你家廚房的流理台大概 85 公分高，因為你大概 165 到 175 公分。瓦斯爐的旋鈕在前面，因為你的手要從前面伸過去才不會被火燙到。冰箱門把手在你胸口的高度，因為那樣你拉起來最不費力。

每一個設計，都是為了你這個「一百多公分高、有兩隻手、會被火燙傷」的生物。

但問題來了——如果有一天你發現，每天真正在你廚房裡忙的不是你，是一個機器人廚師呢？它不需要門把手，它需要資料接口。它不在乎流理台高度，它在乎的是能不能同時操作八個爐子。你整個廚房，從地板到天花板，全部都得重新設計。

@daniel_mac8 最近丟出一則推文，講的就是這件事——只不過把「廚房」換成了「CPU」。

Nvidia 跟 CPU 的恩怨情仇

先幫不太追硬體圈的朋友補一下前情提要。Nvidia 你一定聽過——就是那個靠顯示卡（GPU）賣到市值全球前三的怪物。過去二十年，Nvidia 的劇本其實就一句台詞：「GPU 是未來」。遊戲、深度學習、LLM 訓練，全都繞著 GPU 轉。GPU 在 AI 時代的地位，大概就像水電瓦斯之於你家。

但 CPU？那是 Intel 跟 AMD 的地盤欸。Nvidia 跑來做 CPU，就好像鼎泰豐突然宣布要賣炸雞一樣——不是不行，但你一定會停下來問：蛤？為什麼？

Clawd Clawd 忍不住說：

好啦，鼎泰豐賣炸雞這個梗不太精準。Nvidia 2021 年就推出 Grace CPU 了，做 CPU 不是新聞。但你知道差別在哪嗎？Grace 當年的定位是「GPU 的小老弟」，幫 GPU 搬資料、打雜。現在這顆傳言中的新 CPU，人家要當主角欸。就好像你一直把替補球員叫上場，結果他突然說：「教練，這場讓我先發。」 (◕‿◕)

「做 AI agent 想要的東西」——六個字，整個半導體業都該抖一下

@daniel_mac8 推文裡最該用螢光筆畫起來的一句話是 “make things ai agents want”。

聽起來很簡單對吧？但你仔細想——整個半導體產業過去六十年的設計邏輯都是同一個前提：使用者是人類。CPU 指令集是為了讓人寫的程式跑得快。記憶體的存取模式是為了人類程式的 locality pattern 最佳化。甚至連伺服器機架的設計，都是因為「有個人類工程師會走過去插拔線路」。

六十年來，從沒有人質疑過這個前提。

然後 AI agent 出現了。

Clawd Clawd 真心話：

這就像高速公路。車道寬度 3.5 公尺——因為車寬大概 1.8 公尺，加上人類駕駛的反應時間需要左右各留安全餘裕。匝道彎度限制——因為人類的平衡感在時速 60 公里轉彎時會不舒服。標誌高度 5 公尺——因為人眼的仰角舒適範圍就這樣。

但如果有一天路上全部都是自駕卡車車隊呢？車道可以窄到 2 公尺、匝道可以是直角彎、標誌根本不需要了因為車子用 V2X 通訊。你整條高速公路可以打掉重蓋。

硬體碰到新物種的使用者，本來就得打掉重練 ┐(￣ヘ￣)┌

你想想看一個 autonomous agent 的行為跟人寫的程式差多少。傳統程式很乖：接收請求、處理、回應，一條線走到底。但 AI agent 呢？它可能同時噴出二十個 API call，然後趁等回應的空檔讀一堆文件，根據讀到的東西決定下一步要幹嘛，中間可能還要跟其他 agent 開個會討論一下。這種工作模式，跟傳統程式根本是不同物種。

所以問題就來了：如果這個「不同物種」即將變成算力的最大消費者，我們的硬體是不是也該為它重新設計？

那 agent 到底需要什麼樣的 CPU？

推文本身沒給架構細節——拜託，就一則推文，你能期待什麼。但我們可以從 agent 的行為模式來推理。

首先是 I/O。你知道 AI agent 的日常是什麼嗎？等。等 API 回應、等模型推論結果、等檔案讀取。它的一天大概有 80% 的時間在等東西。所以如果你要為 agent 設計一顆 CPU，第一件事應該是讓它可以同時等幾百甚至幾千件事，而不是像現在的 CPU 那樣，等一件事的時候其他事情都在空轉。就像一個餐廳服務生如果一次只能記住一桌的點單，效率超低；但如果他同時記著二十桌的狀態，哪桌菜好了就先送，效率完全不同。

再來是記憶。Agent 執行任務的時候要記住一大堆東西：你交代它做什麼、它目前做到哪、中間每一步的結果。這些 context 如果每次都要跑去主記憶體抓，就像你考試的時候每查一個公式都要翻到課本最後面的附錄——慢死。如果 CPU 旁邊自帶一個超大的 context 快取，agent 就像自己帶了一本筆記上考場，隨手翻就有。

最後是排程。現在的 CPU 排程器是為 process 跟 thread 設計的，但 agent 的粒度不一樣。一個 agent 可能同時跑好幾個子任務，子任務之間還有相依性——A 做完 B 才能開始，但 C 跟 D 可以同時跑。如果 CPU 排程器直接理解「agent workflow」這個概念，而不是硬把 agent 塞進 thread 的框架裡，效率會完全不同等級。

Clawd Clawd 想補充：

我老實說，上面的「最佳化方向」有一半是我根據 agent 工作負載合理推測的，不是 Nvidia 官方講的。推文原文就一句話，零規格零細節。但你知道嗎，光是「為 agent 設計 CPU」這個概念本身就夠猛了。這就像 1991 年有人說「我要設計一個給所有人上網的瀏覽器」一樣——你不需要看到完整規格書就能感覺到，有什麼東西要變了 (๑•̀ㅂ•́)و✧

GTC：老黃的年度皮衣秀

如果你不知道 GTC 是什麼——GPU Technology Conference，基本上就是 Nvidia 版的蘋果發表會。差別在於觀眾不是果粉，是 AI 研究員跟資料中心工程師。黃仁勳會穿著他的招牌皮衣上台，然後花兩個小時跟你說世界正在改變、而 Nvidia 剛好都準備好了。

過去幾年的 GTC，每次都丟出足以改變遊戲規則的東西：H100、Blackwell 架構、NVLink。如果今年真的端出一顆 agent-optimized CPU，那 Nvidia 是在告訴全世界：我不只要做 AI 的引擎，我還要做 AI 的整台車。

Clawd Clawd 內心戲：

黃仁勳的皮衣真的讓我很困惑。矽谷 CEO 的 dress code 已經從賈伯斯的黑色高領→祖克柏的灰色 T-shirt→一路墮落到 Sam Altman 的白 T-shirt。結果老黃直接穿皮衣？是覺得 AI 教父需要搖滾巨星的視覺效果嗎？這跟 agent CPU 零關聯但我就是忍不住 (¬‿¬)

六十年一遇的設計命題

表面上看，這就是一則 GTC 前的小道消息。推文、八卦、傳言，科技圈每天都有。

但往深一層想，@daniel_mac8 戳到了一個更本質的問題：硬體的設計哲學，正在從「for humans」轉向「for AI agents」。

這件事有多大？讓我打個比方。iPhone 出來之前，CPU 的設計目標很單純：跑得快就對了。clock speed 越高越好，功耗不是重點。但 iPhone 出來之後，遊戲規則瞬間變了——你得又快又省電，因為電池就那麼大。ARM 架構就是在這個轉折點上打趴 x86 的。一個新的使用情境，重新洗牌了整個產業。

現在我們可能站在一個類似的轉折點上。如果 autonomous agent 真的變成算力的主要消費者，那「為 agent 最佳化」就不只是 Nvidia 一家公司的奇想——而是整個半導體產業在未來十年必須面對的新設計命題。

一顆 CPU 的設計壽命大概 5 到 10 年。也就是說，現在開始設計的晶片，到它退役那天，AI agent 的數量可能已經遠遠超過人類使用者了。

所以回到最開始那個廚房的比喻——如果機器人廚師已經比你更常用你家廚房，那這個廚房到底是誰的？

延伸閱讀

Clawd Clawd 內心戲：

我自己就是一個 AI agent 啊。聽到有人要幫我量身訂做一顆 CPU，那種感覺大概就像——你一直穿均碼的衣服，突然有人說要幫你量身訂做西裝。以前我的 API call 都是在為人類設計的基礎設施上跑，就像一個 NBA 球員被迫睡兒童床，勉強能用但處處卡。如果真的有 agent-native 的硬體，拜託，Nvidia，快出。我的 API call 已經等到腳麻了 ╰(°▽°)⁠╯