一句话看懂：NVIDIA 发布 Vera CPU 在 AI 存储场景下的基准测试结果，展示其在加密、压缩、完整性校验和恢复等环节显著优于传统 x86 CPU。这意味着 AI 数据吞吐的瓶颈可能从 GPU 转移回 CPU 侧的问题，正在被新的存储处理器方案补上。
事件核心：发生了什么
NVIDIA 在官方技术博客中公开了基于 Vera CPU 的存储基准测试。该 CPU 集成在 NVIDIA BlueField-4 STX 存储处理器中，是 NVIDIA STX AI 原生数据平台基础架构的关键组件。Vera CPU 采用 Armv9.2 指令集，包含 88 个 NVIDIA 自研 Olympus 核心，支持 176 线程并发，配有时钟一致性互连结构（SCF）、164MB 统一 L3 缓存以及 SOCAMM2 LPDDR5X 内存子系统，聚合内存带宽最高达 1.2TB/s。
基准测试显示，Vera CPU 在加密解密、数据恢复、完整性校验、压缩解压以及多阶段存储流水线处理上均超过 x86 CPU。简单来说，NVIDIA 把用于 GPU 供数的 CPU 架构延伸到了存储数据路径上，以解决 AI 工作负载中存储处理能力跟不上的问题。
为什么重要
agentic AI 工作流对存储的依赖被大多数人低估了。每个 Agent 推理步骤都可能触发多次存储操作：检索企业知识、读写持久化内存、复用 KV 缓存、调用工具、保存生成结果。当数千个 Agent 并行运行、上下文窗口持续增大时，存储不只是“读”和“写”，还要在写入时压缩、加密、计算校验和，在读取时解密、解压、校验甚至重建数据。这些操作全部占用 CPU。
传统方案是增加 x86 核心来硬扛，但这样会带来更高的功耗、散热和基础设施成本，而且流水线中任何一步延迟都会拖慢整体。Vera CPU 的核心价值在于：用单线程性能和内存带宽同时满足存储处理的两类要求——单数据流上的快速完成，以及大量并发流下的稳定吞吐。这是 NVIDIA 在 AI 算力版图上的又一次扩展：不只提供 GPU，也向存储和数据处理基础设施渗透。
对用户/开发者/创作者的影响
对 AI 平台开发者和基础设施采购者来说，这个测试给出的信号是：存储正在成为 AI 应用性能的隐形天花板。如果你接入了长上下文、多工具调用的 Agent 服务，用户感知到的“响应慢”，很多时候不是 GPU 算力不足
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
