过去十年，云数据中心的算力增长主要靠堆CPU核数。但随着虚拟化、软件定义网络、分布式存储和安全策略不断在主机上叠加，越来越多的CPU周期被基础设施税消耗：一台物理服务器可能有20%到30%的算力并未用于客户业务，而是花在报文转发、加解密、协议栈处理和存储寻址上。
这正是DPU（数据处理单元）被推到台前的原因。它把原本跑在通用CPU上的基础设施任务下沉到专用芯片，让主机CPU专注业务负载，云数据中心的算力结构因此被重新划分。
DPU究竟卸载了什么
DPU通常是一块带有多核ARM处理器、可编程网络流水线和硬件加速引擎的板卡或板载芯片。它与CPU、GPU并列，被视为数据中心的第三颗主力芯片。其核心工作是把不该由CPU干的事接过来：
- 网络卸载：虚拟交换、隧道封装与解封装、Overlay转发、连接跟踪，把OVS等软件数据面移到硬件。
- 存储卸载：NVMe over Fabrics、iSCSI、纠删码与压缩校验，减少主机在存储路径上的开销。
- 安全卸载：IPsec与MACsec加解密、TLS对称运算、防火墙与微隔离策略执行。
- 管理与遥测：带外管理、指标采集、流量镜像，实现与业务面的隔离。
结果是双向的：一方面释放出可观的主机CPU核数，等价于在不新增服务器的情况下提升可售算力；另一方面，硬件流水线带来的转发时延和抖动明显低于纯软件实现，对AI训练集群的RDMA组网与跨节点通信尤其关键。
云厂商的路线差异
头部云厂商已把DPU作为自研重点。AWS Nitro把虚拟化和管理面整体卸载，使实例接近裸金属性能；阿里云CIPU强调以专用芯片承载网络、存储与安全，支撑弹性裸金属和云盘性能；NVIDIA BlueField与AMD Pensando则面向通用市场，提供可编程流水线，让客户自定义数据面逻辑。
路线差异主要体现在可编程性上：完全固化的卸载方案性能与稳定性好，但灵活性有限；开放可编程方案允许把部分业务逻辑，如自定义网关、可观测探针，前移到DPU，代价是运维与调试复杂度上升。
落地仍有三道坎
第一是生态与编程模型。DPU上的开发工具链、语言与运行时尚未统一，团队需要新的技能栈。第二是成本与利用率，并非所有负载都能从卸载中获益，中小规模集群的投入回收周期偏长。第三是运维可观测性，一旦数据路径下沉到硬件，排障手段和日志粒度都需要重新设计。
趋势：从卸载到融合
下一步，DPU正与机密计算、AI集群网络和裸金属服务走向融合。把密钥管理、可信执行环境的入口放在DPU上，可以让安全策略与业务主机解耦；在AI训练场景中，DPU承担集合通信与拥塞控制，GPU得以更专注于计算。
对云用户而言，DPU的意义并不抽象：它意味着同等价格下更高的可用算力、更稳定的网络时延，以及更清晰的基础设施与业务边界。对云厂商而言，这是继虚拟化之后又一次对算力分配的重新定义。当第三颗芯片成为标配，云数据中心的竞争，也将从堆核转向对基础设施卸载效率的比拼。