豆包、DeepSeek、ChatGPT，我们已经越来越熟悉了。AI 应用已经从少数人尝鲜的工具，迅速进入办公、搜索、编程和内容生产。

但一个 AI 应用突然拥有几千万甚至上亿用户之后，手机和电脑屏幕之外，还会发生什么？这些新增用户，最后会变成多少服务器、芯片、内存和存储订单？

TrendForce 预计，Google、Amazon、Meta、Microsoft、Oracle，以及字节跳动、腾讯、阿里巴巴和百度九家云服务商，2026 年资本支出合计将超过 8867 亿美元，同比增长约 90%；全球 AI 服务器出货量预计增长接近 31%。

围绕 AI 的资本开支，已经从模型训练扩展到芯片、服务器和数据中心。

AI 已经给硬件产业制造过一轮巨大的增量需求。大模型训练首先把 GPU 推到台前，随后是 HBM、先进封装和高速光模块。现在 AI 开始从回答问题走向执行任务，服务器需要承担的工作也变了。

从 GPU 到 CPU，AI 正在重新分配硬件红利。

ChatGPT 走红之后，第一轮硬件机会的传导路径非常清楚。

训练大模型需要完成海量矩阵运算，GPU 拥有大量并行计算单元，非常适合这样的工作。模型越做越大，训练集群里的 GPU 越来越多，周围的硬件也必须同步升级。

GPU 需要高速读取数据，HBM 需求迅速增加；数千甚至数万颗 GPU 组成集群，需要不断交换数据，800G、1.6T 光模块进入扩产周期；芯片越来越大、集成度越来越高，CoWoS 等先进封装同样成为紧缺产能。

所以，大模型训练带来的硬件红利并没有停在 GPU，而是沿着计算、存储、互联一路扩散。

但在 Agent 出现后，服务器需要处理的任务类型开始增加。

普通聊天机器人最典型的使用方式，是用户发出问题，模型完成推理，再把答案返回。

Agent 则要完成一连串动作。用户让它整理邮件、查询机票、比较酒店或者分析几十份文件，它需要先理解任务，再调用模型制定步骤，随后访问网页、查询数据库、运行代码、读取文件，并根据结果继续决定下一步。

最近快速增长的 Meta Muse，很适合拿来举例。

Muse 在上线 12 天后获得约 280 万次下载，能够发送邮件、购物和预订旅行。Meta 还为 Muse 设计了隔离的 Secure VM 运行环境，其中包含浏览器以及 Agent 执行任务所需的数据环境，用户退出 App 以后，任务仍可以继续。

一台物理服务器当然可以同时运行很多虚拟机，不存在 " 一个用户买一台服务器 " 的简单对应关系。但每一个持续运行的 Agent，都需要底层计算资源。而且它消耗的不只有 GPU。

GPU 和 CPU 在 AI 服务器中的分工，可以粗略理解成一支军队里的火力单位和指挥、后勤系统。

大模型训练阶段，GPU 承担主要 " 火力 "；Agent 则增加了大量调度、数据预处理、工具调用和系统管理工作，CPU 承担的任务明显增多。

TrendForce 今年的研究认为，传统 AI 数据中心的 CPU 与 GPU 配置大致在 1:4 至 1:8，Agentic AI 部署中，部分架构可能向 1:1 至 1:2 移动。英特尔管理层也给出过类似判断：训练工作负载通常是一颗 CPU 搭配 7 至 8 颗 GPU，进入推理阶段后可能缩至 3 至 4 颗，更复杂的 Agent 和多 Agent 场景还会继续提高 CPU 占比。

这些数字并不意味着所有 AI 服务器都会走向 " 一颗 CPU 配一颗 GPU"。不同模型、任务和系统架构差异很大。它说明的是，当 AI 开始调用浏览器、数据库和各种传统软件工具时，通用计算在整套系统里的占比正在提高。

GPU 仍承担最重的模型计算，但 Agent 增加的软件执行和任务调度，让 CPU 在整套系统中的重要性重新上升。

服务器对 CPU 资源的需求上升后，增量还会继续传导。

首先是服务器内存。Agent 在任务编排、数据预处理和多工具协同时需要更多 CPU 资源，而 CPU 运行离不开 DRAM。TrendForce 已经把 Agentic AI 带来的 CPU 配置提升列为服务器 DRAM 需求增长的动力之一。

企业级 SSD 受到的拉动更加明显。

AI 推理需要处理越来越长的上下文，并保存大量 KV Cache。当 DRAM 成本过高或容量不足时，一部分数据可以下沉到企业级 SSD。Agent 持续执行任务，又进一步增加文件、数据库和缓存的读写。

今年一季度，全球前五大企业级 SSD 厂商收入达到 184.6 亿美元，环比增长 86.1%。TrendForce 认为，AI Agent 服务快速普及以及云厂商采购是重要动力，当季市场还出现了明显的供需失衡。

至少在企业级 SSD 上，Agent 带来的增量已经开始出现在收入和供需数据里。

AI 从训练模型走向持续执行任务以后，云厂商要买的东西也多了。

最近资本市场又把这条需求链继续推到了 IC 载板。

高性能 CPU 和 GPU 不能直接与服务器主板完成所有连接，中间需要封装基板，把芯片内部极为密集的线路连接到更大尺度的 PCB。服务器 CPU 普遍采用高端 ABF 载板。

CPU 需求如果继续上升，载板自然也会被纳入市场的需求推演。

但这不能解释今天 ABF 为什么紧张。

当前高端 ABF 本来就处于偏紧状态，主要动力来自 GPU、ASIC 和 HPC。欣兴今年 9 月已经表示高端 ABF 产能非常紧张；景硕计划将 2027 年的 ABF 月产能较 2026 年底提高 25%。

因此，Agent 不是今天 ABF 紧张的起点。如果 Agent 继续推高服务器 CPU 配置，ABF 会多出一股来自 CPU 侧的新增需求。

从 Muse 的下载量直接推导 ABF 销量当然站不住脚，中间还有用户活跃度、任务时长、虚拟化效率、CPU 配置以及云厂商采购周期。产业链研究真正关心的是，如果 Agent 从几百万用户走向几千万、几亿用户，这些变量最终会把多少计算需求传导到服务器里。

150 多年前，英国经济学家杰文斯研究蒸汽机时发现，机器越来越省煤，并没有让英国少用煤。效率提高降低了使用成本，蒸汽动力进入更多场景，总消耗反而继续增加。后来，这被称为 " 杰文斯悖论 "。

AI 未必会完全重复这段历史，但今天已经能看到类似的问题。

DeepSeek 等模型持续降低推理成本，芯片计算效率也在提高。按照简单推理，完成同样一个 AI 任务需要的资源应该越来越少；可当 AI 足够便宜，人们也会把它用得更多。

以前一天只问 AI 十几个问题，未来可能让几个 Agent 连续工作几个小时。单次任务变便宜，使用频率和任务长度却同时增加。

这也是 Agent 和上一轮 AI 应用最不一样的地方。

ChatGPT 爆发时，产业最关心的是模型训练需要多少 GPU；Agent 进入规模化阶段以后，问题变成了另一种：一个 AI 每天替几亿人工作，需要多少通用计算、内存、存储和网络资源？

这个问题目前还没有标准答案，但资本开支和服务器采购已经开始提前行动。

AI 应用还在争用户，服务器厂商已经开始重新算采购单。