阿里云发布基于AMD第六代EPYC处理器的第十代ECS企业级实例

阿里云 EPYC处理器 ECS企业级实例

数据猿 | 2026-11-11 16:18

【数据猿导读】 “Agent正在接手越来越多的工作，一场发生在模型之外的算力升级也悄然开始。

“Agent正在接手越来越多的工作，一场发生在模型之外的算力升级也悄然开始。

2026年9月，Meta发布个人AI智能体Muse，仅用了十余天，下载量就突破 250万，一度登顶美国App Store免费榜，并快速霸占全球各大科技热榜头条。但这仅仅是浪潮的起点。9月底，OpenAI发布了常驻于Codex的助手dots；10月，Google Cloud推出面向工作场景的Gemini Agent；11月初，Perplexity也推出了主打复杂任务协同的Teammates。从Personal Agent到Work Agent，AI智能体正以惊人的速度向实际工作场景渗透，并成为当下VC圈最密集、最核心的押注方向。

浪潮之下，外行看热闹，内行看的是，谁的Agent能更好地把活干完。这背后比的不只是模型本身的能力，还有模型之外的那部分能力。

原因在于，传统ChatBot的特点是一问一答，主要依靠模型理解问题、生成回复。Agent不同，它完成一项任务，不会只向大模型提问一次。以完成一次竞品分析为例，它要先拆解任务，再打开浏览器搜索资料、读取数据库、运行代码、调用企业软件。如果网页打不开或代码执行失败，还要退回上一步重新规划，最后核对结果是否可信。

在这条链路里，模型推理通常由GPU完成，但浏览器、数据库、代码环境、权限检查和结果验证等大量工作，仍要运行在CPU上。任务越长、调用工具越多、同时在线的Agent越多，模型之外的那部分计算，就越重要。

这也是为什么，到了Agent时代，企业对先进算力的需求越来越迫切。需求的变化，也让云厂商开始加快新一代处理器的引入速度。从最近几代ECS实例来看，阿里云一直在缩短新一代处理器从芯片发布到云上算力可用的时间，让企业能够更快用上最新的CPU算力。

阿里云近期发布的第十代ECS企业级实例，搭载的就是AMD刚刚在11月初正式发布的最新处理器——第六代EPYC™ 9006（代号Venice）处理器。这颗处理器采用Zen6/Zen6c架构和台积电2nm工艺，单路最高支持256核、512线程，内存通道从上一代的12条增加到最高16条，并支持12.8 GT/sMRDIMM。

第十代ECS企业级实例还围绕Agent工作流、数据和工具链进行了系统性升级。相比九代实例，第十代ECS企业级实例在Agent编码场景中的性能提升约 30%，在搜索推荐等传统场景中的性能提升约23%，整体性价比提升约25%。同时，第十代ECS企业级实例结合Alibaba Cloud Linux 4在操作系统层针对Agent任务进行了专项优化，并通过CIPU提升云盘、网卡等设备的接入密度，为Agent的大规模并行任务提供从硬件、系统软件到I/O的全栈支撑。

Agent的大规模落地

让CPU重新回到舞台中心

CPU从来没有离开过AI系统。过去几年，行业关注点集中在大模型训练和推理，GPU承担最密集的矩阵计算，CPU主要负责主机侧调度、数据准备、网络和存储I/O。

到了Agent时代，CPU承担的任务明显变多了。

以一次“生成一份市场分析报告”为例，模型负责在几个关键节点做判断、执行推理步骤，但在这些步骤之间，Agent还要完成大量实际执行工作：抓取网页、解析文件、查询数据库、运行Python程序、生成图表并检查输出。这些任务很多并不需要GPU，却会持续占用CPU、内存、网络和存储资源。单个Agent的消耗或许并不突出，但当成百上千个Agent并发运行，执行侧就会形成独立的算力池。

AMD在其Agentic AI基础设施示例中，对这种变化给出过一个更直观的描述：传统生成式AI服务器通常由1颗CPU作为头节点，搭配4-8张GPU；到了Agentic AI时代，CPU与GPU的配置正在向1:1靠近，在一些负载中，CPU的比重可能还会更高。

不过，“CPU需求增加”并不等于简单增加核心数。Agent本身就是一组差异很大的工作负载，不同工作负载卡在不同地方：有些任务更看重单核性能和响应延迟，有些则受内存容量、带宽和I/O影响。当大量Agent同时运行沙箱、执行代码和调用工具时，核心与线程密度又直接影响一台机器能够承载多少并发任务。这也是为什么，AMD将Agentic AI描述为一条由不同计算特征组成的完整工作流，而不是一种单一的CPU workload。

所以，判断一套Agent基础设施是否高效，至少要同时看四类指标：单步任务的响应时间、单位机器可并发的任务数、CPU等待数据的比例，以及单位任务的综合成本。如果只比较CPU核数或单项跑分，很难回答真实业务问题。

十代实例，围绕Agent工作流的

系统性升级

第十代ECS企业级实例不是一次简单的CPU更新，而是围绕Agent工作流、数据和工具链进行的系统性升级，并以此回答四个问题：一台服务器能同时跑多少任务，CPU能多快拿到数据，能同时启动多少隔离执行环境，以及如何减少任务运行开销？

更多并行能力：减少任务排队

当大量Agent同时打开浏览器、运行代码或处理文件时，核心与线程密度会直接影响一台服务器能够承载的并发任务量。但核心越多，不代表性能一定按比例增长；如果任务受单线程、内存或I/O限制，继续加核可能只会让更多核心一起等待。因此，对Agent场景更有意义的指标，是完成同一批任务需要多长时间，或者单位时间能够完成多少任务。

第十代ECS企业级实例搭载的AMD第六代EPYC™ 9006处理器拥有更高的核心密度，单路最高256核、512线程，为一台服务器同时运行更多任务提供了条件，吞吐性能较上一代192核旗舰EPYC™ 9965提升约78%。相当于，一台服务器里，能同时干的活更多了，任务完成时间也更快。

阿里云_EPYC处理器_ECS企业级实例-1

更高内存带宽：减少数据等待

CPU的计算能力提高后，内存能否及时提供数据，也变得更加重要。AMD第六代EPYC™ 9006处理器把内存能力往上推了一大截，扩展到最高16通道。内存通道可以理解为CPU与内存之间的数据车道：车道更多，多个核心同时读取特征、索引和中间结果时，更不容易堵车。这对搜索推荐、数据库扫描、数据预处理和高并发Agent任务尤其重要。

AMD EPYC™ 9006系列服务器CPU是针对智能体AI、云、企业、高性能计算和通用计算解决方案产品组合中的一部分。这部分能力也直接延续到了第十代ECS企业级实例。据悉，第十代ECS企业级实例内存带宽相比上一代提升了 60%以上。

更高执行环境密度：解决Sandbox数量受限

Agent 的执行环境不仅消耗CPU和内存，还会使用网络、存储和虚拟设备。当一台服务器上同时运行大量隔离环境时，弹性网卡、云盘、网络连接和I/O吞吐，也可能成为继续提高Agent并发任务的限制因素。

阿里云在第九代ECS中，就已经通过CIPU承担虚拟化、网络和存储I/O等底层工作，减少这些任务对主CPU的占用。到了第十代，CIPU的能力进一步优化。据阿里云披露，新一代CIPU进一步提升了云盘、网卡等设备的挂载密度，为大规模并行任务提供支持。

这对Agent Runtime来说格外重要。过去衡量服务器的运行密度，讨论最多的是“单机能放多少核”。但对于Agent Runtime来说，Sandbox还需要网络、存储等资源。当大量Sandbox同时运行时，云盘、网卡等设备的挂载能力，也会影响一台物理机能够承载多少隔离执行环境。阿里云此次对CIPU的优化，能进一步提高设备挂载密度，为更多Sandbox并行运行、承载更多Agent任务提供支持。

操作系统协同：减少任务运行开销

除了硬件，第十代ECS企业级实例在操作系统层面也继续往Agent场景做了优化。第十代ECS企业级实例搭载Alibaba Cloud Linux 4，并针对Agent任务继续做专项优化。相比九代实例，第十代ECS企业级实例在Agent编码场景中的性能提升约30%。

这类优化的价值，在于能降低Agent运行过程中的系统开销。一次Agent任务往往涉及多个环节，随着任务执行时间延长、并发规模扩大，开销也会不断累积。减少这些消耗，有助于提升任务执行效率，降低运行成本。

从处理器、内存，到CIPU和操作系统，第十代ECS企业级实例实际上完成的是一轮系统升级。新一代CPU提供更高的计算能力，阿里云提供的，是如何让用户更快、更充分地用上这些先进算力。这一思路，也体现在阿里云此前发布的几代实例上。

以去年阿里云推出的九代AMD实例为例，旗舰型g9ae和通用型u2a均基于当时最新的AMD Zen 5架构“Turin”处理器，面向不同场景需求。当时一个很明显的产品思路是，根据负载而不是只根据规格大小来组织算力。

AI时代，CPU的舞台

不止Agent运行时

具体来说，这两款实例对应的是三种不同的算力取向。其中，旗舰型g9ae基于高核心密度的Turin Dense架构，单颗CPU核心数可达192核，并采用“物理核”设计，交付给客户的是一个独占的、不受其他线程争抢缓存及指令的物理核心。它的价值，可以从三类典型负载中看出来。

第一类是搜索推荐，这也是CPU长期承担重负载的典型场景。

阿里云_EPYC处理器_ECS企业级实例-2

一次搜索或推荐请求背后，要在很短时间内完成大量特征处理、召回和排序。随着大语言模型逐渐被引入搜索推荐系统，召回、粗排、精排、甚至Query阶段就开始“大模型化”。但基于Transform的自回归架构，参数规模的增加、特征的语义化，同时还要维持在线业务对响应速度的要求，对算力的需求数量级的往上涨。针对这类负载，g9ae在算力、内存带宽上进一步加强。在端到端的搜推业务中，相比第八代AMD实例取得了约37%的性能提升。

第二类是中小语音模型。随着7B、14B等中小模型在部分垂直任务上的能力提升，一部分推理开始有机会放到CPU上，比如语音交互就是其中一类。这里有几个问题不容忽视：延迟、并发，以及成本。g9ae在满足单路任务延迟要求的同时，也可以在一台机器上并行承载更多任务，让CPU推理的成本进一步摊薄。

第三类是Agent带来的新型执行负载。对于这类负载，g9ae通过减少物理核争抢、提高内存带宽，提升吞吐，减少GPU等待。 训练侧也类似。Agent 做强化学习时，需要通过Rollout跑出大量任务路径，这些交互型负载也可以跑在CPU上，g9ae强大的计算能力和内存带宽，大幅提高了这部分执行吞吐。

当然，并不是所有业务都需要这样的算力配置。不同企业对计算性能、响应速度和成本的要求各不相同，算力选型也需要更加贴近实际业务。阿里云去年同期推出了u2a，满足用户对算力普惠的需求。

u2a主打“低成本+高性价比”，是企业“算力普惠”的首选，相较于上一代u1实例，其性能基线提升20%，并支持额外15%的算力突发；网络带宽从10Gbps提升至16Gbps，并可突发至25Gbps。同时，u2a目录价降低约10%，综合性价比提升高达50%。对于希望控制基础设施投入、又需要更高性能的企业来说，这意味着能够以更低成本获得新一代CPU算力，把更多资源投入业务创新。

从去年阿里云与AMD联合发布的这2款实例来看，两家行业巨头对“AI时代算力应如何构成”这一核心问题，已经做出了体系化回应：既要满足高吞吐、高性能的计算任务，也要兼顾企业对成本的要求，让CPU的性能更好地匹配实际负载。

在第十代ECS企业级实例中，同样能看到这一思路。针对Agent等新型负载，阿里云将优化范围进一步覆盖内存、CIPU和操作系统，并搭载了AMD最新处理器，让用户能够更快获得最新一代CPU算力。