AI 时代，被 GPU 抢尽风头的 CPU，或许正在悄悄迎来一场属于自己的爆发。

据追风交易台，5 月 5 日，瑞银全球研究团队发布了一份针对美国半导体行业的深度研报。面对投资者关于 " 代理式 AI 将如何影响服务器 CPU 市场 " 的密集提问，分析师 Timothy Arcuri 等人通过一系列行业专家访谈并结合自下而上和自上而下两套模型，得出了一个明确的结论：

市场严重低估了 AI 时代 CPU 的价值。服务器 CPU 的潜在市场规模（TAM），将从 2025 年的约 300 亿美元，增长至 2030 年的约 1700 亿美元，五年涨幅接近 5 倍。

在过去两年的 AI 狂热中，GPU 抢走了所有的聚光灯。但随着 AI 从 " 单纯的对话生成 " 进化为 " 自主执行任务的代理（Agent）"，算力的瓶颈正在悄然转移。

代理式 AI 重塑算力格局：从 "GPU 主导 " 到 "CPU 回归 "

要理解 CPU 市场的爆发，首先要理解代理式 AI 与传统 AI 的工作负载差异。

在传统的 AI 训练和基础推理阶段，GPU 是绝对的主力。如果把 AI 算力比作一个工厂，GPU 就是流水线上不知疲倦的工人，而 CPU 则是负责分配任务的经理。在传统模式下，一个经理（CPU）可以轻松管理多个工人（GPU）。

但代理式 AI 改变了游戏规则。代理式 AI 不仅需要生成文本，还需要进行任务编排、工具调用（例如在沙盒虚拟机中执行代码）、文件检索等。这意味着 " 经理 " 的工作量呈指数级上升。

分析师在专家访谈中获取了极具冲击力的数据：

工作量重心的转移： 专家指出，" 在传统的 AI 工作负载中，70-80% 的算力消耗在推理本身（GPU）上；但在代理式推理中，这个比例反转了，70-80% 的工作量转移到了 CPU 上。"

核心配比的暴增： 传统的 AI 训练中，每个 GPU 通常只需配备 8-12 个 CPU 核心；在基础推理中，需要 16-24 个核心；而在代理式 AI 中，每个 GPU 需要配备 80-120 个 CPU 核心。 这相当于，同样一颗 GPU，在智能体场景下需要的 CPU 核心数是传统训练场景的5-10 倍。

并发任务的压力： " 一个代理（及其衍生出的每一个子代理）可能需要 1-4 个 CPU 核心，而一个复杂的任务可能需要生成 10-100 个子代理。"

这种底层逻辑的转变，直接打破了过去 " 重 GPU、轻 CPU" 的算力架构，为 CPU 市场打开了巨大的增量空间。

1700 亿美元的海量市场

基于上述逻辑，该行分析师对服务器 CPU 的总潜在市场（TAM）进行了重新测算。结果显示，到 2030 年，该市场规模将达到约 1700 亿美元。

这个庞大的数字是如何得出的？分析师采用了 " 自下而上 " 和 " 自上而下 " 两种方法进行交叉验证：

1. 自下而上（Bottom-up）测算： 分析师基于美国超大云服务商（Hyperscalers）的加速器模型预测，到 2027 年，市场将出货约 2300 万个加速器（XPU）和约 1000 万个头节点 CPU。随着代理式 AI 的发展，到 2030 年，加速器出货量将达到约 4000 万个。 更重要的是，CPU 与 GPU 的配比率将从目前的 1:4，逐渐向 1:2 甚至 1:1 靠拢。此外，由于 AI 应用需要更高核心数和更高频率的芯片，AI CPU 的平均售价（ASP）将显著提升。例如，英伟达的 144 核 Grace CPU 定价可能在 3000 至 4000 美元之间。量价齐升之下，仅 AI CPU 市场的规模就将达到 1250 亿美元。

2. 自上而下（Top-down）测算： 分析师参考了英伟达对 2030 年 AI 总潜在市场（3 万亿至 4 万亿美元）的预测。推算出 2030 年将有约 4000 万个 XPU 出货。假设每个 XPU 的平均 ASP 提升至 3000 美元，结合 1:1 或 2:1 的 CPU 配比率，同样推导出 AI CPU 市场规模在 1200 亿至 2000 亿美元之间。

分析师将未来的 CPU 市场划分为三个核心板块：

传统服务器市场： 保持稳定增长，预计到 2030 年出货量约为 4400 万台。

AI 头节点（Head Nodes）： 与 GPU 机架捆绑，主要负责任务编排和优化 GPU 利用率。

AI 独立机架（Standalone）： 纯 CPU 服务器，专门用于处理代理式 AI 的工具调用和子代理并发任务。

市场的饼做大了，关键是怎么分。

分析师明确给出排名：ARM 是服务器 CPU 侧最大受益者，其次是 AMD，再次是英特尔——但三者均将受益。

ARM：份额从 15% 冲向 40-45%

2025 年，ARM 架构在服务器 CPU 市场的单位份额约为 15%。报告预计，到 2030 年，这一数字将升至40-45%；若以收入口径计算，由于 AI CPU 的平均售价（ASP）更高，ARM 的收入份额将进一步达到50-55%。

ARM 的优势在哪里？

该行援引专家观点：ARM 架构功耗效率高出约 30%，内存效率高出约 20-30%，且凭借更小的核心设计，在延迟和成本上具备明显优势。更关键的是，英伟达 Grace、AWS Graviton 5（192 核）、谷歌等头部超大规模云厂商的自研 CPU，几乎清一色采用 ARM 架构。

该行预计，到 2030 年，ARM 将占据头节点 CPU 市场 75% 以上的份额。

但 ARM 也有短板。报告指出，ARM 传统上是单线程架构，同步多线程（SMT）能力是近年才逐步开发的功能；在高核心数场景下，核心间干扰和软件兼容性问题依然是挑战；此外，生态系统成熟度仍有待提升，部分软件栈的完善可能要到 2028 年前后。

基于上述判断，分析师将 ARM 的 12 个月目标价从 175 美元上调至245 美元。截至报告发布前一日（5 月 4 日），ARM 股价报 203.26 美元，维持 " 买入 " 评级。

AMD：高核心数 + 多线程，AI 最佳拍档

AMD 的优势在于高核心数和多线程能力，这与智能体 AI 对 CPU" 又要快、又要多 " 的需求高度契合。

报告援引 AMD 在 2025 年 11 月分析师日的表态：AMD 预计服务器 CPU 市场将从 2025 年的 260 亿美元增长至 2030 年的约 600 亿美元，其中 AI 驱动的 CPU 将占 2030 年市场的约 50%；AMD 预计自身在总市场的份额将超过 50%。

分析师目前对 AMD 2030 年的 EPS 预测为 25.27 美元，若市场按预期演进，修正后的 2030 年 EPS 可达 28.14 美元，上行空间约 +11%。

英特尔：基础盘稳固，但追赶压力大

英特尔的处境相对复杂。

在传统服务器市场，x86 架构仍将保持约 85% 的份额，英特尔在工具调用、存储优化等特定工作负载上仍具优势。但在 AI 头节点市场，英特尔的存在感正在被 ARM 快速压缩。

瑞银指出，英特尔正寄望于 "Coral Rapids" 产品线来缩小与 AMD 和 ARM 的差距，但目前来看，AMD 和 ARM 在 AI CPU 市场的定位更为有利。

不过，英特尔也有一张独特的牌：PC 端的溢出效应。随着智能体 AI 将更多任务推向本地设备执行（Anthropic 的 Claude Code 已在采用这一策略），PC 升级周期有望被催化，英特尔将从中受益。

该行对英特尔 2030 年 EPS 的修正上行空间约为 +7%，是三家中最低的。

并非所有 CPU 都一样：延迟 vs 吞吐量的取舍

报告还深入拆解了一个容易被忽视的细节：智能体 AI 对 CPU 的需求，并不是简单地 " 核越多越好 "。

超大规模云厂商在硬件选择上面临一个根本性的取舍：

高核心数 CPU：总吞吐量高，能效比好，但时钟频率低，延迟表现较差，且软件扩展能力有限（大多数软件无法高效利用数百个核心）

低核心数、高频率 CPU：延迟低、响应快，适合 " 头节点 " 角色（负责编排调度、优化 GPU 利用率）

实际部署中，超大规模云厂商倾向于采用 " 头节点 + 大规模计算节点 " 的分层架构：前者负责低延迟的编排控制，后者负责高吞吐量的并行执行。

这意味着，能提供宽泛 SKU 组合（覆盖不同核心数、频率和功耗档位）的厂商，比只押注单一 " 最强 " 配置的厂商更有竞争力。

瑞银还指出，超大规模云厂商的采购决策核心指标不是峰值性能，而是每瓦特可处理的事务数（transactions per watt），内存配置是首要设计变量。

云端还是边缘？一个悬而未决的变量

分析师另外提出了一个值得关注的不确定因素：云端与边缘的计算分工。

早期智能体部署几乎完全依赖云端，但越来越多的系统设计开始将计算推向本地设备—— 5 到 10 个并行任务可以直接在本地文件和数据上运行，既减少了延迟，又节省了云端算力成本。

瑞银援引专家估算：本地执行的扩展，可能将云端智能体工作负载所需的 CPU 容量减少约25%。

这意味着，智能体 AI 对数据中心 CPU 的拉动倍数，最终可能从 5-8 倍压缩至约 4 倍。但与此同时，PC 端的 CPU 需求将被同步拉升，AMD 和英特尔均将受益。