AI时代如何看待CPU爆发机遇20260728

AI智能体驱动CPU架构变革：从辅助计算到核心编排的价值重估 摘要 ●AICPU角色演进：从数据管家转向“环境控制教练”,负责智能体任务编排、工具调用及过程监督，成为驱动需求增长的本质原因。●架构解耦趋势：核心增量源于“柜外”独立CPU集群，实现控制流与计算流解耦，避免占用机头CPU导致GPU闲置。●配比量级跃升：纯对话任务CPU:GPU配比约1:4至1:5,而复杂智能体任务(如BrowserAgent)配比可达5:1至10:1。●两阶段增长路径：2025H2-2026年由调度需求驱动(中低端为主);随后由执行型复杂任务驱动，侧重高性能与生态匹配。·架构竞争格局：ARM凭借性价比优势切入调度需求，x86依靠深厚软件生态在复杂任务执行中保持核心竞争力。●市场空间预判：随复杂任务占比提升，AI服务器CPU市场有望达2000亿美元，2026年起将展现强劲Alpha属性。 Q&A 在AI时代，CPU的角色和需求是如何随着应用和模型形态的演变而变化的? CPU的角色和需求演变与下游软件及应用需求的变化紧密相关，大致可分为三个阶段。第一阶段(约2000年至2015年),在传统IT架构下，企业应用如ERP、CRM等更看重单线程响应速度而非高并发处理能力，因此市场核心关注的是CPU的单核性能。第二阶段(约2017-2018年起),随着超大规模云计算的兴起，需求转变为支撑成千上万的微服务或Docker容器，CPU的核心要求变为具备极高的并发密度和能效比。在此期间，AMD凭借Chiplet架构创新实现了多核性能的提升，并扩大了市场份额。第三阶段(2023年至今),随着AI Agent应用的兴起和处理上下文长度的大幅增加，CPU的角色经历了进一步细分演化。初期，CPU主要扮演数据处理的辅助角色，与GPU配合进行数据Tokenization、搬运和清洗，相当于“数据管家”。随后，自2024年9月的0 One及2025年1月DeepSeekROne发布后，强化学习在模型训练中的重要性提升，CPU开始负责环境仿真和奖励模型计算等任务，承担起“环境控制教练”的角色。当前，随着智能体推理 需求的激增，CPU已从后勤走向前台，负责任务编排和工具调用等新增核心任务。 相较子传统的Chatk:ot应用，智能体的出现为CPU带来了哪些新增的需求和工作负载? 在Chatbot时期，CPUU主要辅助GPU进行计算。进入智能体时期.其工作流程变得更为复杂，为CPU带来了显著的新增需求。具体而言，智能体的工作流程主要包括：首先，对目标进行分解和任务编排；其次，根据编排调用所需工具并执行任务；最后，在长程任务执行过程中扮演监测者角色，监督过程是否出现问题。其中，任务编排、工具调用以及过程监督这几项新增的核心职能，均由CPU负责执行，而非GPU。这些新增的工作负载是驱动CPU需求提升的本质原因。 在AI集群架构中，CPU的配比是如何构成的?新增的CPU需求主要来自集群的哪个部分? 在分析CPU配比时，必须将其区分为服务器内部(机头)和机柜外部(柜外)两部分。机头内与GPU直接配合的CPU,其核心任务是保障计算的高效性，避免影响GPIU的计算效率。如果这部分CPU同时承担编排和工具调用等任务，会因占用时间而导致GPU闲置.造成巨大的成本浪费。因此，机头内的CPU仍以保障GPU高效运行为主。核心的增量CPU需求来自于“柜外”。从2025年开始，部分新建的CPU集群已独立于GPU集群部署。这种架构实现了控制流、业务流与计算流的解耦。任务编排和工具调用等新增负载可以在独立的CPU机柜或集群中完成。因此，尽管我们常以CPI与GPU的比例来讨论，但驱动配比提升的核心增量实际上源于这些部署在GPU计算集群之外的、专门处理智能体任务的CPU资源。 不同类型的AI任务对CP!J与GDU的配比需求有何差异?哪些复杂任务正在显著推高CPU的配比? 不同AI任务对CPU的消耗存在显著差异，从而导致CPU与GPU的配比需求不同。纯对话类的Chatbot或搜索增强类任务对CPU的额外消耗有限。例如，纯对话任务在用户输入后直接输出，计算时长短；搜索增强任务虽然可能需要一次性打开二十个网页，但这通常在0.1秒内完成，主要是信息搜集后直接生成，对CPU的消耗增加不多。对于这类任务，CPU与GPU的整体配比大约在1:4或1:5的水平。真正驱动CPUJ需求大幅增长的是复杂的智能体任务，特别是BrowserAgent.和长线程的代码工程生成类任务。这些任务不再是简单的信息检索，而是模拟人类在虚拟空间中操作，涉及复杂的任务编排、调用多种工具(如万得、企业软件)并组合使用。任务完成时间从过去的0.1秒延长至15分钟甚至数小时。由于不能让用户长时间等待，系统必须增加CPU配额，以支持并发的用户任务、调用工具所需的沙箱或Runtime环境。根据实际测试数据，这类复杂的智能体任务所需的CPU与GPUU配比可达到5:1至10:1的水平。 在A应用深化、智能体任务日益复杂的背景下，CPU需求的底层增长逻辑和未来的核心驱动力是什么? CPU需求的增长逻辑根植于AI应用向各垂直领域的深度渗透，这旨在改变特定场景的工作流并引发生产力革命。随着复杂的智能体任务在总体需求中的占比确定性提升，所需CPU的数量也随之增加，从而带来了结构性的增长趋势。具体而言，CPU的增长享受多重乘数效应。第一层是AI应用带来的整体需求增长。第二层是复杂任务占比提升带来的结构性乘数，这意味着执行复杂任务需要更多的CPU资源。第三层是CPU自身架构的演进，例如核心数的增加以提升效率。这三层乘数效应共同驱动了CPU市场的量价齐升，即便不考虑供需缺口带来的价格上涨。若供需关系紧张，则会进一步放大价格乘数，为CPU赛道带来显著的alpha。 CPU需求的增长路径呈现出怎样的阶段性特征?不同阶段的需求驱动因素和产品侧重有何不同? CPU需求的增长可以分为两个明确的阶段。第一阶段主要由调度需求驱动，时间点大约在2025年下半年至2026年。当大量AI用户需求涌入时，首先需要一个CPU集群进行任务分发，将其调度至相应的GPU集群进行计算。这一阶段的核心驱动力是用户渗透率的提升和AI并发请求的增加，其增长速度呈现先快后慢的特点。由于更侧重性价比，此阶段市场对中低端CPU的需求更为旺盛。第二阶段则由执行型任务驱动，其核心是复杂智能体需求的增长，表现为任务流程变长、甚至出现多智能体协作。这一阶段的增长动力来自于智能体任务复杂度的提升及其在总需求中占比的提高，增长曲线呈现先慢后快的特征。市场对CPU的性能、效率及生态匹配度的要求更高，这将是未来CPU需求超预期的主要来源。 在AI服务器架构中，机柜内(in-server)和机柜外(out-of-server)的CPU分别扮演何种角色，其发展趋势和技术侧重点有何差异? 机柜内(即AI服务器机头内)的CPU主要为了与GPU协同工作，其发展趋势是定制化和大带宽。过去几年，机头内CPU的演进重点在于提升与GPU之间的双向带宽，而非单纯增加核心数或大幅提高配比。例如，早期H100或H200服务器的CPU与GPU配比可能为1:8或1:4,而现在已发展到1:2甚至1:1。机柜外的独立CPU机柜则主要承接因编排、工具调用等新增量需求。这类CPU更侧重于与软件生态的匹配度、任务执行效率以及带宽等综合性能。具体来看，用于调度的CPU需求偏向中低端产品，注重性价比；而用于执行复杂任务的CPU则更看重生态、效率和整体性能，这构成了未来CPU配比差异化的主要因素。 在A1冯駆动的算力需求下，86和ARM两科架构的CPU分别興有哪些优势，未来附竞争格局将如何演变? 在当前时间点，x86和ARM架构均有其不可或缺的价值。ARM架构凭借其性价比优势，非常适合处理调度型需求。而x86架构的核心优势在于其成熟和强大的软 件生态。许多传统应用和软件工具都基于x86生态构建，在执行需要高稳定性的复杂任务时，x86架构因其稳定、不易宕机的特性而备受青睐。只要ARM厂商的生态系统尚未完全成熟，x86的优势就将持续存在。目前，英特尔和AMD的产品交付周期都在拉长，并且双方都在积极弥补自身短板，如增加核心数、优化架构以及争取更多产能。因此，预计x86架构凭借其深厚的生态壁垒，仍将保持非常强的竞争力。 业界对于未来AI服务器中CPU与GPU的配比以及CPU市场的长期空间有何预判? 业界普遍看好CPU在AI算力结构中地位的提升。例如，近期有观点认为，未来CPU与GPU的配比有望达到1:1,甚至可能达到4:1。基于对不同复杂度任务占比的趋势分析，可以测算出AI驱动的服务器CPU市场空间有望达到2000亿美元以上的水平。综合来看，从2026年开始，CPU将成为本轮AI周期中一个具备强劲alpha属性的硬件环节。在国内市场，海光信息在CPU领域的预期差有望进一步扩大，值得重点关注。 纪要加微：