文 | 象先志
吴泳铭在上月阿里财报会上，提过三个阿里云未来增长的最大动能：MaaS 公有云，企业级内部推理和训练市场，以及以 CPU 为主的传统云计算需求。
前两个方面非常清晰，随着模型应用越来越广泛，云厂商既提供直接的 Token API 售卖，也支撑有更强能力和需求的企业做训练和推理。
第三个增长方向，相对来说没那么耀眼，但趋势正在被进一步验证。云计算产业链的上游，英特尔迎来顺风局。
过去几个季度，这家公司逐步走出此前的低谷。
以 2026 年第一季度为例，英特尔实现营收约 136 亿美元，同比增长约 7%。
其中，数据中心与 AI（DCAI）业务收入约 51 亿美元，同比增长超过 20%，成为最主要的增长来源。相比之下，PC 相关业务整体仍然处在相对平稳甚至略有波动的区间，已经不再承担增长引擎的角色。
利润端的情况更复杂。
GAAP 口径下，英特尔仍录得约 37 亿美元的净亏损；但在非 GAAP 口径下，公司已经恢复到每股约 0.29 美元的盈利水平。
两者之间的差异，主要来自重组费用、股权激励以及部分一次性项目的调整，而不是日常经营成本本身。
现金流和支出结构也能反映出当前阶段的特征。英特尔仍在维持较高的资本开支强度，用于推进先进制程和扩建产能。
这意味着公司当前改善并不是单纯 " 收缩成本 " 中实现的，而是在投入仍然较高的情况下，由需求侧主导的修复。
市场的反应相对直接。
在连续几个季度表现好于预期之后，英特尔股价出现明显修复。投资者开始重新评估这家公司在 AI 周期中的位置，也开始重新讨论它的长期叙事是否需要调整。
老英的顺风局
把英特尔最新一季财报拆开看，这一轮回暖其实可以被更清晰量化。
2026 年第一季度，英特尔实现营收 136 亿美元，同比增长约 7%，同时明显超出市场预期（约 124 亿美元） 。这是公司连续第六个季度跑赢市场预期，意味着需求端的改善已经具有连续性，而非仅仅单次反弹。
其中客户端计算（CCG）收入约 77 亿美元，同比增长 1%。数据中心与 AI（DCAI）收入约 51 亿美元，同比增长 22% 。
这两个数字放在一起看，很容易看出主导关系已经发生转移。
PC 业务仍然是最大体量，但几乎不再提供增长。真正推动整体收入上行的力量，是数据中心和 AI 相关业务。
DCAI 这一块不仅增长快，而且质量高：收入同比增加约 10 亿美元（从约 41 亿到 51 亿），经营利润率显著改善（接近 30% 水平） 。
再看利润端。GAAP 每股亏损：-0.73 美元；非 GAAP 每股收益：+0.29 美元
制造端持续投入，折旧和前期成本较高，同时仍在消化过去几年的重组费用。
英特尔现在的状态是核心业务已经恢复赚钱能力，但整体仍被制造转型拖累。
Foundry 收入约 54 亿美元，同比增长约 16%，仍处于亏损状态 。 （Foundry 里有大量是给 Intel 自家产品部门 " 内部制造 " 的分部收入，合并报表时必须抵消，不能当成外部客户收入和其他业务相加。）
这在当前阶段并不意外。
先进制程的推进需要持续投入，叠加过去几年积累的重组成本，使得 GAAP 口径下仍然承压。这种状态更像是一个 " 中间阶段 "，需求已经恢复，但成本结构还没有完全调整完成。
好在顺风局还在持续。公司在财报和电话会中反复提到：服务器 CPU 需求强劲，AI 相关负载带动通用计算需求，多个大客户签订长期供货协议。市场层面已经有更直接的表现，服务器 CPU 价格上涨、供给趋紧 。
现任掌舵人陈立武在 2024 年底正式接任英特尔 CEO。
相比此前的管理层，他的背景更偏向 EDA 和半导体生态（长期执掌 Cadence），在产业链协同和资本配置上经验更深。上任之后的一年时间里，他的动作没有特别激进，但方向清晰。
与此同时，裁员和成本控制持续推进，属于过去几年重组的延续，但执行上更明确。资源配置开始明显向数据中心和企业侧倾斜，消费端和一些边缘业务的优先级被下调。
这样看来 AI 是真坏呀。夺走了显卡，夺走了内存，夺走了 CPU，还可能要夺走我们的工作。
另一个变化体现在执行节奏上。过去几年，Intel 同时推进多个方向，从 GPU 到代工，再到不同制程路线，整体节奏比较分散。
管理层调整之后，重点开始回到既定路线本身：优先保证数据中心产品的推进节奏，同时把制程节点按计划落地，而不是不断扩展新的尝试方向。
这种变化不一定会立刻体现在某一个指标上，但会逐渐反映在产品交付和收入结构中。
AI 也跟 CPU 有关
AI 产业最早的爆发，集中在模型训练。算力需求集中释放，对性能的要求极高，资源呈现出明显的集中使用特征。这也是为什么 GPU 在过去两年成为绝对核心。
但当模型开始进入大规模使用阶段，计算的形态发生了变化。训练只是大模型产出的起步环节 ，AI 系统不可能训练完成就结束。模型需要被嵌入到具体业务中，接受用户的访问和请求，成为长期运行的基础设施。
一般的 AI 应用，它不需要极致算力，但需要持续处理大量请求，每一次对话都涉及模型调用、数据读取和状态维护。想想过去那道做开发的经典面试题，浏览器输入网址敲下回车后发生了什么。
从龙虾到爱马仕，一个 agent 往往不只是调用模型生成文本，还会执行完整流程：查询数据库、调用外部接口、处理结果并写回系统。这类任务更接近传统软件系统，而不是生成式计算。
这些场景带来的变化，意味着时间维度上，计算不再集中在短时间内，而是长期持续运行。负载形态上，请求数量在增长，但单次计算强度相对稳定，系统负载更加平滑。
算力需求从 GPU 到 CPU 和其他传统计算设施的溢出就自然发生。
GPU 仍然承担训练和推理任务，但大量基础工作还是得由通用计算资源完成。CPU 负责调度和控制，内存和存储支撑数据访问，网络负责连接各个模块。
整个系统更像一个持续运转的基础设施，而不只是一台专门用于高性能计算的机器。当 AI 的增长越来越体现在 " 使用频率 " 和 " 运行规模 " 上时，通用算力的重要性就会随之上升。
比如相较于放在家里时刻开机的 Mac mini，云端 Linux 实例配置方便得多，而且成本算下来更低。
在服务器体系中，其实本来大量传统计算并不发生在 GPU 上，而是围绕数据处理、任务调度和系统运行展开，只是过去一段时间被训练需求高峰的突出性所掩盖。
英特尔在这一层有很深的积累，Xeon 仍然是主流服务器平台之一，公司也在强化这一方向，通过产品更新和资源倾斜，优先满足数据中心需求。
制造能力是另一个需要单独看的变量。
英特尔仍然保留自有工厂，这是和大多数芯片设计公司不同的地方。在需求持续扩大的情况下，产能本身会成为约束条件之一。能够在内部保障一部分供给，对数据中心客户来说，是一个现实的优势。
不过，这种优势目前还不完整。
英特尔自身已经进入混合制造模式。以新一代客户端产品为例，不同模块分别采用自家工艺和台积电制程。在 GPU 和 AI 加速器方向，对外部代工的依赖更为明显。这意味着，公司在先进制程上的能力仍在追赶过程中。
Foundry 业务代表的是一个长期方向，既会对利润形成持续压力，也增加了整体不确定性。
坦率的说，追赶台积电或者保证现有制程差距不扩大，如果你将其理解为制造业的一类细分行业，那英特尔的胜算可能不是那么高。
如果没有来自非商业因素的压力，我真怕老英随时步 AMD 的后尘，随时撂挑子不做了。
