开始工作，因此分词的CPU开销位于GPU计算的关键路径前端。
现代CPU两条指令之间的间隔只有约三分之一纳秒，使竞态bug的出错时间窗口极小且具有涌现性
传统基于CPU的科学图像处理管线面对高通量仪器的数据流存在算力瓶颈，数据采集速度远超后端处理能力
CPU拥有少量但功能强大的通用计算核心擅长串行逻辑，而现代GPU拥有数千乃至数万个相对简单的并行计算单元
传统架构中GPU完成计算后需与其他节点交换数据时必须将控制权交回CPU，CPU负责准备网络描述符、触发传输、轮询完成状态，引入显著延迟
在构建下一代AI基础设施时，CPU选型将重新回到重要位置，而不应将预算全部倾斜给GPU
还有 34 条时间轴事件
全部知识事实 (20)
传统 PC 架构中 CPU 与 GPU 拥有各自独立的内存池，数据在两者之间传输会产生带宽瓶颈
65%待验证对于大部分CPU推理工作负载，小的独立分块搭配并行工作进程比大型推理批次更高效
60%待验证在纯GPU推理加低并发场景下,CPU前置处理时间可能只有几十毫秒甚至更低,相对于整个请求数秒的生成时长可忽略不计
60%待验证纯CPU推理通常比GPU推理慢5-10倍
60%待验证CPU 与 GPU 实现即使逻辑一致，也可能在浮点累加顺序、空值（NaN/Null）传播、整数溢出和时区转换上产生差异，因此 Agent 生成的候选实现必须通过与原始 UDF 的样本比对来验证，验收时应用相对误差或绝对误差阈值而非严格相等。
50%待验证UDF 之外的开销可能吃掉 GPU 加速收益：数据在 CPU 与 GPU 之间来回传输的代价很高，如果一段 GPU UDF 前后夹着频繁 fallback 到 CPU 的算子，整体反而变慢，因此迁移应以整条算子链为单元评估，而不是单点替换。
50%待验证GPU 路径在小数据量上可能与 CPU 路径走向不同分支，导致边界场景只在生产规模下暴露，因此 Agent 生成代码后必须保留一套覆盖边界值的小数据集回归测试。
50%待验证在CPU上，低比特量化权重能直接降低内存带宽压力，并让推理使用int8或更窄位宽的向量化指令（如AVX-VNNI）。
50%待验证在大模型推理流水线中，文本必须先由CPU转成token，GPU才能开始工作，因此分词的CPU开销位于GPU计算的关键路径前端。
50%待验证现代CPU两条指令之间的间隔只有约三分之一纳秒，使竞态bug的出错时间窗口极小且具有涌现性
50%待验证CPU拥有少量但功能强大的通用计算核心擅长串行逻辑，而现代GPU拥有数千乃至数万个相对简单的并行计算单元
50%待验证传统基于CPU的科学图像处理管线面对高通量仪器的数据流存在算力瓶颈，数据采集速度远超后端处理能力
50%待验证传统架构中GPU完成计算后需与其他节点交换数据时必须将控制权交回CPU，CPU负责准备网络描述符、触发传输、轮询完成状态，引入显著延迟
50%待验证在构建下一代AI基础设施时，CPU选型将重新回到重要位置，而不应将预算全部倾斜给GPU
50%待验证英特尔等芯片厂商试图通过优化CPU/NPU推理效率和提供本地部署方案，降低对高价云端算力的依赖
50%待验证传统存储访问路径需要数据多次经过CPU内存中转，消耗CPU周期并在GPU与存储间制造性能鸿沟
50%待验证在CPU上单环境训练小型DQN时，吞吐量约为400步/秒，增加线程数无法改善
50%待验证这笔交易是对CPU算力的押注，而非GPU资源
50%待验证数据清洗、特征工程、API网关、负载均衡、日志处理等胶水层工作负载均以CPU为主
50%待验证工具调用中运行代码、解析数据、访问API、执行文件操作和调度编排等工作负载不依赖GPU而占用CPU算力
50%