Snowflake签署了为期五年、60亿美元的AWS Graviton ARM CPU容量承诺。公告中提到的战略划分是"GPU处理训练和推理,而CPU处理AI相关的大部分其他任务,特别是agent"。这是头条经济数字下的builder-frame故事——超大规模客户正在以供应承诺规模购买CPU,因为agent工作负载是CPU-bound而非GPU-bound。每年12亿美元的运行率将ARM CPU放在了与主导AI capex对话的GPU合同相同的采购类别中。
ARM CPU与agent stack匹配的架构原因是工作负载形状。一个agent的大部分wall-clock是工具dispatch、检索编排、JSON解析、验证逻辑、prompt组装,以及包装一次LLM推理调用的十二步状态机。单次推理调用需要GPU内存带宽;围绕它的十一步需要规模化的低延迟CPU周期。AWS Graviton的price-performance定位多年来已经通过通用服务器工作负载得到验证,但agent stack是相同经济学开始应用于AI标记支出的地方。Snowflake的承诺也是Cortex AI信号——他们的文本接口到数据库产品就是那种主要在CPU上运行、带有间歇性GPU调用的agent工作负载。
构建者的生态系统解读:媒体中的CPU-cloud vs GPU-Nvidia框架是错误的二分法。正确的解读是"agent是CPU重型加GPU爆发"——而比例取决于你在agent loop的哪一步进行instrumentation。超大规模厂商(AWS Graviton、Azure Cobalt、Google Axion)正在将ARM定位为AI支出CPU重型部分的基底,这部分在简单聊天之外的任何应用程序中在结构上都比GPU重型部分更大。公告中没有针对Nvidia GPU在agent-loop wall-clock上的头对头比较,这是要标记的方法论差距。论点是经济-架构性的,而不是基准验证的。Snowflake的60亿美元承诺是一票,表明经济案例足够强大,可以在不等待公开基准的情况下采购。
如果你周一早上构建agent基础设施:测量你实际的agent wall-clock CPU-to-GPU比率,然后相应地选择instance类型。"AI工作负载=GPU instance"的假设在agent-重型服务上要花钱。如果你销售agent平台:与企业客户的每-token经济学对话正从原始推理成本转向总agent-loop计算混合,ARM CPU定价是该推介的一部分。