Intel（英特尔）：错过GPU黄金时代之后，能否靠AI推理、Xeon和制造能力重新杀回来？
Intel（英特尔，NASDAQ：INTC）是全球最著名的半导体企业之一，也是现代CPU产业最重要的奠基者之一。
如果把过去几十年的计算机产业史写出来，Intel几乎不可能缺席。
从x86处理器、Pentium，到Core和Xeon，Intel曾经长期控制个人电脑和服务器CPU市场。
但是人工智能时代到来之后，情况发生了巨大变化。
AI训练最需要的已经不再只是CPU，而是拥有海量并行计算能力的GPU和专用AI加速器。
NVIDIA抓住了这个机会。
AMD也迅速追赶。
而曾经统治数据中心计算市场的Intel，却在这一轮AI浪潮中明显落后。
Gaudi 3继续承担专用AI加速器任务，
Crescent Island转向大显存、低功耗AI推理，
Core Ultra和NPU进入AI PC，
OpenVINO和oneAPI负责软件，
Intel Foundry则试图利用18A、先进封装和美国本土制造能力切入整个AI芯片供应链。
因此今天再看Intel，最值得关注的问题已经不是：Intel能不能造AI芯片？
而是：Intel还能不能在NVIDIA已经遥遥领先的情况下，重新找到属于自己的AI市场？
Intel是谁？
Intel成立于1968年。
创始人是Robert Noyce和Gordon Moore。其中Gordon Moore后来提出著名的“摩尔定律”。
Intel最早的重要产品之一是存储芯片，但真正改变公司命运的是微处理器。
1971年，Intel推出4004。
随后又陆续推出：
8080
8086
80286
80386
80486
Pentium
Core
Xeon
等处理器。
尤其是IBM PC采用x86体系之后，Intel逐渐成为个人电脑时代最重要的芯片企业之一。
后来“Wintel”体系，也就是Windows加Intel，几乎统治了整个PC产业几十年。
到了服务器时代，Intel Xeon同样取得巨大成功。
因此在AI时代之前，如果有人问：世界上最重要的计算芯片公司是谁？Intel几乎一定会排在最前面。
但AI改变了游戏规则
传统服务器时代，CPU是数据中心的绝对中心。
数据库运行在CPU上。
虚拟机运行在CPU上。
大量企业软件同样运行在CPU上。
Intel因此依靠Xeon建立了极其强大的数据中心业务。
但是深度学习带来了完全不同的计算模式。
神经网络需要执行大量：矩阵乘法，向量运算，Tensor计算 以及可以高度并行执行的数学任务。GPU恰好非常适合这种工作。
于是原本用于游戏图形计算的GPU逐渐变成AI训练的核心处理器。
这也是NVIDIA真正崛起的起点。
Intel过去最大的优势是CPU。但是到了生成式AI时代，这反而变成了一个历史包袱。Intel在CPU世界太成功，以至于没有像NVIDIA一样提前把整个公司押注到GPU加速计算上。
Intel并不是现在才开始做AI
2016年，Intel收购深度学习芯片公司Nervana Systems。Nervana当时正在开发专门用于神经网络训练的处理器。
Intel一度希望通过Nervana快速进入AI加速器市场。但是后来Nervana路线并没有真正形成强大的市场产品。Intel随后改变方向。
2019年，Intel又花费大约20亿美元收购以色列AI芯片公司Habana Labs。
Habana拥有两条重要产品路线：
Goya主要针对AI推理，
Gaudi主要针对AI训练。
最终，Intel逐渐把Gaudi发展成自己的主要数据中心AI加速器品牌。
Gaudi：Intel真正进入AI加速器市场的核心产品
Gaudi和传统GPU有一些不同。
它从一开始就是围绕深度学习工作负载设计的AI加速器。
第一代Gaudi已经集成：
矩阵计算单元，
Tensor处理核心，
HBM高带宽内存，
以及高速Ethernet接口。
Intel的一个核心思路非常明确：不要建立完全专有的GPU互连系统，而是尽可能使用标准Ethernet构建大型AI集群。
这与NVIDIA形成明显区别。
NVIDIA大量依赖：NVLink，NVSwitch，InfiniBand 以及自己的CUDA软件生态。
Intel则一直强调：Ethernet，开放标准，开放软件 以及降低Vendor Lock-in。
这种思路后来一直延续到Gaudi 2和Gaudi 3。
Gaudi 2让Intel第一次真正进入大模型竞争
Gaudi 2推出之后，Intel开始更加明确地把目标对准大型语言模型训练和推理。
随着ChatGPT爆发，市场对NVIDIA H100的需求极其庞大。GPU供应一度非常紧张。这给AMD和Intel都创造了机会。
Intel开始把Gaudi定位成：NVIDIA之外更加开放、成本更低的AI加速器选择。
但Gaudi 2虽然获得了一些客户和云计算部署，并没有真正改变NVIDIA在AI训练市场的统治地位。
于是Intel继续推出Gaudi 3。
Gaudi 3：Intel现阶段最重要的专用AI加速器
Gaudi 3是Intel目前最重要的Gaudi AI加速器。
Intel把它定位于：
大型语言模型，
多模态AI，
企业RAG，
AI训练，
AI推理
以及大型AI集群。
Gaudi 3配备128GB HBM2e高带宽内存。
Intel称，其FP8 AI计算能力最高可以达到Gaudi 2的约两倍，而BF16计算能力最高达到Gaudi 2的约四倍。
但Gaudi 3最有特点的地方之一，并不是单纯的FLOPS，而是网络。
Intel Gaudi 3直接围绕Ethernet进行设计。
Intel希望客户可以使用更加标准化的数据中心网络，而不必完全进入NVIDIA的NVLink、NVSwitch和InfiniBand生态。
为什么Intel一直强调Ethernet？
一套AI训练系统可能需要：
8颗加速器，
几十颗加速器，
几百颗加速器，
几千颗加速器，
甚至几十万颗加速器。
这时候，芯片之间如何交换数据就变得极其重要。
如果AI芯片本身非常快，但网络速度跟不上，大量计算单元就会等待数据。
NVIDIA因此发展NVLink和NVSwitch。
Intel选择了另一种路线：尽可能使用标准Ethernet。
Intel认为这样可以降低 系统成本，专有技术依赖 以及大型数据中心更换网络架构的难度。
对于已经拥有大规模Ethernet基础设施的企业而言，这种设计具有一定吸引力。
但是Gaudi并没有达到Intel最初的期待
Gaudi并没有像NVIDIA H100或者AMD MI300X那样，成为AI产业的明星产品。最大的问题并不一定只是芯片性能。
AI加速器真正的竞争实际上包括：
硬件性能，
软件生态，
开发工具，
框架支持，
分布式训练能力，
模型优化，
客户规模，
云计算支持，
以及开发人员习惯。
NVIDIA拥有CUDA。
AMD拥有ROCm。
Intel虽然拥有自己的Gaudi软件平台、oneAPI和OpenVINO，但整个生态仍然没有达到CUDA的规模。
对AI开发者而言，芯片能跑 和 芯片非常容易跑，是两件完全不同的事情。
Falcon Shores：Intel AI路线经历过一次重要转向
Intel曾经计划推出代号为Falcon Shores的新一代AI和HPC GPU。
它最初被视为Intel整合Xe GPU和Gaudi技术、重新挑战高端AI计算市场的重要产品。
但是2025年，Intel决定不再把Falcon Shores作为正式商业产品推出，而是将其主要作为内部测试平台，用于下一代系统级AI产品研发。
这个决定非常能说明Intel当时面对的问题。
当NVIDIA已经从Hopper推进Blackwell，AMD也从MI300进入MI350的时候，如果Intel继续推出一颗竞争力不足或者时间已经落后的GPU，意义并不大。
于是Intel再次调整战略。
Intel的新方向：不再只想着训练大模型
它并没有继续正面复制NVIDIA：做一颗超大功耗GPU，装上HBM，再去争夺最顶级的大模型训练集群。
原因非常简单。AI产业正在发生变化。
过去几年最吸引眼球的是：谁能训练最大的模型？
但是当大量模型已经训练完成之后，真正持续消耗算力的是：Inference，也就是推理。
ChatGPT回答一次问题，
AI Agent执行一次任务，
企业RAG查询一次文档，
AI生成一张图片，
机器人进行一次判断，
都属于推理。
如果未来有几十亿人和数十亿设备不断调用AI，那么推理市场可能比训练市场更加庞大。
Intel显然希望抓住这个机会。
Crescent Island：Intel 2026年最值得关注的AI GPU
Intel下一代数据中心AI GPU代号为：Crescent Island。
与NVIDIA最顶级AI GPU不同，Crescent Island的目标非常清楚：高容量内存，低功耗，标准PCIe，风冷，重点服务AI推理和Agentic AI。
2026年8月Intel在Hot Chips公布的最新规格显示，Crescent Island采用Xe3P架构，拥有32个Xe Core和256个XMX引擎，最高配备480GB LPDDR5X内存，功耗约350W，并采用PCIe卡形式。
这个设计非常有意思。
为什么不是HBM，而是LPDDR5X？
HBM最大的优势是带宽非常高。但它也有两个明显问题：贵，而且供应紧张。
Intel的Crescent Island采取了完全不同的思路。
它使用LPDDR5X。
LPDDR5X带宽比HBM低很多，但是价格更低，而且容量可以做得非常大。
Crescent Island最高可以提供480GB内存。
这意味着一张卡就能装下相当大的模型。
对于很多AI推理任务来说，真正的瓶颈不一定是最高浮点性能，而可能是 模型到底能不能全部放进内存。
这就是Intel试图切入的市场。
480GB内存可能成为Crescent Island最大的卖点
假设一个大型模型需要数百GB内存。
一旦拆分，就会增加：GPU通信，网络延迟，功耗，服务器数量 以及软件复杂度。
如果一张Crescent Island可以直接装下更大的模型，某些推理工作负载可能就可以使用更少的GPU。
Intel真正想比的可能不是：我的GPU峰值FLOPS是不是世界第一。
而是：生成一百万个Token究竟需要多少钱？
这就是Inference Economics，也就是AI推理经济学。
350W也是一个非常重要的数字
大型AI系统已经从传统风冷进入液冷时代。
而Crescent Island的目标功耗约为350W，并强调可以部署在传统风冷数据中心。
这使Intel瞄准了一类非常现实的客户：不是每家公司都有能力重新建设一座液冷AI工厂。大量传统企业已经拥有服务器机房。
它们可能只是希望：
加几张AI卡，
运行自己的企业模型，
做RAG，
运行AI Agent，
或者部署私有LLM。
如果不需要改造整座数据中心，Crescent Island就可能获得自己的市场空间。
Intel的优势可能不是GPU，而是Xeon
Intel最大的资产仍然是：Xeon。
全球大量服务器仍然运行在x86平台上。
CPU仍然要负责：
操作系统，
网络，
数据预处理，
数据库，
模型加载，
任务调度，
存储，
虚拟化，
安全，
以及GPU之间的系统协调。
随着AI Agent越来越复杂，CPU需要同时处理大量并发程序和数据。
Intel因此开始强调一个新的观点：
Xeon本身也越来越像AI芯片
今天的Xeon已经不是过去只执行普通x86指令的CPU。
Intel在Xeon中加入了：
AVX
AVX-512
VNNI
AMX
等大量向量和矩阵计算扩展。
其中Intel AMX，也就是Advanced Matrix Extensions，可以直接加速矩阵运算。
这使Xeon可以直接运行：
小型和中型语言模型，
推荐系统，
计算机视觉，
传统机器学习，
以及大量企业AI推理任务。
对于很多企业来说，如果AI模型并不特别大，甚至可能根本不需要购买独立GPU。
直接在现有Xeon服务器上跑AI，成本可能更低。
Xeon 6+：Intel把CPU继续放在AI系统中心
2026年，Intel推出Xeon 6+。
这是Intel首批采用Intel 18A制造的数据中心CPU之一。
Intel把Xeon 6+重点定位于：
云计算，
高并发服务器，
Agentic AI，
数据移动，
以及大规模AI系统协调。
Intel公布的Xeon 6+ Efficient-core型号最高可以达到288个核心，并支持12通道DDR5、96条PCIe 5.0和CXL。
下一代Diamond Rapids又会进一步提升：
核心数量，
内存带宽，
PCIe，
CXL，
Intel在2026年Hot Chips公布的信息显示，Diamond Rapids最高将拥有256个新核心、1.28GB LLC、16个内存通道以及128条PCIe Gen6/CXL 3.0通道。
Intel其实想做的是异构AI
Intel未来的AI系统并不是 CPU或者GPU。而是 CPU + GPU + NPU + 网络 + 软件。不同AI任务放到最适合的处理器上。
例如：
大模型推理运行在GPU，
低功耗本地AI运行在NPU，
网络数据交给专用网络硬件，
软件再统一管理这些处理器。
这就是所谓：Heterogeneous Computing，异构计算。
从理论上讲，这恰好是Intel产品线最丰富的地方之一。
Intel AI PC：另一个不能忽视的战场
Intel Core Ultra处理器已经把 CPU，GPU，NPU 集成到一颗客户端处理器平台中。
其中NPU专门执行低功耗AI任务。例如：
语音识别，
摄像头处理，
实时翻译，
图像增强，
会议背景处理，
本地AI助手，
小型语言模型，
以及未来各种Windows AI应用。
这类AI不一定需要访问云端。直接在电脑本地运行具有低延迟，低成本，隐私更好，无需持续联网 等优势。
如果未来数亿台PC都拥有NPU，那么Intel在AI芯片市场的影响力不能只用“数据中心GPU份额”来衡量。
OpenVINO：Intel最重要的AI软件之一
Intel拥有一个非常重要的AI软件平台：OpenVINO。
OpenVINO主要用于AI模型优化和推理部署。
开发人员可以把TensorFlow、PyTorch以及其他框架训练出来的模型进行转换和优化，然后部署到Intel：CPU，GPU，NPU以及不同计算平台上。
截至2026年，OpenVINO仍在持续更新，并重点加强大型语言模型、生成式AI和AI PC支持。
它的核心目标非常简单：让开发人员不需要为每一种Intel芯片重新写一整套AI程序。
oneAPI：Intel想建立跨架构计算平台
除了OpenVINO之外，Intel还有oneAPI。oneAPI的野心比OpenVINO更大。
它希望开发人员可以使用统一的软件工具面对CPU，GPU，加速器，以及其他异构计算设备。
Intel oneAPI 2026版本继续加强CPU、GPU、AI和HPC工作负载支持，并扩展对下一代Xe架构GPU的支持。
这个理念与NVIDIA CUDA存在明显不同。
CUDA最强大的地方就是：高度围绕NVIDIA GPU优化。
Intel则希望：不要把软件永久锁死在某一种计算架构上。
从理念上讲，这对大型企业具有吸引力。
但现实问题还是：开发人员究竟愿不愿意用。
Intel最大的AI软件难题仍然是CUDA
CUDA已经拥有接近二十年的开发积累。
大量AI研究代码首先运行在CUDA上。
PyTorch对CUDA支持非常成熟。
很多高性能Kernel围绕CUDA编写。
大量工程师已经熟悉NVIDIA软件。
这会形成巨大的生态惯性。
我的硬件不仅便宜，
不仅内存大，
而且你的模型迁移过来也不能太麻烦。
这可能比造出一颗芯片还难。
Intel还有一个NVIDIA和AMD都没有的巨大资产：自己的晶圆厂
NVIDIA是Fabless公司。
AMD同样是Fabless公司。
Intel完全不同。Intel既设计芯片，也拥有自己的晶圆制造能力。这就是Intel Foundry。
这可能是Intel未来最重要的战略差异之一。
Intel Foundry可能比Intel自己的AI GPU更重要
不仅有 GPU，还有：
AI ASIC，
CPU，
网络芯片，
光通信芯片，
Chiplet，
以及各种专用加速器。
这些芯片都必须被制造出来。
Intel正在推动：
Intel 18A
Intel 18A-P
先进封装
EMIB
Foveros
Foveros Direct
以及UCIe等技术。
特别是在AI芯片越来越依赖Chiplet之后，先进封装的重要性正在快速上升。
Intel 2026年仍在重点扩展Foveros、EMIB以及EMIB-T等先进封装技术，目标之一就是满足大型AI和数据中心芯片需求。
因此未来可能出现一个很有意思的情况：某家公司并不购买Intel AI GPU，但它设计的AI芯片却可能由Intel Foundry生产或者封装。
Intel还拥有美国本土制造这个特殊优势
在地缘政治越来越复杂的情况下，美国政府和大型科技企业都希望增加美国本土先进半导体生产能力。Intel正好拥有美国先进晶圆制造基地。
因此Intel Foundry不仅是一个技术项目，也是美国半导体产业政策中的重要组成部分。
对于需要：
美国本土生产，
可信供应链，
国防应用，
政府项目，
以及供应链多元化 的客户来说，Intel具有其他Fabless AI芯片公司无法提供的价值。
Intel也开始重视AI网络
大型AI数据中心最终会遇到另一个问题：网络。GPU再快，如果数据无法快速传输，系统就会被网络拖慢。
2026年Intel进一步推出E835 Ethernet控制器和网卡，支持最高200GbE，并支持RoCEv2和iWARP等RDMA技术。
Intel希望把：
Xeon
Ethernet
软件
服务器
结合起来。
这也说明今天的AI竞争已经不再只是“谁造一颗最快的芯片”。而是 整个数据中心能不能高效工作。
Intel甚至开始和别人的AI芯片合作
这是Intel新战略中非常有意思的一部分。
2026年Computex，Intel展示了与SambaNova合作的机架级AI基础设施。
系统使用：
Intel Xeon处理器
SambaNova SN-50 RDU。
另外一种Disaggregated Inference架构甚至把：
Intel Xeon
SambaNova RDU
放进同一个AI计算体系。
这说明Intel现在的思路更加务实：不一定所有AI计算都必须由Intel GPU完成。
只要Intel的：
CPU，
网络，
系统，
制造，
封装
仍然处于AI基础设施中，公司一样可以获得市场。
Intel最大的优势是什么？
Intel在AI芯片领域目前最大的优势不是拥有最强的GPU。它没有。
真正的优势是 产品线极其广泛。
Intel拥有：
Xeon服务器CPU，
Core客户端CPU，
GPU，
NPU，
Gaudi AI加速器，
Ethernet，
oneAPI，
OpenVINO，
先进封装，
Intel Foundry，
以及庞大的PC和企业服务器生态。
全球已经部署了数量极其庞大的Intel服务器。这使Intel拥有一个其他AI芯片创业公司无法复制的入口。
Intel最大的弱点也非常明显
Intel最大的问题是：它错过了这一轮AI训练芯片最重要的窗口。
今天大型基础模型训练市场基本已经围绕NVIDIA建立。
AMD正在奋力追赶。
Google、Amazon、Microsoft和Meta还在开发自己的ASIC。
Intel Gaudi没有形成足够大的市场份额。
Falcon Shores又没有正式商业化。
这意味着Intel在最高端AI训练加速器市场已经明显处于追赶者位置。
要想重新夺回这个市场，难度非常大。
另一个问题：战略改变太多
Nervana。
Habana。
Gaudi。
Xe GPU。
Ponte Vecchio。
Falcon Shores。
然后又转向Crescent Island和更加系统化的AI架构。
路线变化太频繁会产生一个非常现实的问题：开发人员和客户会担心平台能不能长期延续。
而NVIDIA CUDA真正可怕的地方就在这里。
二十年前写CUDA的人，今天仍然处在同一个不断升级的生态中。
平台连续性本身就是巨大的商业价值。
Intel需要重新建立这种信任。
但Intel可能根本不需要打赢NVIDIA
这里有一个非常重要的观点。
Intel不一定需要造出一颗“比NVIDIA更强”的GPU，才能在AI时代继续成为重要企业。
AI市场实在太大。
未来需要的并不仅仅是训练GPT-10这样的超级模型。
还需要：
企业AI服务器，
私有LLM，
AI Agent，
推理服务器，
边缘AI，
工业AI，
机器人，
AI PC，
网络，
CPU，
芯片制造，
先进封装。
这些市场加起来的规模可能远远大于单纯的数据中心GPU市场。
而这些恰恰是Intel拥有大量技术积累的地方。
2026年的Intel正在恢复增长
Intel 2026年第二季度收入达到161亿美元，同比增长25%。
其中Data Center and AI业务收入达到63亿美元，同比增长59%。
这并不意味着Intel的数据中心AI加速器已经开始追上NVIDIA。
其中很大一部分仍然来自Xeon以及数据中心相关产品。
但是它至少说明一个趋势：AI正在重新增加整个计算产业对CPU、服务器、网络和半导体制造能力的需求。
而Intel正在从这种需求中受益。
Intel当前真正的AI战略
如果把Intel截至2026年的AI战略浓缩一下，可以看成几个层次。
最顶层的大型AI训练：
Intel暂时并不是市场领导者。
企业AI推理：
通过Crescent Island、大内存GPU和Xeon寻找机会。
服务器AI：
AI PC：
通过Core Ultra和NPU进入数亿台个人电脑。
边缘和Physical AI：
网络：
依靠Ethernet。
制造：
依靠Intel Foundry、18A和先进封装。
因此Intel真正押注的是：AI无处不在。而不是只押注一颗超级GPU。
Intel与NVIDIA最大的区别
围绕GPU建立一个极其强大的计算平台。
CUDA
NVLink
NVSwitch
网络
AI服务器。
Intel则更加分散，但也更加广泛：
NPU
Ethernet
软件
晶圆制造
先进封装。
Intel最大的潜在优势则是：从晶体管制造一直覆盖到CPU、网络和最终计算系统。
Intel未来真正值得观察的是Crescent Island
如果只看Intel AI加速器，未来一两年最值得关注的产品之一就是Crescent Island。
它没有选择与NVIDIA进行完全相同的军备竞赛。
而是选择：
480GB大内存，
350W功耗，
PCIe，
风冷，
企业级部署，
Agentic AI，
AI推理。
这是一个非常聪明、但也非常冒险的定位。
如果未来AI市场大量算力真的从Training转向Inference，那么Intel可能找到一个新的突破口。
如果客户仍然更愿意围绕NVIDIA CUDA和高带宽HBM GPU建设所有AI系统，那么Crescent Island依然会面临巨大压力。
总结
它曾经依靠x86和Xeon统治PC与服务器计算。
但是AI时代改变了计算产业。
GPU成为新的核心计算引擎。
NVIDIA抓住了机会。
AMD开始快速追赶。
Nervana没有成功。
Habana带来了Gaudi。
Gaudi 2和Gaudi 3让Intel进入大型AI加速器市场，但并没有撼动NVIDIA。
Falcon Shores后来又转为内部测试芯片。
现在Intel重新调整战略。
Crescent Island瞄准大内存、低功耗AI推理。
Xeon继续控制AI服务器的大量通用计算和调度任务。
Core Ultra把NPU带进PC。
OpenVINO和oneAPI负责软件。
Ethernet负责网络。
Intel Foundry则负责先进制程和先进封装。
所以，今天理解Intel AI战略，不能只问：Intel有没有一颗能够打败NVIDIA的GPU？目前答案显然不是Intel最强的地方。
真正应该问的是：
当AI从几座超级训练中心扩散到服务器、企业、PC、边缘设备、机器人和整个数据中心之后，Intel能不能利用自己几十年来建立的CPU、制造、网络和软件基础重新杀回来？
它仍然控制着全球计算基础设施中极其庞大的一部分，而且它还能够自己制造先进芯片。
因此，在NVIDIA和AMD争夺最强AI GPU的同时，Intel正在尝试走另外一条路：
从CPU、GPU、NPU、网络、软件到晶圆制造，重新定义自己在AI时代的位置。