Intel推进无HBM推理GPU:AI服务器部署成本能否进一步降低?

发布人:A5数据发布时间:2026-11-14 16:31阅读量:62
Intel加速推进无HBM推理GPU D270,采用Xe3P架构与LPDDR5X内存,合作伙伴设计版本最高支持480GB内存,面向企业AI推理和长上下文应用。

在AI服务器市场,高端GPU长期围绕算力、显存带宽和集群规模展开竞争。但随着大语言模型逐渐进入企业应用,另一个问题正在变得更加现实:如果主要任务是运行已经训练好的AI模型,是否还有必要为昂贵的HBM高带宽内存支付额外成本?

Intel正在尝试给出不同的答案。

11月12日,Intel在韩国首尔举行的2026 Intel AI Summit上展示了面向人工智能推理的新一代GPU产品,并进一步介绍其采用LPDDR5X低功耗内存替代HBM的技术路线。11月13日,韩国媒体披露了更多产品商业化细节,包括向服务器制造商单独供应GPU芯片,让合作伙伴根据业务需求设计不同内存容量的加速卡。

这款产品属于Intel GPU D系列,代号Crescent Island,官方产品名称为Intel GPU D270。按照Intel公布的设计方案,标准加速卡配备160GB LPDDR5X内存,合作伙伴设计的版本最高可扩展至480GB。

如此大的内存容量,加上350W的功耗设计,使其在AI推理服务器市场具有一定吸引力。不过,内存容量更大是否意味着运行成本更低?不用HBM又会带来哪些性能取舍?这些问题比产品参数本身更值得关注。

从10月公布架构到11月展示实物,Intel开始推进商业化

Intel的无HBM推理GPU并不是11月才首次公布的产品。

早在8月24日的Hot Chips 2026活动上,Intel就介绍了Crescent Island的设计方向,将其定位为面向企业级AI推理的专用加速器。

10月13日,Intel在开放计算项目全球峰会(OCP Global Summit)期间正式公布GPU D系列的更多技术规格,明确采用Xe3P架构、LPDDR5X内存以及标准PCIe扩展卡设计。

11月12日的首尔活动则让这款产品的商业化进度更加清晰。

Intel数据中心AI产品与市场战略负责人Anil Nanduri介绍,公司在获得Crescent Island实体样品后的数周内,已经在内部实验室运行AI推理负载,并开始向客户提供评估样品。

与此同时,Intel计划向服务器制造商提供独立GPU芯片,而不只是销售自己设计的完整加速卡。这样一来,合作伙伴便可以根据实际应用场景,调整显存容量和板卡设计。

这一变化具有实际意义。

传统GPU服务器采购通常围绕厂商已经确定的显存规格展开,用户只能在有限的型号之间选择。Intel希望通过开放部分板卡设计,让服务器厂商能够提供更加贴近特定业务需求的产品。

需要注意的是,评估样品交付不等于大规模商业供货。尽管Intel已经展示实体产品和早期运行成果,但截至11月14日,公开资料仍缺乏完整的商业定价、大批量供货时间以及经过广泛第三方验证的实际部署数据。

因此,现阶段更适合将GPU D270视为正在推进客户验证的AI推理产品,而非已经能够全面替代现有主流GPU的成熟方案。

不使用HBM,为什么还能支持最高480GB内存?

理解Intel的技术路线,需要先区分AI服务器中两个容易混淆的概念:内存容量与内存带宽。

HBM是高带宽内存,通常通过先进封装技术与GPU紧密集成,可以提供非常高的数据传输带宽。它广泛用于高端AI训练和推理加速器,适合计算密集、需要高速访问大量数据的工作负载。

但HBM并不便宜。

它涉及复杂的内存堆叠、先进封装和供应链协同,相关成本往往高于普通DRAM内存方案。随着AI芯片需求增长,HBM的产能分配也成为影响高端GPU供货的重要因素之一。

Intel选择的LPDDR5X,则是另一种技术路线。

LPDDR5X是一类低功耗DRAM,长期应用于手机、笔记本电脑及其他对能耗敏感的设备。与高端HBM相比,它通常具有不同的成本、容量和带宽特征。

Intel希望通过LPDDR5X,在控制功耗和制造复杂度的同时,为推理GPU提供更大的内存空间。

根据Intel已经公布的信息,GPU D系列的主要规格包括:

  • 采用Xe3P GPU架构;

  • Intel标准板卡配备160GB LPDDR5X内存;

  • 合作伙伴设计版本最高可支持480GB LPDDR5X;

  • 标称内存带宽为1.5TB/s;

  • FP8计算性能约为1.3 PFLOPS;

  • 设计功耗为350W;

  • 采用标准PCIe板卡形态,并支持风冷部署。

这些参数体现出Intel的产品思路:不单纯追求最高内存带宽,而是尝试在内存容量、计算性能和功耗之间寻找新的平衡。

不过,480GB是合作伙伴设计可达到的最高容量,并非所有Intel GPU D270产品都默认配备480GB内存。

另外,1.5TB/s属于Intel公布的产品设计指标,不能直接推导出不同容量板卡在所有应用中具有完全相同的实际性能。

无HBM设计最大的意义,不是证明LPDDR5X在技术上全面优于HBM,而是说明部分AI推理任务可能更需要足够大的内存空间,而不一定需要极高的峰值内存带宽。

AI推理服务器为什么越来越重视大容量内存?

AI模型训练和AI模型推理,对硬件资源的需求并不完全相同。

模型训练通常涉及大量矩阵计算、参数更新和多GPU协同,计算性能、内存带宽以及GPU之间的通信效率都十分重要。

推理则是使用已经训练完成的模型,处理用户输入并生成结果。

随着AI应用从简单问答发展到长文档分析、代码生成、多轮对话及AI智能体,推理任务所占用的内存也在不断增加。

其中一个重要原因是KV Cache。

在Transformer模型推理过程中,系统通常需要保存已经计算过的注意力键和值,以避免后续生成内容时重复执行相同的计算。

当用户输入很长的文档,或者多个用户同时与AI模型交互时,KV Cache可能占用大量内存。

如果显存容量不足,系统可能不得不减少并发数量、压缩缓存、将部分数据转移到其他存储层,或者重新计算部分内容。

这些操作都可能影响推理性能和响应延迟。

因此,对于某些长上下文和高并发推理任务,增加内存容量可能比继续提高GPU理论算力更有实际价值。

Intel将GPU D270定位于企业AI助手、长上下文处理、检索增强生成(RAG)以及多用户推理服务,正是基于这类需求变化。

但这里也存在一个容易被忽视的限制:大容量内存能够解决模型和缓存能否容纳的问题,却不能自动解决数据读取速度和计算吞吐量的问题。

如果模型推理的主要瓶颈来自内存带宽,采用较低带宽内存的GPU仍可能受到明显限制。

这也是为什么HBM不会因为LPDDR5X推理GPU的出现就失去价值。

350W风冷设计,能让普通机房更容易部署AI服务器吗?

除了内存方案,Intel GPU D270另一个值得关注的参数是350W设计功耗。

对于数据中心运营商而言,GPU服务器的实际部署成本并不仅仅来自硬件采购。

随着高端AI加速卡功耗不断提高,服务器往往需要更加复杂的供电和散热配置。高密度GPU集群还可能涉及液冷、机柜供电升级和机房基础设施改造。

Intel GPU D270采用标准PCIe形态,并以风冷作为主要散热方式,意味着其目标之一是降低服务器厂商和数据中心集成新型加速卡的难度。

对于已经部署传统风冷服务器的IDC企业,这种设计可能具有一定吸引力。

例如,部分现有服务器平台具备足够的PCIe扩展能力、电源余量和机箱散热条件,理论上可以减少为部署AI推理加速卡而进行大规模机房改造的需求。

不过,这不等于所有普通服务器都能直接安装GPU D270。

实际部署仍需要确认主板PCIe兼容性、机箱空间、电源连接器、BIOS支持、驱动环境以及风道设计。被动风冷加速卡尤其依赖服务器机箱提供足够的气流。

同时,350W是单张加速卡的功耗设计指标,并不是整台服务器的实际耗电量。

如果整机搭载多张GPU,还需要加上CPU、内存、存储、网络设备和散热风扇的功耗。

从机房角度来看,降低单张加速卡功耗固然有价值,但真正决定部署经济性的,是整套系统在相同业务负载下能够完成多少有效计算任务。

如果一套系统虽然功耗较低,却需要更多GPU才能达到相同吞吐量,那么其总体成本优势就可能缩小。

AI服务器成本能否下降,关键不是显存价格本身

Intel选择不用HBM,一个直接的考虑就是降低部分推理场景对高成本内存和复杂封装的依赖。

但这并不能简单理解为GPU D270一定比同类产品便宜。

首先,Intel尚未公布足够完整的商业采购价格,无法直接计算其与NVIDIA、AMD等现有产品的实际采购成本差距。

其次,即便LPDDR5X内存方案在制造和供货方面具有潜在优势,GPU芯片、PCB设计、供电系统、散热组件和服务器整机集成仍然需要成本。

更重要的是,AI推理服务器必须考虑总体拥有成本,也就是TCO。

一套推理系统的实际支出至少包括硬件采购、软件部署、供电散热、运维管理,以及设备使用期间的资源利用效率。

如果用于对外提供AI服务,还需要考虑单位请求成本和单位Token生成成本。

例如,两种不同架构的GPU服务器,在相同模型、相同精度和相同响应延迟要求下,可能呈现不同的吞吐量。

采购价格较低的服务器,不一定能以更低成本完成同等数量的推理请求。

对于商业化AI服务来说,尤其需要关注首Token响应时间、持续生成速度、并发请求数量和长上下文处理性能。

因此,评价Intel GPU D270是否具有成本优势,不能只比较480GB内存与其他GPU的显存容量,还需要在真实负载下测试单位时间的有效输出以及整体功耗。

目前Intel公布的部分性能结果来自其内部测试或特定配置,尚不足以证明GPU D270在所有推理任务中都优于竞争产品。

软件生态可能比硬件参数更难突破

AI服务器市场长期存在一个明显特点:客户选择GPU时,往往不仅考虑芯片本身,也会考虑整个软件开发环境。

NVIDIA CUDA生态经过多年发展,已经形成较成熟的计算框架、推理工具、驱动和开发者支持体系。

大量企业AI应用在开发之初就针对CUDA进行适配和优化。

对于这些用户而言,更换GPU架构并不只是替换一张加速卡。

即使新的GPU具有更大的内存容量或更低的理论功耗,也可能需要重新验证模型推理框架、算子支持、低精度计算、缓存管理及多卡通信等功能。

Intel正在通过Xe软件架构、开放计算框架及相关开发工具降低迁移难度。

Intel官方产品资料也将PyTorch、vLLM等开放生态列为其支持方向,希望让用户能够在现有开发环境中部署新的推理加速器。

不过,厂商宣布兼容某个框架,与该框架中的所有模型、算子和优化功能都已经具备成熟生产环境支持,是两个不同的概念。

尤其对于高并发AI推理服务,软件调度、批处理、KV Cache管理和计算内核优化,往往会对实际性能产生显著影响。

我们更关注的是,Intel能否在产品正式商业化之后持续提供稳定驱动、完善推理框架适配,并让服务器厂商能够交付经过实际验证的整机方案。

如果这些条件不能同步成熟,即使GPU硬件参数具有吸引力,企业仍可能因为迁移成本和维护风险而继续使用现有平台。

联合韩国23家企业,Intel希望建立完整的AI服务器生态

11月12日的首尔活动还有一项值得注意的进展。

Intel宣布与韩国23家企业和机构共同推进K-AI Full-Stack Alliance合作计划,涉及服务器制造、AI芯片、软件、模型和云计算服务等多个领域。

参与企业包括韩国服务器制造商KTNF,以及FuriosaAI、DEEPX、Upstage和MegazoneCloud等产业链企业。

这一合作并不意味着上述企业都已经确定采购GPU D270,也不等于相关产品已经实现大规模部署。

其更重要的意义在于,Intel试图将CPU、GPU、第三方AI加速器和本地服务器制造能力结合起来,形成更加开放的AI基础设施方案。

对于服务器行业而言,这种策略与单纯销售高性能GPU有所不同。

在企业级AI应用中,CPU仍然承担着数据处理、任务调度、网络通信和应用服务运行等工作。GPU则负责适合并行加速的计算任务。

合理分配CPU与GPU资源,可以避免将所有计算环节都集中到昂贵的加速器上。

与此同时,Intel通过向服务器厂商提供GPU芯片和开放板卡设计,也可能让合作伙伴根据不同市场需求推出差异化产品。

这对于希望提供定制化AI服务器的ODM和OEM厂商而言,具有一定商业吸引力。

不过,能否真正形成市场竞争力,仍取决于后续量产规模、软件成熟度、产品稳定性及客户实际采购情况。

对IDC企业而言,哪些AI推理业务值得关注?

从服务器运营和采购角度来看,Intel GPU D270目前最值得关注的,并不是替代最高端的AI训练GPU,而是能否为特定推理业务提供新的硬件选择。

第一类是长文档分析和企业知识库应用。

这类业务可能涉及较长上下文、检索增强生成以及多轮对话。模型权重和KV Cache需要较大的内存空间,因此大容量GPU内存可能具有实际意义。

第二类是企业内部AI助手和业务自动化。

此类应用通常更关注响应时间、稳定性、并发数量以及长期运营成本,而不一定要求使用性能最高的训练级GPU。

第三类是多用户AI推理服务。

对于提供API或GPU算力租赁的企业,如何在同一套硬件上支持更多有效并发请求,是影响收入与成本的重要因素。

但上述场景只是潜在适用方向,并不代表Intel GPU D270已经在这些业务中完成充分的商业验证。

如果IDC企业计划引入这类新架构GPU,我们建议优先进行小规模测试,重点核查以下内容:

  • 当前业务使用的模型和推理框架是否获得完整支持;

  • 相同模型精度下,实际首Token延迟和持续生成速度如何;

  • 长上下文、高并发负载下,内存容量是否能够转化为吞吐量优势;

  • 整机在持续运行时的功耗、散热和稳定性;

  • 驱动、固件、远程管理和虚拟化能力能否满足多租户需求;

  • 产品实际采购价格、供货周期和售后支持是否具有竞争力。

对于主要销售GPU服务器租赁服务的IDC企业,还需要评估市场需求是否足以支撑新架构设备的长期利用率。

硬件拥有更大的内存容量,不代表客户一定愿意为它支付更高的租用价格。

推理GPU的竞争,正在改变AI服务器的选型逻辑

Intel推动GPU D270,反映出AI服务器市场正在出现更细致的产品分工。

高端AI训练仍然需要强大的计算能力、极高的内存带宽和高效率的多GPU互连。对于这些任务,HBM及先进封装技术依然具有重要价值。

但当AI应用进入长期运行阶段,客户开始更加关注推理请求的实际成本、服务器能耗和基础设施利用效率。

这为不同内存架构、不同功耗水平和不同计算能力的AI加速器提供了更多竞争空间。

Intel选择以LPDDR5X替代HBM,并允许服务器厂商设计最高480GB内存的GPU产品,实际上是在强调一种新的取舍:部分推理任务可能更愿意用适度的内存带宽,换取更大的容量和更灵活的部署条件。

这种取舍是否划算,还需要通过真实业务验证。

对于正在建设AI推理平台的企业,未来选择GPU服务器时,也不宜继续只按照显卡价格、显存容量或理论算力进行简单排序。

能够在目标模型、实际并发和指定延迟条件下,以更低整体成本持续提供服务的系统,才真正具备商业价值。

Intel GPU D270目前仍处于客户评估和生态推进阶段,市场价格、规模化供货和第三方性能验证仍需进一步观察。但无论这款产品最终获得多大市场份额,它所代表的方向已经值得服务器行业重视:AI推理硬件的竞争,正在从追求最高性能,逐渐扩展到如何更经济地使用计算、内存与机房资源。

本文由A5数据原创发布,转载请注明出处:https://www.a5idc.com/helpcontent/9473.html

相关推荐