Anthropic 花 116 亿美元租 CPU 算力：AI 服务器最贵的部分，可能不是 GPU 这两天技术圈里有条消息，热度不算最高，但我看完之后坐了好一会儿。9 月 24 日，CDN 和云安全的老牌厂商 Akamai 宣布大幅扩展与 Anthropic 的合作，双方签了一份为期 7 年、价值 116 亿美元（约 779 亿元人民币）的合同。协议里说得很直白：Akamai 用它的分布式 AI 基础设施和软件，满足 Anthropic 日益增长的 CPU 工作负载需求。116 亿美元对应的是 Akamai 额外 55 亿美元的资本支出；双方还可以把合同最多再扩大 90 亿美元。更有意思的是股权那一笔——Akamai 向 Anthropic 发行了认股权证，允许 Anthropic 最多买入 Akamai 5% 的已发行普通股，其中 2% 绑定这次承诺，剩下 3% 绑定后续追加。老实说，我看到"CPU 工作负载"这五个字的时候，第一反应是：终于有人把这件事摆到台面上了。过去两年，所有人张口闭口都是 GPU。英伟达的市值、H100 的租价、算力租赁的黄牛价——GPU 是 AI 叙事里唯一的明星。而 CPU，那个在你机箱里不起眼、还经常被人当成"过时货"的东西，突然被人一次性签了 116 亿美元。这不是小数字。它说明一个被 GPU 光环盖住的事实：AI 真正烧钱的地方，一半在 GPU，另一半在你根本没算过的 CPU 上。今天这篇文章，我就把这件事掰开揉碎讲清楚——它到底意味着什么，以及你做为一个要买服务器、买 VPS 的人，该从中读出什么。目录 一、116 亿美元买"不起眼"的 CPU，这笔账怎么算 二、GPU 负责炒菜，CPU 负责洗菜、切菜、传菜 三、为什么是 Akamai：又一个"把计算往前搬"的老故事 四、2026 年，什么样的服务器配得上 AI 工作负载 五、几句掏心窝子的建议 六、总结 一、116 亿美元买"不起眼"的 CPU，这笔账怎么算先把这个交易的逻辑讲清楚。Akamai 是干什么的？老网民可能记得，它是最早做 CDN 的那批公司之一，全球铺了几千个边缘节点，靠把图片、视频缓存到离用户最近的地方起家。后来做云安全、做边缘计算，本质上卖的是同一件东西：离用户近的机房和带宽。Anthropic 买的就是这个。注意，买的是"分布式的 AI 基础设施"，不是某一座巨型数据中心里的机柜。这中间的区别很关键。另一条同期的消息可以拿来对照：据 36 氪报道，Anthropic 还在洽谈一笔规模高达 1 吉瓦的数据中心容量交易，拟从阿波罗全球管理控股的开发商手里租赁算力容量。1 吉瓦是什么概念？大概相当于一个中等城市的用电量级。一边在谈巨型集中式机房，一边花 116 亿美元买分布式 CPU 算力。两条腿走路，而且都很坚决。你想想，一家做模型的公司在同一个月里既签集中式的电力大单，又签分布式的 CPU 大单，这说明什么？说明它对自己的负载结构非常清楚：GPU 的活儿高度集中，CPU 的活儿高度分散。而这，恰恰是大部分买服务器的人没想明白的地方。二、GPU 负责炒菜，CPU 负责洗菜、切菜、传菜我前两周跟一个做 AI SaaS 的朋友聊天，他跟我吐槽了一件事。他给团队租了两台 8 卡 GPU 机器，跑自家的 Agent 产品，账单一个月五位数。结果监控拉出来一看，GPU 利用率长期在 15%~20% 之间晃，反倒是 CPU 时不时打到 100%，磁盘 IO 队列排得老长。他问我："我是不是被骗了？"我说你没被骗，你只是把账算错了地方。一个 AI 请求，从头到尾到底发生了什么？ 请求进来，先排队、鉴权、限流——CPU 提示词拼装、分词（tokenize）、上下文裁剪——CPU 检索历史记忆、向量数据库查询、结果重排——CPU + 内存 + 磁盘 IO 真正送进模型的那一步，矩阵运算——GPU 模型吐出来的结果再后处理、解析成 JSON、调工具、写日志——CPU 如果是个 Agent，它还要去执行代码、读写文件、调 API、重试——CPU，而且是大量的 CPU 你看，最贵的那一步（GPU）只占了整条链路的一小段。前面洗菜切菜的是 CPU，后面传菜收银的也是 CPU。打个更直白的比方：GPU 是后厨那口猛火炉，CPU 是洗菜工、切配工、传菜员和收银员。 炉子再猛，没人切菜，照样出不了餐。而餐厅真正的用工成本，从来不在那口炉子上。9 月 24 日，Anthropic 的 Claude Code 云会话功能正式上线。这个功能的官方文档里有一句话特别值得琢磨：每个云会话运行在独立的隔离虚拟机中，托管环境默认限制网络访问，Git 凭据和签名密钥留在沙箱外。翻译一下就是：你在手机上点一个"帮我改这个仓库"，Anthropic 那边就得为你开一台隔离的虚拟机，把你的代码拉下来、跑起来、跑测试、再提交 PR。这一整套动作里，GPU 只参与"思考"那一小段，剩下的克隆、构建、执行、测试、打包，全是 CPU、内存和磁盘的活。换句话说，一个 Agent 会话就是一台小服务器。 用户越来越多，服务器就要越来越多。这就是为什么我说那句"AI 服务器最贵的部分可能不是 GPU"不是标题党。你去看那些公开的工程实践，几乎都会提到同一件事：在真实的推理与 Agent 服务里，CPU 往往是最先被打满的那个资源。不是因为它算得慢，而是因为排队、预处理、后处理、序列化、日志、沙箱，全都归它管。而这些东西，是没法"优化掉"的——它们是业务本身。三、为什么是 Akamai：又一个"把计算往前搬"的老故事要判断一个技术是真进化还是概念炒作，我的习惯是追溯它从哪里来。这条线索其实很清楚：单机 → C/S → B/S → 中间件 → 分布式 → 云。每一步，本质都是把东西往后端搬——把逻辑搬到服务器上，把数据搬到数据库里，把算力搬到数据中心去。云这一步走到了极致：算力集中到全球少数几个超大规模机房里，规模效应拉满，单位成本打到最低。代价是什么？延迟和带宽。所以过去十年，又出现了一个反方向的运动：把一部分计算往回搬，搬回离用户近的地方。CDN 是这条路的第一代产品——把图片、视频缓存在离你几十毫秒的节点上。边缘计算是第二代——不只是缓存内容，还把一部分计算逻辑放过去。Akamai 就是这条路上最老的那批玩家。它那几千个边缘节点，本来是拿来缓存静态资源的；现在，它要在这上面跑 AI 的 CPU 工作负载了。为什么这件事放在今天成立？因为负载结构变了。以前是"用户请求一篇文章"，现在是"用户派一个 Agent 去干活"。Agent 干活的链路里，有大量不需要 GPU、但需要 CPU 和内存的中间步骤——沙箱执行、文件处理、编解码、预处理、重试。这些活儿有三个特点： 不需要 GPU，所以放在昂贵的 GPU 机房是浪费； 量非常大，集中回源会让出网带宽和延迟都很难看； 可以就近消化，放在边缘节点上，用户感知的延迟直接砍半。 所以那句"AI 是绝对集中式的"结论，现在被撕开了一个口子。我的判断是：GPU 会越来越集中，CPU 会越来越分散。对做服务器导购的我来说，这句话比任何一份研报都有价值。因为它意味着，接下来会有相当一部分"AI 算力"需求，落在分布式的中小节点上——而那个东西，在市场上叫 VPS、叫轻量云服务器、叫独立服务器。这不香吗？四、2026 年，什么样的服务器配得上 AI 工作负载先把任务拆开看，不同任务的瓶颈根本不是一回事： 任务类型 真正的瓶颈 选型重点 Agent 沙箱 / 代码执行 单核性能 + 内存 独享核、KVM 隔离、NVMe RAG / 向量检索 内存带宽 + 磁盘 IOPS 内存配比、NVMe、内网带宽 小模型推理（7B 级） 内存带宽 + 核数 大内存、CPU 指令集支持 中大模型训练微调 显存 + 互联 GPU、显存、RDMA 看完这张表你会发现，前面三行——也就是绝大多数团队真正在干的事——跟 GPU 一点关系都没有。具体怎么选？我给你六条，都是踩过坑总结出来的：第一，别只看"几核几 G"的数字，先问是不是独享。 共享核的超卖机器，标称 8 核，实际跑起来可能只有 2 核的力气。做 Agent、跑容器、压编译，差别大得惊人。第二，内存比 CPU 更容易先爆。 Agent 场景下，一个 Python 进程 + 一个向量库 + 一个浏览器自动化，8G 内存什么都不够干。8 核 8G 是个坑，起步就该 8 核 16G。第三，磁盘一定要 NVMe，而且 IOPS 比容量重要。 很多人买服务器只看"500G 硬盘"，结果跑起来全是 IO 等待。磁盘 IO 是最容易被忽略的隐形瓶颈。第四，跑别人给的代码，就必须做隔离。 这一点我之前在《KVM 逃逸漏洞》那篇里专门讲过：容器共享内核，隔离强度天然不如 KVM 全虚拟化。跑自己写的代码无所谓，跑 AI 生成的、来源不明的代码，还是要认真对待。第五，别忘了出网流量这笔账。 分布式架构下，节点之间的同步、拉取、推送全是出网流量。很多便宜 VPS 卡的就是这一刀。买之前把流量包和超量单价算清楚。第六，计费方式要匹配负载形态。 Agent 是典型的突发负载——白天忙、晚上闲，或者反过来。这种负载用包年包月是浪费，用按小时或按量计费更合适。给几个具体的配置档位，供你参考： 个人学习 / 跑 Claude Code 类的云端对照环境：2 核 4G 到 4 核 8G，NVMe，够用 小团队跑多 Agent 并发：8 核 16G 到 16 核 32G，独享核，NVMe 自建 RAG 服务：16 核 32G 起步，重点看内存带宽、内网带宽和磁盘 IOPS 真要跑大模型推理：那是 GPU 机器的事，另说 五、几句掏心窝子的建议这些年我看过太多人买服务器买错——不是买贵了，是买偏了。第一，不要用 GPU 的钱去买 CPU 的活。 你那台月租五位数、GPU 利用率 15% 的机器，可能有一半的负载本来一台几百块的 VPS 就能扛。先把链路跑通，再用监控数据决定要不要上 GPU。第二，别被"AI 服务器"这个词吓住。 现在很多所谓的 AI 服务器需求，拆开看就是一台配置扎实的 CPU 机器：多核、大内存、NVMe、带宽足。真正的 GPU 需求，只集中在训练和中大模型推理那一小块。第三，先量化，再采购。 上线前把 CPU 利用率、内存水位、磁盘 IOPS、出网流量这四个指标盯住，跑满一周。数据会告诉你钱该花在哪。拍脑袋选型，是我见过最贵的错误。第四，也是我最想说的：别自己墙了自己。 很多人一听到"AI 算力"四个字，第一反应就是"那是大厂的事，我只配买台最便宜的"。你看 Akamai 这笔 116 亿美元的订单，买的恰恰是别人看不上眼的 CPU 和边缘节点。技术世界里，最贵的不一定是最重要的，最不起眼的往往才是真正在扛事的那个。这句话对你是这样，对你手里的服务器，也是这样。六、总结把这篇文章的要点收一下： 事实：Akamai 与 Anthropic 签下 7 年 116 亿美元的合同，为其提供分布式 AI 基础设施，满足 CPU 工作负载需求；合同可扩大最多 90 亿美元，并附带最高 5% 的认股权证。 逻辑：GPU 只负责整条链路里最贵的一小段，排队、预处理、工具调用、沙箱执行、日志这些"苦活"全在 CPU 上，而且随 Agent 普及而线性增长。 趋势：GPU 越来越集中，CPU 越来越分散。 边缘节点会承接相当一部分 AI 算力需求。 选型：独享核、大内存、NVMe、强隔离、够用的带宽、匹配负载的计费方式——这六条，比任何"AI 服务器"的营销词都实在。 老实说，看到这笔交易的时候我是有点感慨的。这么多年，行业喊着"算力为王"，喊得大家只认 GPU。结果真正的大客户拿出 116 亿美元，买的是一样被我们念叨了很多年、也忽视了很多年的东西。技术的价值从来不是靠热度定义的，是靠它在整条链路里扛了多少事定义的。希望对你有用。（全文完）