摘要中山家具封边胶价格

CPU需求为什么会增长？在大模型训练阶段，以GPU为核心的矩阵计能力是决定模型能力的核心，产业内关注焦点也聚焦在FLOPs等GPU的计能优化上。但从2H25起，出现了两面变化：1）在训练侧，强化学习的重要提升，使得CPU/GPU配比成为了系统的关键指标之；2）在理侧主要有三个域：a) 理Host CPU，配GPU进行任务调度和利用率优化等，甚至执行简单理任务，形成对GPU的替代作用；b）编排节点CPU，在复杂agentic任务中，作为立节点承担逻辑运并进行任务编排；c) 沙盒执行层随并发任务数增加带来CPU需求。

AI驱动下，CPU市场规模有多大？我们从两个维度尝试进行测：1）中基于GPU:CPU=1:1配比估计下，我们测至2030年全球CPU市场规模将1300亿美元；2）我们测Agentic AI当前情景下（5亿DAU或300亿日均token）对CPU的新增需求大约为840万颗。从技术发展趋势看，作为新操作系统的“调度器”CPU的升趋势包括强的单核能、大的内存带宽、强的I/O能力、多核心数。长期来看，我们预计数据中心CPU迭代将围绕三条主线展开：数据带宽能力提升、任务分工业化，以及与加速器的度融。此外，在需求快速增长情况下，我们认为2026年服务器CPU涨价趋势有望持续。

竞争格局：x86 vs Arm，谁将胜出？目前全球服务器CPU市场中Arm市占率不到20，仍以x86架构为主。考虑Agent类产品拥有并发、持续运行、大量轻量理请求的特点，Arm精简指令集的功耗率占优，可以支持多核心处理并发请求，适用于吞吐的理服务，我们预计未来其份额或将提升。

正文

随着理需求的持续提升，对服务器系统从原本以GPU（矩阵计）为核心转向CPU（任务编排等）重要提升的讨论逐渐升温，我们认为长期来看，服务器内部的异构系统会成为趋势。本文讨论四个问题：1）从需求角度来看，本轮CPU需求提升的原因是什么？2）类比存储的变化，当前CPU市场在供给和需求端呈现什么状态？3）长期视角看，未来CPU的发展趋势有哪些？4）CPU市场的竞争格局如何？

在大模型的训练阶段，以GPU为核心的矩阵计能力是决定模型能力的核心，产业内关注焦点也聚焦在FLOPs等GPU的计能优化上。但从2H25起，出现了两面变化：1）在训练侧，强化学习的重要提升，使得CPU/GPU配比成为了系统的关键指标之；2）在理侧主要有三个域：a) 理Host CPU，配GPU进行任务调度和利用率优化等，甚至执行简单理任务，形成对GPU的替代作用；b）编排节点CPU，在复杂agentic任务中，作为立节点承担逻辑运并进行任务编排；c) 沙盒执行层随并发任务数增加带来的CPU需求。

训练视角：强化学习带来对CPU需求的提升

强化学习对CPU/GPU配比提出新要求。与传统意义上认为在训练阶段GPU是唯重要的衡量指标不同，随着强化学习的重要提升，考虑CPU资源的约束也成为了个值得关注的向。目前强化学习的实践中，环境交互以及如何分配硬件资源，已经成为了系统的主要瓶颈，由于需要大量CPU资源去运行模拟环境，CPU不足也会造成GPU 空转。因此理设计CPU/GPU的配比，让CPU的线程数等于或者大于GPU SM 的数量，也成为了个重要向。但从对量的角度看，我们判断强化学习带来的对CPU的需求相对理较为有限。

理视角：Agentic AI时代，CPU成为瓶颈环节

简单理：成本视角下，CPU对GPU的替代作用

成本视角考量，CPU对GPU存在定替代可能。当前GPU仍处于紧缺状态，同时能的GPU不管是租赁价格还是缺货情况都未见到明显缓解。在训练场景中很难采用其他计芯片对GPU进行替代，但来到理场景后，面对矩阵计的能要求有所下降，另面在些简单的理任务中，如chatbot等，业内已经开始采用浮点计能较低的RTX系列等力芯片进行理。

考虑CPU价格对比GPU的优势明显，我们判断在些简单的理任务中，CPU定程度上也可能替代GPU，带来定拉动。从海内外头部CSP对ASIC芯片的动，以及对定制化CPU芯片的探索思路看，也具有定的共同之处。但这部分法进行具体的测，同时潜在空间有限。

图表1：CPU在理中的重要提升

资料来源：The Rising CPU:GPU Ratio in AI Infrastructure: Drivers, Trends, and Implications（Intel，2026年），中金公司研究部

Agentic AI：Token消耗占比持续提升，复杂任务编排使CPU成为新的瓶颈

我们认为Agentic AI时代CPU的变化具有三个特点：1）总体来看：任务链条和流程复杂带来的CPU重要上升；2）工作负载复杂化：不同的工作负载对CPU要求不同，RAG、ChemCrow等工作负载中，CPU 已经成为了核心瓶颈；3）并发数量增加：并发数量增加会进步加大CPU作为瓶颈的约束情况，进而在执行层带来对沙箱的需求增长。

Agentic AI具有泛化的应用能力，正逐渐成为AI应用的主流。Agentic AI以生成模型为基础，增加了编排、记忆和目标向行为，可以规划多步骤任务、调用工具、迭代结果，并在长时间的工作流程中运行。根据OpenRouter数据，到2025年底，理产生的token已过总token的50，有15的理过程以“外部工具调用”结束。

图表2：理产生的token数占比

资料来源：OpenRouter，中金公司研究部

图表3：以“外部工具调用”结束的理过程占比

资料来源：OpenRouter，中金公司研究部

多步骤、多工具调用的Agentic AI带来任务流程的复杂化。从工作流视角看，在传统的生成式 AI（如单轮对话的大语言模型）中，整体的输入-输出流程相对简单，步骤也较少。但随着AI向Agentic（智能体化）演进，在理过程中步骤加繁杂、不同工具、外部API 调用等成为常态，因此CPU作为任务编排的核心重要在上升。

图表4：Agentic AI在编译器，任务执行流程中山家具封边胶价格，执行复杂度面的变化

资料来源：A CPU-CENTRIC PERSPECTIVE ON AGENTIC AI（Georgia Institute of Technology，Intel，2025年），中金公司研究部

Agentic AI 任务中工具处理需求的出现，在部分的工作负载场景下CPU已经成为新的瓶颈环节。在大语言模型的执行式下，理流程为：理1——工具调用1——理2——工具调用 2——理 3……，由于系统须等到LLM 生成完整工具调用的所有 token，才开始执行，因此会带来GPU 空转（等待工具返回结果）和工具空转（等待模型生成指令），因此需要CPU进行工具处理。从而使系统从原来的GPU为核心之外，CPU作为工具处理的重要大幅提升。《A CPU-CENTRIC PERSPECTIVE ON AGENTIC AI》的论文中列举了不同的工作负载延迟表现，可以看出由于CPU上的工具处理可能占据端到端延迟的很大部分，因此行业内优化的来到了以CPU 为核心的优化策略上。

图表5：在没有部分工具调用的情况下，会形成GPU空转带来延迟

资料来源：Conveyor: Efficient tool-aware llm serving with tool partial execution（Duke University，2024年），中金公司研究部

图表6：不同工作负载下端到端运行的延迟情况，CPU 已经成为了核心瓶颈

资料来源：A CPU-CENTRIC PERSPECTIVE ON AGENTIC AI（Georgia Institute of Technology，Intel，2025年），中金公司研究部

动态视角看，CPU 的额订阅会随着并发任务的数量增加变得加严重。随着批处理（Batch size）大小的增加，以及输入/输出 token长度的增加，在不同的工作负载下，CPU 作为瓶颈环节的影响是在逐渐变大的。也就是说，用户数或者并发任务的增加，会使得CPU 核心数量的要求。例如当Batch-size达到 128 的时候，系统需要同时调度数百个工具执行进程，因此CPU 的核心数成为了新的短板。而增加CPU资源在延迟和提系统利用率面具有明显果。

图表7：增加CPU资源的分配可以减轻延迟

资料来源：Characterizing CPU-Induced Slowdowns in Multi-GPU LLM Inference（Georgia Institute of Technology，2026年），中金公司研究部

图表8：分配多的CPU核心可以缩短利用率时间

奥力斯    保温护角专用胶批发    联系人：王经理    手机：13903175735（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区

资料来源：Characterizing CPU-Induced Slowdowns in Multi-GPU LLM Inference（Georgia Institute of Technology，2026年），中金公司研究部

Sandbox执行层：驱动多核并发与硬件虚拟化需求的增长

复杂Agent任务带来沙箱（Sandbox）需求快速增长。在企业应用场景中，为确保系统安全与执行环境的纯净，系统会针对每个外部工具调用请求，瞬时拉起（Spin-up）并随后销毁（Tear-down）个立的微型虚拟机或容器（MicroVM/Container），即沙箱。从当前的任务分类看，万能胶生产厂家除了少数的只读型、纯API 调用、纯本地调试等任务之外，涉及到自主执行代码或调用外部工具的任务，沙箱在系统安全、率控制、环境致等面的优势表明它都是须存在的。

图表9：多智能体架构中，执行智能体利用虚拟机（VM）作为沙箱来运行代码

资料来源：The Rising CPU:GPU Ratio in AI Infrastructure: Drivers, Trends, and Implications（Intel，2026年），中金公司研究部

沙箱消耗 CPU的硬件虚拟化指令集（如 Intel VT-x/AMD-V）能，对 CPU 的物理核心数提出了线增长的需求。当系统面临同时执行数十个网页抓取、代码编译或数据清洗等并发任务时，庞大的物理核心数是实现横向扩展、降低任务间上下文切换损耗的唯解，因此对CPU调度能力产生要求。而CPU的核数决定了能开启多少个沙箱（即并行环境）。

图表10：Agentic AI对沙箱的需求

资料来源：微软中山家具封边胶价格，中金公司研究部

从上文可以看出，训练和简单理对CPU的需求处于次要地位，核心还是agentic AI。随着 agentic AI的快速发展，及多步骤的复杂理任务比重和难度增加，对任务编排调度的要求也持续提，进而引发了对CPU需求的增加及未来GPU:CPU配比变化的探讨，本章节从两个维度尝试进行测。

配比视角：Agentic AI动服务器CPU市场规模快速增长

我们预计2030年全球CPU市场规模将突破1300亿美元

CPU在单台AI服务器中的配比将迎来提升，提升系统边际率。从章对CPU需求的视角出发可以看出，过去AI服务器中CPU在配比的数量、核数等多个面都已经法满足需求，为保持系统整体的吞吐量，服务器架构需要显著提升CPU的核心数和缓存能，致CPU在整体力采购成本中的占比提。因此我们预计CPU的需求将迎来增长。

配比的具体数字是核心。聚焦几CPU 厂商新表述来看：1）英特尔：CEO陈立武在1Q26业绩会上提到CPU:GPU配比有望从1:8/1:4进步提升；2）AMD：1Q26业绩会上苏姿丰预计全球服务器CPU市场有望在2030年达1200亿美元规模；3）ARM：4Q26业绩会上CEO预计全球服务器CPU市场有望在2030年1000亿美元规模。

需要指出的是，当前对GPU:CPU的配比并没有致结论。由于现有的服务器架构较为固定，因此在理服务器中我们预计仍将以2个GPU配1个CPU的式进行配置；但考虑到agentic AI的需求，纯CPU的机柜也将开始陆续部署，因此从综的视角看，CPU:GPU配比将从目前8卡服务器中1:4的比例逐渐提升，2030年或将达1:1甚至多。

中基于1:1的预计倒，我们测至2030年全球CPU市场规模将1300亿美元。核心假设有：1）全球力卡预计2030年达4240万颗；2）AI服务器CPU:GPU配比2030年达1:1；3）AI服务器CPU单价随核心数的增加、能的提升及代工的升2026-2030年增幅在16。

图表11：数据中心CPU市场规模测

注：图中CPU价格为预估，并不代表实际售价

资料来源：BBG，各公司官网，中金公司研究部

需求视角：Agentic AI对CPU数量及核数提出新需求

总量：当前情境下Agentic AI对CPU新增需求过800万颗

我们测Agentic AI当前情景下对CPU的新增需求大约为840万颗。从需求端对CPU的测较为复杂，我们简化后通过并发任务数量的形式，讨论Agentic AI对CPU的拉动作用。测的核心思路为：1）通过日活用户数或日均token消耗量对并发任务数量进行预估；2）对任务按复杂度进行核心参数分配，包括任务占比，占用核数，调用agent数量等；3）分四种情况计对应CPU核数需求；4）测所需CPU数量。

图表12：Agentic AI对CPU额外需求测

资料来源：各公司官网，中金公司研究部

结构：CPU应用场景需求进步细化

从技术发展趋势看，作为新操作系统的“调度器”CPU的升趋势主要有：1）强的单核能来降低单次理的延迟，2）大的内存带宽和强的I/O能力来调度长的上下文以及管理海量的数据，3）多核心数来支持并发查询及虚拟化。

图表13：Agentic AI下数据中心CPU三大应用场景

资料来源：各公司官网，中金公司研究部

价格趋势：短期供需失衡，服务器CPU有望持续涨价

由于CPU产能分配存在些模糊，因此缺乏CPU供给侧的较好测，但从定视角看，Agentic AI等需求对CPU的拉动还在持续增长，因此CPU市场出现了定程度缺货涨价。

受供需缺口影响，我们认为2026年服务器CPU涨价趋势可持续。截至2026年5月，我们观察到Intel服务器CPU在2月、3月已经历了两次涨价，涨幅在5-15之间，同时部分型号CPU交期还在持续拉长，侧面体现了对CPU的需求增长。

► 需求侧来看，如前所述，主要受益于AI理需求增长，同时通用型服务器面临新换代的需求，我们预计2026年全球服务器出货量有望同比增长近20，未来Agentic AI有望拉动AI及配套服务器需求的加速增长。

► 供给侧来看，AMD和Arm均采用台积电制程代工，结GPU、ASIC等力芯片需求持续上修，台积电2-5nm制程订单需求盛，产能扩张较为有限，我们预计供需缺口将持续至27年。目前来看，AMD CPU27年产能供给仍有定弹。根据陈立武5.19JPM大会发言，英特尔18A良率每月稳步提升，有望在26年底前实现成熟良率目标。结来看，我们预计供需缺口将持续至27年，2026年服务器CPU有望迎来进步涨价。

此外，受益于服务器CPU盛的需求，服务器CPU配套芯片，如PCIe retimer、PCIe switch以及内存接口芯片等细分赛道，亦值得关注。

图表14：Intel产能预计

注：绿为目前主力产能，统计截至1Q26

资料来源：Intel官网，中金公司研究部

长期趋势：理架构正从“GPU附属CPU”转向“CPU强绑定集群”

未来十年，数据中心CPU的演进路径不太可能回到单纯追求频率或核心数扩张的传统逻辑，而将围绕三条主线展开：数据带宽能力提升、任务分工业化，以及与加速器的度融。

► CPU 将进步向带宽数据设备演进。随着 AI 负载从单次张量计扩展至大规模上下文管理与状态维护，我们预计内存通道数量、内存带宽密度和缓存容量的重要将持续上升。LPDDR 在数据中心的采用、SOCAMM 模组的发展，以及通道数 DDR 设计，均指向个向：隐藏内存延迟、提升带宽密度、支撑大容量上下文成为核心目标。我们认为未来竞争焦点将不再仅是每核心能，而是数据 fabric 组织能力与片上网络带宽。

► CPU 将持续分化以匹配不同工作负载，朝三类向并行发展：1）单核能、内存带宽、与 AI 加速器保持致互连的紧耦型 CPU；2）面向 KV-cache 管理、网络分层与数据路径处理的 DPU/数据平面型 CPU； 3）核心密度、重吞吐的云型 CPU。这种分化说明 CPU 并未被 GPU 替代，而是在 AI 体系中承担业化的角。

图表15：NVIDIA BlueField-4将Grace CPU与NIC协同封装

资料来源：英伟达官网，SemiAnalysis，中金公司研究部

图表16：英伟达发布Vera CPU机柜

资料来源：英伟达官网，中金公司研究部

► CPU 与加速器的边界可能进步模糊。APU架构（如集成 CPU + GPU 的设计）可能减少立 head node 的需求；部分 RL 训练负载可能迁移至具备本地环境执行能力的用加速器；同时，内存池化与 CXL 扩展可能降低传统每机架配立 CPU的绑定比例。从长远角度看，CPU 甚至可能嵌入交换芯片或数据中心网络核心之中，成为数据流调度的基础控制单元。

我们认为，未来CPU的价值不在于替代GPU，而在于承载系统复杂。在 AI 2.0 时代，模型能力的提升带来多交互、长上下文与多外部调用，CPU 作为通用执行与控制单元，仍将是维持系统可扩展的基础组件。其形态可能变化，但其在计体系中的核心地位不会消失。

X86 VS Arm：X86 份额先，Arm有望加速追赶

目前，全球服务器CPU市场中Arm市占率不到20，仍以x86架构为主。

X86 vs Arm：x86生态成熟度仍较为先，Arm在云端理份额预计将持续增长。Agent类产品拥有并发、持续运行、大量轻量理请求（比如多轮对话、工具调用、规划理等）的特点，ARM精简指令集的功耗率占优，可以支持多核心处理并发请求，适用于吞吐的理serving。

x86在生态成熟度上仍然保持先的优势。大量理框架在x86上优化成熟，部分指令集对矩阵运有门的加速，因此我们认为对于较大模型的运行、混精度计或和传统软件栈度集成的场景下，x86的兼容和工具链优势明显。

总结来说，Arm架构的CPU因为能比在CSP中获得大规模部署，为CSP自有业务、有能力为Arm架构进行软件优化的客户提供具价比的选择；x86 CPU的服务器具有完整的生态和强的兼容，对中小型企业意味着开箱即用的通用与低的迁移摩擦，具有广泛而稳定的需求。我们预计随着Agentic AI带动AI服务器CPU配比的提升，以及ARM在CSP厂商及企业客户的持续突破，在2030年全球服务器CPU市场中占比有望接近半。

图表17：x86 vs ARM市场规模预测及份额

资料来源：IDC，中金公司研究部

本文来源：中金点睛

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定中山家具封边胶价格，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》，以此来变相勒索商家索要赔偿的违法恶意行为。