智能体扩大执行需求，CPU供需保持紧平衡

基准情景：2030年需求5,020万颗，交付4,708万颗

年度需求高出有效交付312万颗，供需覆盖率93.8%。

需求包含传统服务器、GPU机头、个人与企业智能体、AI科研、后训练强化学习和其他AI负载七类。个人智能体的高峰并发与AI科研任务的长时间高负载，限制了简单依靠池化提高使用率的空间。

有效交付由服务器CPU芯片生产与配套能力形成，同时接受先进晶圆分配检验。英特尔供货不足和交期是当前景气的直接证据；2027年以后新工艺逐步爬坡，需求与供给的相对速度决定缺口是否收敛。

需求增长、核心数升级与2026年涨价共同扩大服务器CPU市场

2025年芯片市场起点约292亿美元；基准情景2030年潜在需求收入约1377亿美元。

2025年以约2502万颗服务器CPU、约1167美元加权均价，得到约292亿美元芯片市场起点。Mercury Research披露的2025年AMD EPYC和英特尔至强可扩展处理器均价分别约为1,325和1,125美元；其他架构与高端产品售价采用研究估计。图中收入是芯片层口径，并非两家公司数据中心业务收入之和。

售价分成三层：传统服务器、GPU机头、独立执行池和其他AI负载各有2025年基价；核心数增加时，价格按核心数约0.75次方变化；高端配置占比提升和同规格成交价变化另计。同规格成交价指数以2025年为100，2026年设108，2027年设110，到2030年为103。该指数是市场整体研究假设，避免把部分型号的涨幅当成全行业成交均价。

英特尔2026年上半年服务器CPU均价同比提高约38%，主要来自高端产品组合；TrendForce观察到部分服务器CPU从3月起报价上调10%—20%，并报道AMD后续两轮涨价计划。路透社采访中，中国市场部分型号年初至7月涨价超过40%。这些证据支持供需紧张下的成交价上行，但覆盖产品和口径不同。模型算得2026年加权均价约1472美元，芯片潜在需求收入约442亿美元；若不计同规格成交价上调，同样采购量对应约409亿美元。到2030年加权均价约2744美元，可交付芯片收入约1292亿美元。AMD提出的2030年服务器CPU可服务市场超过2,000亿美元是公司机会判断，与本图口径不同。

从一次回答到反复执行，智能体增加了CPU工作

对话式AI以生成回答为主；智能体还要运行工具、读取结果，必要时多轮重试。

CPU是执行通用程序的中央处理器。GPU适合大规模并行矩阵计算，模型推理主要靠GPU；系统管理、数据准备、代码运行、网页操作和结果校验仍需CPU。智能体从“回答”走向“行动”，增加的是反复执行和验证环节。

同一项任务会在模型规划、CPU执行和结果判断之间循环，新增CPU需求取决于真实工具运行时间与并发规模。工具等待、内存和网络也会影响完成速度。

CPU运行通用程序，GPU处理密集并行计算

两类芯片负责不同工作；核心数量不能跨架构直接比较。

CPU擅长快速处理多样的指令，运行操作系统、数据库、浏览器和专业软件；GPU擅长把大量相似计算并行完成，是大模型训练与推理的主力。即使主要成本花在GPU上，CPU供给不足仍可能阻塞数据准备、调度与工具执行。

服务器CPU把多个物理核心、内存控制器和输入输出接口放在同一处理器中。更多核心可以同时处理更多工作，但内存带宽和软件能否并行，同样影响实际吞吐。

执行位置决定新增CPU落在终端、企业服务器或云端

浏览器本地执行、用户电脑、企业集群与云端隔离环境的硬件归属不同。

浏览器本地运行的轻工具、用户电脑上的智能体、企业或科研集群，以及云端隔离沙箱，都能承接智能体任务。前两类可能消耗现有终端CPU；后两类若需要扩容或更新，会形成服务器CPU采购。已有服务器的闲置容量承接任务时，不应再算一笔新增采购。

云端沙箱通过网络隔离、资源限制、持久文件和任务编排保护执行环境。它能让任务跨会话继续，却也需要CPU、内存、存储和恢复调度共同工作。

工具执行可能比模型推理更耗时

浏览器、代码和外部服务，会拉长智能体从接到任务到交付结果的时间。

Raj等测试了五类智能体任务，部分任务的工具阶段占总耗时最高约90.6%。这一阶段既有CPU执行，也可能包含网络或外部服务等待。因此，这张图说明工具链的重要性，不能把整段时间都算作CPU满载。

服务商规划系统时，需要一起看模型推理、工具运行与等待；五类测试任务的比例不能代替行业平均值。

主机CPU不足会拖慢GPU服务启动

在需要频繁启动模型或处理长上下文的服务中，CPU配置会影响加速器何时开始工作。

Chung等的多GPU实验保持GPU条件相近，仅将CPU配置从5核提高到32核，模型启动时间由68.4秒降至7.7秒。对需要频繁启动模型和处理长上下文的服务，主机CPU不足会拖慢昂贵的加速器。

这是特定软件栈的启动测试。常驻服务还要考察GPU、内存与网络，CPU核数应按实际流程配置。

长上下文增加主机内存与CPU侧的数据处理

并发对话和智能体保存的中间状态越多，显存之外的缓存管理越重要。

键值缓存保存模型处理过的文本状态。长代码库、多轮任务和多个智能体同时运行，会让缓存随着会话数和上下文长度增加。当GPU显存装不下，服务系统可以把一部分状态放入主机内存或存储；CPU负责主机侧的地址管理、预取、内存访问和向GPU搬运数据。DeepSeek Engram展示了把部分确定性记忆放在CPU侧、再按需预取的做法。

Google TurboQuant通过量化压缩减少每份缓存的占用。若云服务在主机内存侧进行压缩、解压和检索，这些操作也需要CPU参与，更多长会话会增加CPU处理量；若压缩完全在GPU侧运行，就不能把这部分计算记作CPU工作。压缩使单个会话更省内存，与新增CPU计算是同时存在的两种影响。

主机内存可扩展模型容量，但会留下吞吐和带宽账单

数据从GPU显存移向CPU侧，收益与代价都要在同一实验里看。

DeepSeek Engram在4B与8B基础模型中加入约100B参数的外置记忆，并将其放在CPU侧。论文的单项吞吐测试显示，4B模型由每秒9,031.62个token降至8,858.28个，8B模型由6,315.52降至6,140.02个，分别下降约1.9%和2.8%。

实验说明主机内存可以承接一部分容量压力，同时带来预取、内存带宽和数据搬运要求。它没有直接披露新增服务器CPU颗数；是否划算还要看内存价格、命中率及服务延迟。

OpenAI dots把个人智能体带入常驻工作状态

一个智能体可以保留云电脑和浏览器，按计划继续办事，并把复杂目标拆给子智能体。

OpenAI于2026年9月推出dots，官方说明每个dot有自己的云电脑和浏览器，可运行周期任务，使用连接的工具，并通过ChatGPT、短信、邮件和Slack继续跟进；复杂工作还可能委派给多个子智能体。一次委托因此可能跨越数天、多次执行，而非一次模型回答。

云电脑保存状态时不需要持续满载，但浏览器操作、文件处理、代码运行及并行子任务会反复占用CPU。产品处于逐步开放阶段，不能据此直接推算已部署数量；其意义在于个人智能体开始具备持续工作的执行形态。

Meta Muse让个人智能体拥有持续工作的云电脑

从日常目标、浏览和填表，到购买前请用户批准，任务开始跨越多个应用和会话。

Meta于2026年9月在美国推出Muse，入口覆盖应用、网页和WhatsApp。用户可以委托它整理邮件、网页和日历信息，浏览网站、填写表格、运行代码或安排定时任务；离开界面后，后台工作仍可继续。购买和发送邮件等敏感操作需要用户确认。

Muse为每位用户提供隔离的Linux云电脑，保存浏览器、文件和任务状态，并支持并行子智能体。基准情景假设执行月活中35%当天运行任务、所有沙箱合计活动90分钟；Meta尚未披露这两项实际用量。

Grok Bot和云沙箱把长期任务变成可共享的计算池

有状态的工作区可以持续存在，但等待模型或用户时不必持续占用物理CPU。

Grok Bot支持后台任务和多个Bot协作。一项匿名云服务商访谈描述了另一种部署：个人智能体运行在独立虚拟机中，通过接口调用分开的GPU推理服务；受访者给出的单实例示例为2个虚拟CPU和8GB内存。

用户离开后，任务状态可以保存，待运行的任务仍可在后台继续。需求测算进一步区分注册、付费、月度执行和当天实际运行的人数，并为高峰保留容量。

企业智能体增加的是任务次数与工具调用

编程、办公与业务流程可以在云端持续运行，单个员工也可能同时派发多项任务。

OpenAI的Agents API为长时任务提供云端执行环境。Meta与亚马逊云签署协议，计划从数千万颗Graviton核心起步部署多种AI相关负载；协议未披露Muse单独使用量或实际芯片颗数。这显示大型企业已经为云端CPU工作安排具体资源。

企业智能体会读取数据、运行测试、调用系统，再由人审查结果。生成查询和重做报表还会使用数据库CPU，其中一些工作替代原有人工查询。新增采购要看每天实际运行的任务、每项活动核时及既有服务器的余量。

多智能体让可拆分任务并行运行

分支可以同时检索、写代码、做实验，最后还需汇总、去重与验证。

Anthropic曾让45个协同智能体各在独立虚拟机中执行安全研究；OpenAI在一项数学研究中组织约1万个并发智能体。两个案例展示了任务拆分和并行执行的能力，但都未披露物理CPU配置。

基准情景假设30%企业任务可拆分，平均3个分支，并计入协调计算。Google控制实验也发现，多智能体对可并行任务有利，但强顺序任务可能表现更差。

万级智能体科研显示极端并发可能出现

这是一项高强度示范：从寻找思路到运行代码、汇总结果和验证证明，持续近五天。

OpenAI在流体运动的纳维—斯托克斯难题研究中组织约1万个并发智能体，约88小时形成解析证明，随后又用Lean软件花17小时逐步检验。此前，约100个智能体合作50小时解决了一个相关的欧拉方程子题。

这是AI科研可能产生高强度执行任务的案例。克雷数学研究所认为成果看来解决了问题，正式审查仍在进行；研究团队没有公开这次任务使用了多少CPU。

AI科研还有大量较小、可重复的工作流

数学证明是极端峰值，常态需求更可能来自代码分析、专业软件与反复验证。

更常见的科研工作规模较小。OpenAI称每周约130万人用ChatGPT做高级科学与数学工作，产生约840万条消息，但未披露其中多少调用了计算工具。Anthropic的一项数学研究让约60个子智能体在一天半内运行2400条命令和数百个Python脚本；另一项工作把已知的费马大定理写成可由软件逐步检验的证明。

Google的AI co-scientist让不同智能体提出、反思和筛选假设；Empirical Research Agent能自动评测数千个代码变体。专家访谈提示，当前更多科研用途仍是阅读文献、写代码和局部调用专业软件，跨软件完成“计算—解析—验证”的闭环尚未普及。工作也可能由实验室现有集群或本机承接，2030年新增CPU采购因此仍有较大不确定性。

AI芯片研发本身也在形成工具执行负载

模型辅助设计时，电子设计自动化软件要反复综合、验证和筛选候选方案。

阿里巴巴公布的芯片设计实验持续60余小时，模型调用电子设计自动化工具超过1万次，并报告总线模块面积改进。这是“模型生成方案、CPU工具运行、再把结果反馈给模型”的具体例子。

这类负载可能落在企业研发服务器、云平台或既有设计集群；预测将未被个人、企业和AI科研覆盖的采购归入“其他AI负载”，避免重复计算。

后训练把沙箱变成反复调用的训练设施

强化学习让模型在可验证环境中尝试、执行、得分和改进。

编程、浏览器或规则环境可以自动给模型反馈。GPU负责模型生成与训练，CPU负责创建环境、运行代码或工具、评分与清理。训练规模扩大时，环境并发和可靠性成为独立的系统工程。

DeepSeek公开的生产系统中，单个任务最多可请求3.2万个沙箱，显示执行环境已能按训练任务大规模调度。实际CPU采购仍取决于每轮运行的核时和资源复用效率。

执行沙箱的扩容空间随用户和任务强度持续打开

GPU机头随加速器配置增长，后训练依赖实验规模；个人执行池还会随使用人数、频次和单次任务深度改变。

三条需求的驱动不同。GPU机头主要跟随加速器系统出货及每套系统的CPU配置；后训练环境跟随活跃模型项目、训练与评测运行；个人执行沙箱则同时受实际执行用户、当天任务比例、活动核时和高峰并发影响。增加用户不一定等比例增加芯片，但更长的后台任务和多个子智能体会放大单人用量。

所选情景的2030年个人执行月活为25.5亿，沿用本站个人智能体用户路径；在此之上另设35%当日执行和90分钟活动时间。右图只解释三类工作随部署扩大的相对弹性，不表示当前情景的采购量排序；年度CPU颗数由后文七类模型计算。

传统工作仍是CPU需求的底座

数据库、网站、企业软件及既有云工作不会因AI扩张而自动消失。

通用服务器更新与企业软件仍是CPU需求的基盘。AI增加GPU机头和机头之外的执行工作，三者共同使用晶圆、封装基板与内存。

所选情景中2030年传统业务约2786万颗/年，GPU机头约1509万颗/年，机头之外的AI工作约725万颗/年。

AI把CPU放进GPU托盘、科研服务器和独立执行机柜

三种位置对应不同的采购量尺：加速器配置、科研与训练核时、云端工具任务并发。

GPU机头：CPU随计算托盘交付，负责操作系统、模型与缓存装载、网络和存储输入输出，并把请求送入加速器。GPU越多、服务越频繁，机头的内存带宽和CPU核数越不能只按旧式训练服务器配置；采购颗数仍首先取决于各代GPU系统的实际CPU配比。

科研与后训练服务器：科研智能体运行代码、形式化证明、仿真和数据分析；后训练反复创建环境、执行动作、验证结果、给出分数。这类任务可能占用整组核心数小时，也可能短时间并行启动大量沙箱。因此应按实际执行次数、每次活动核时、高峰目标利用率和可调度核心数算容量。

独立执行机柜：个人和企业智能体可以在GPU柜外运行浏览器、文件和专业工具，再通过网络调用模型。CPU机柜集中承接多用户任务，闲置环境可暂停；高峰会话、内存驻留和恢复延迟仍决定要预留多少机器。高核心数芯片提高了内存、载板、封装和网络的要求。

智能体提高CPU相对需求，主要增量不必都塞进GPU机柜

全系统CPU/GPU比例上升，包含机头配置变化和柜外独立执行池扩建。

TrendForce预计，部分智能体部署的CPU与GPU配置可能从约1:4—1:8转向1:1—1:2。AMD强调，这种变化主要通过在GPU柜旁增加独立CPU机柜实现，而非把所有CPU都装进GPU服务器。因此本报告把机头和柜外执行分别计量。

下方分别展示GPU柜内的机头CPU和柜外独立CPU机柜。两种位置服务的工作不同，本报告分别测算。

机头CPU是GPU系统的一部分

它管理操作系统、数据、网络和存储，数量随加速器系统设计变化。

传统八卡服务器常以两颗CPU支撑八颗加速器；英伟达NVL72采用36颗Grace CPU配72颗GPU。不同系统的内存、互连和任务调度方式不同，平均配比应按出货组合变化。

本站总量模型给出2025—2030年加速器年度出货路径，机头CPU按每年混合系统的平均配比计算。基准情景中该比率从2025年每颗加速器0.30颗CPU变为2030年0.35颗，得到约1509万颗年度机头需求。NVL72的0.50是单一系统实例，不等于全行业均值。

GPU机头CPU配比随系统出货结构变化

英伟达NVL72每两颗GPU配一颗CPU；全球混合系统的平均配比由不同机型权重决定。

常见八卡系统的两颗机头CPU对应0.25颗CPU/加速器；英伟达GB300和Vera Rubin机柜为36颗CPU配72颗GPU，即0.50。新系统部署比例上升可能推高行业机头平均配比，但自研加速器与不同服务器形态会使全行业平均低于单一高密度机柜。

模型在2025年0.30的混合起点上，按所选情景调整到2030年0.35；未调参的审慎、基准和高需求预设分别为0.30、0.35和0.45。整体智能体CPU/GPU比率如果接近1:1，还需要计入另一侧的独立执行池，不能把全部增量塞入机头。

独立CPU机柜服务GPU柜外的执行、训练与数据处理

它可以集中承接多个业务，而无需附着在每个GPU托盘里。

英伟达的Vera独立机柜参考设计最多放256颗CPU，公司称可维持超过22,500个并发智能体沙箱。图片只展示CPU机柜；模型推理仍需另一组GPU机柜。单看GPU柜内的CPU配比，会漏掉这类柜外执行资源。

个人、企业、AI科研和后训练四类按活动核时推算的执行需求，2030年约496万颗CPU/年。若当年采购全用于建设256颗/柜的Vera式独立机柜，芯片数相当于约19,381柜/年的新建规模；实际也可用通用服务器或科研集群承接。

约229万颗/年的“其他AI负载”覆盖数据准备等工作，目前缺少独立的行业统计；它不纳入上述机柜等值。实际部署可能分散在通用服务器和科研集群。

芯片核心数提升会缓和颗数，却增加系统配套要求

每颗CPU能服务更多任务，前提是内存、封装和网络跟得上。

AMD、第六代英特尔至强以及Arm、高通等路线继续提高单芯片或单机柜核心密度。单纯按任务数线性乘CPU颗数会高估需求；但更多核心同时需要更高内存带宽、载板布线、散热和网络能力。

不同指令架构各有软件迁移成本。x86在既有服务器生态广泛，Arm便于云厂商定制，RISC-V提供开放定制空间；产品实际能耗与性能需按负载测试。

沙箱暂停后，物理CPU可以服务下一项任务

快照保存工作状态，资源池把等待时段的计算能力交给正在运行的任务。

沙箱是隔离运行代码与工具的环境。暂停时保存工作状态并释放运行资源；恢复时继续先前任务。平台仍要为高峰运行、恢复延迟以及内存和存储预留容量。

DeepSeek一个规模单元约160台CPU节点、约3万个物理核心，峰值存活沙箱约38万个；每核心对应约12.7个存活沙箱，不代表它们同时执行。论文中约九成容器与微型虚拟机的平均CPU使用率不高于申请额的5%。

活动核时和高峰决定共享CPU池的规模

先量出一天有多少任务真正运行，再加上高峰余量和芯片效率，才能估算采购。

容量测算依次使用当天运行任务数、每项活动分钟、平均物理核数，以及峰均比和高峰目标利用率。所需装机的年度增量，加上到期设备更新，才转成年度采购。

专业工具接口可能缩短逐屏操作时间，多智能体协作则可能增加并行活动。两者都会改变单位任务的CPU用量。

个人智能体的并发高峰，是池化之后仍要保留的CPU容量

2030年基准情景高峰约12,551万个同时执行会话；单颗CPU可承载多少会话，直接改变年度采购。

基准情景以2030年年均执行月活约25.5亿人、其中35%当天运行、所有沙箱合计活动90分钟、峰均比2.25倍估算，高峰约12,551万个同时执行会话。按每颗CPU最多服务25个会话，至少需要约502万颗已部署CPU容纳高峰。

Cloudflare曾以每颗CPU服务25—50个会话作规模演算，英伟达Vera机柜的特定设计约88个环境/CPU；这些数字不能自动用于运行完整Linux云电脑和多个子任务的个人智能体。图中另设每颗仅服务10个高负载会话的情景。模型同时计算核时与高峰容量，采用两者较高的装机值，再加当年更新。

AI科研长时间占核，池化效率低于短时智能体沙箱

基准情景2030年每天约1,000万项科学软件任务，对应年度CPU采购119万颗。

OpenAI披露2026年每周约130万人用ChatGPT做高级科学和数学工作，但消息不等于真实软件作业。联合国教科文组织的研究人员密度换算全球约1200万全职等效研究人员。共同基线假设到2030年约600万人每周实际运行AI科研工具、平均每人每周约12项独立代码、仿真或验证作业，折合每天约1,000万项；所选情景调整后为1,000万项。这是采用率与使用强度的预测，不是已发生的全球任务统计。

每项平均180活动分钟×32物理核，是按轻、中、重任务加权后的核时：可理解为约一半作业运行1小时×8核、四成运行3小时×32核、一成运行8小时×64核。OpenAI约一万个科研智能体并行多日、Anthropic数千条命令及Google自动评测数千代码变体，说明长尾高负载真实存在；案例没有披露足以证明全球采用率的CPU颗数。模型再计峰值和科研池较低的可调度核心，推到119万颗年度采购。

后训练和评测需要跨模型项目配置CPU环境池

2025年拟合年度采购已约2.0万颗；到2030年基准情景约25万颗，而不是只为单个模型留少量CPU。

斯坦福大学AI Index记录2025年约95个公开的显著AI模型发布，尚未包含大量小模型和内部评测。模型因此从2025年250个“活跃项目等效”与每项目每日30万次环境运行开始，得到全球每日约7,500万次；2030年共同基线取1,000个项目等效、每项目每日80万次，所选情景调整后为每日80,000万次。项目等效是规模假设，不能把95个发布直接当250个已建CPU集群。

DeepSeek已部署多个弹性计算规模单元，单个单元约3万个物理核心、每日创建约300万个沙箱。它证明训练环境数量可很大，也显示轻量沙箱能通过暂停和复用节省大量CPU。本模型每次环境运行按50物理核分钟计入较重的代码、浏览器、评测和评分工作，高于DeepSeek轻量实例的单次活动核时；因此后训练需求对任务组合与池化效果敏感。

复杂云沙箱与更重科研任务会抬高CPU采购

若个人智能体每颗CPU最多承载10个高负载会话、AI科研单任务核时翻倍，基准情景2030年供需覆盖率为83.3%。

云端快照能释放等待中的CPU，但同时执行多个浏览器、代码或子任务的沙箱需要保留核心、内存与启动余量。媒体观察到Meta Muse的完整Linux云电脑配置约2个虚拟CPU和8GB内存；这说明它与短时轻量工具环境的资源形态不同。

若单颗CPU在高峰最多同时服务10个较重沙箱，2030年个人智能体年度采购约722万颗。若AI科研每项任务的CPU核时再翻倍，科研年度采购约241万颗；两项联动令总需求达到5,652万颗，供给仍为4,708万颗。

每颗CPU可调度核心数决定同样任务需要多少芯片

高核心数产品扩产可以缓和颗数缺口，但内存与带宽会限制能真正并行的任务。

模型让新建沙箱执行池单颗CPU的有效核心从2025年128升至2030年192。英特尔与高通已发布更高核心数产品路线，采购量还取决于内存容量、带宽和软件是否能把核心排满。

科研软件常连续占用多个核心、保留整节点，并非能与短时个人智能体任务达到同样池化率；模型为AI科研单设较低的可调度核心数与利用率。

AI科研的长任务与个人智能体的并发高峰各占一部分需求

一万名科研智能体并行运行和数千万个人智能体在云端执行，形成两种不同的CPU容量压力。

OpenAI约一万个并发科研智能体运行约88小时、处理270万条消息，表明科研任务可在短时间形成密集的代码、形式化验证和工具执行。Anthropic亦披露数十个智能体协作多日、运行数千条命令。这些案例支撑单任务高强度的设定，但全球每日任务量仍需持续验证。

个人智能体的容量同时取决于CPU活动核时与高峰可容纳的沙箱数。即便平均运行时间短，当数千万用户在相近时段发起任务，单颗CPU可承载的会话、内存和隔离开销会先成为约束。

2030年可交付约4,708万颗，芯片与配套成为直接约束

先进晶圆仍有一定余量，芯片量产与配套决定可交付数量。

2025年以服务器CPU销量范围、Arm和其他供应商参与度校准交付起点。此后独立估计英特尔Intel 3/18A、AMD在台积电N2/N3的新产品、封装和内存配套逐年形成的有效交付量；TrendForce的整机增速用于交叉观察需求，不能直接代入芯片供给。

2030年芯片及配套路径约4,708万颗，扣除GPU和专用芯片等效占片后的先进晶圆路径约5,459万颗。先进晶圆能力多出约752万颗理论空间，直接瓶颈在芯片及配套。GPU芯片面积、良率与共享池释放会改变两者的相对位置。

2027—2028年新工艺可能缓解缺货，释放速度决定转折点

试产、产品发布和稳定量产不是同一个时点；高核心数CPU仍可能晚于工厂投产才充分供货。

英特尔2026年财报披露服务器需求仍超过其供应；18A-P于当年6月进入风险试产，同时计划扩建爱尔兰Intel 3产能。AMD Venice在台积电N2进入生产爬坡；台积电新增N3产能将于2027—2028年分批投产。

上述进度解释为什么供给改善需要时间，也为何不能将试产月份直接算作当年大量成品CPU。AMD预计自身2027年供应好于2026年，但全球供需还取决于智能体任务量及其他AI芯片占片。

扩产兑现速度会改变2030年的供需平衡

新节点的良率、可分配晶圆及封装配套若提前或延后，数年累积会放大供给差异。

新工艺试产后还要提升良率，取得载板、封装和内存，并形成客户可以收到的产品。因此即使晶圆厂宣布扩建，2030年CPU有效交付仍存在较大范围。

图中每根柱都与需求横线比较，并保留2025年起点；如果芯片交付增长慢于智能体任务核时，供需覆盖率下降。相反，18A、Intel 3和台积电先进工艺如期释放，可逐步缩小缺口。

服务器CPU扩产要与GPU、专用芯片争取先进晶圆

先进制程总产能扩大时，各类芯片仍会竞争同一时期的投片与封装资源。

台积电在2026年第二季度业绩会上指出，智能体让CPU在AI数据中心重新受到重视，并带来加速器之外的硅片需求。公司正扩建3纳米工厂，同时表示一项新工艺从开发到充分爬坡往往需要五年以上。

晶圆厂宣布扩建到实际可投片，还要取得量测、检测等关键设备；一线交流提示设备交付可能拖慢爬坡。台积电公布的节点份额主要是晶圆收入份额，没有公开2030年先进节点绝对投片数、GPU与专用芯片占用量、CPU配额和良率。因此全球CPU可交付量只能是条件情景。

高核心数采购提高CPU对先进制程的依赖

2030年基准情景中，约86%服务器CPU封装需要先进计算芯粒；这一比例由七类需求的产品组合加权得到。

传统服务器仍包含较低核心数与旧平台，模型中的先进工艺占比由2025年40%升至2030年80%；GPU机头由85%升至95%；智能体、AI科研和后训练执行池由90%升至100%；其他AI负载由60%升至80%。每类采购颗数变动后，行业占比随之重新计算，不再固定取60%。

CPU封装可以把先进计算芯粒与较成熟的输入输出芯粒组合，并非整颗芯片只有一个制程。高核心产品通常需要更多计算芯粒或更大面积；晶圆换算同时让每片合格封装数按传统、机头、执行池分别下降，2030年混合等效值约58颗/片。这些是面积与良率的情景参数。

先进晶圆扩产为CPU留出空间，覆盖程度因需求而变

GPU与专用芯片出货上升，会先占用共享先进工艺；CPU剩余空间还受单颗面积和良率影响。

供给情景设2025年可由加速器与服务器CPU共用的先进晶圆约每月5万片，逐步增至2030年17.0万片；这些是研究假设，不是晶圆厂公告。同期本站总量模型预计AI加速器年度出货由1190万颗增至4310万颗，先占用其中一部分晶圆。

图中红线是所选需求情景下CPU需要的先进晶圆。若红线高于绿色剩余部分，晶圆情景将压低可交付CPU数量。这个判断特别受加速器面积、良率和CPU先进工艺份额影响，不能把台积电收入增长直接当晶圆增长。

加速器占片增多，会迅速压缩CPU可用晶圆

同样的GPU与专用芯片出货，单颗面积和良率不同，留给CPU的晶圆可差很多。

本站总量模型预计2030年AI加速器出货约4,310万颗。若每片晶圆能形成35颗合格加速器封装，年需求折合约102.6千片等效晶圆/月；再假设多厂先进工艺中、已排除手机等用途后，可供加速器和服务器CPU共用170千片/月，剩余约67.4千片/月。这个共享池是研究参数，不是台积电公告。

当前需求结构中约86%的CPU使用先进计算芯粒，按产品面积与良率折合每片约58颗合格CPU封装，需要约62.0千片/月。加速器面积、良率和不同CPU的组合会改变分配压力。

交期与供给改善可能同时发生在不同产品线上

2026年缺货是真实线索，2027年改善也是机构预期；产品和时间需要分开看。

英特尔披露2026年第二季度服务器数量同比增长9%，需求高于可供货量；48%的平均售价增幅主要来自高端产品组合，而非同规格普遍涨价。公司预计基板、内存等供给约束仍可能跨入2027年。

TrendForce在2026年4月观察到部分一般服务器关键物料交期接近一年，7月又预计CPU与内存供应可能在2027年改善。专家访谈提示，交期缩短也可能由前期备货或新增订单放缓造成。交期、新订单与实际交付需要一起观察，才能分辨供给改善和需求转弱。

CPU供给还受先进晶圆分配影响

GPU与专用芯片也使用先进产能；CPU可分得的晶圆与每片良品数共同决定潜在交付。

台积电2025年先进工艺收入占晶圆收入74%，2026年第二季度2、3、5、7纳米的晶圆收入占比分别为3%、30%、33%、11%；这是收入，不是晶圆数。本站总量模型虽预测先进制程收入由2025年的90.6十亿美元增至2030年的257.1十亿美元，也无法直接给出CPU分配额。

右图改变“排除其他产品后可供加速器与CPU共享的先进晶圆池”。共享池越小，或加速器芯片面积越大、良率越低，CPU剩余空间就越窄；英特尔自有制造、三星代工和新节点爬坡可改变边界。当前没有足够公开资料把图中任一柱确认为2030年实际供应。

供需趋紧时，机会先落在能交付的CPU平台与关键配套

订单增长要经过芯片产能、软件适配和整机上线，才能变成收入。

英特尔与AMD已经拥有大量服务器客户，紧缺时更容易通过高端产品组合和交付量体现需求；英伟达Vera、Arm AGI CPU与高通Dragonfly则争取新建智能体机柜和GPU机头。产品发布只是起点，晶圆、封装、软件和客户验收决定新增份额能否兑现。

国产CPU的机会在政企与云平台的工作负载适配，无法用海外缺口直接推算。制造、载板与内存企业可能受益于更复杂的服务器配置；云厂商则要把CPU采购变成可计费的任务执行，并用快照与池化控制成本。观察实际出货、客户订单和毛利率，比只看核心数或市场规模预期更有效。

国产CPU已有多条服务器路线，替代能力要看系统适配

海光、飞腾和阿里云倚天处在不同的软件生态与采购位置。

国产CPU并非单一路线。海光信息的服务器CPU用于云计算等通用场景；飞腾腾云S5000C兼容Armv8并支持硬件虚拟化，产品页列有16、32、64核版本；阿里云倚天710已用于云实例。它们都可能服务AI服务器或执行环境，但硬件指令、软件生态和采购主体不同。

云端智能体能否迁移，还要看操作系统、容器镜像、第三方库、编译工具与加速器连接。阿里云的迁移文档明确要求对x86应用重新编译和做兼容测试。因此国产采购机会须逐项验证工作负载、量产供给及客户部署，不能由海外CPU紧缺直接推算。

x86、Arm与RISC-V争夺的是系统效率和软件生态

单看核心数或指令集，都不足以判断最终采购份额。

英特尔至强和AMD EPYC覆盖广泛的x86服务器软件；亚马逊云Graviton、Google Axion、阿里云倚天及英伟达Vera走Arm路线；RISC-V提供开放定制选择，但服务器生态仍在建设。Arm已直接推出面向智能体数据中心的自有CPU。

云厂商若自行优化芯片、系统和编译环境，可改善单位任务成本；软件迁移、兼容性、内存带宽和可交付量同样决定最终采用。

Arm生态扩张，不等于每年新增同样多颗CPU

授权、芯片设计与整机交付分处不同价值层，核心数也不是芯片颗数。

Arm向客户提供指令架构、Neoverse处理器知识产权或更完整的计算子系统，云厂商据此设计自用CPU；Arm AGI CPU则是其自有服务器芯片。三种方式取得的收入、产能责任与客户关系不同。

Arm披露截至2026年7月，Neoverse累计出货核心超过15亿，最近5亿核心约用9个月。这说明生态采用加快，但一颗CPU可含数十至上百核心，且“累计核心”覆盖多年，不能直接当作2026年芯片销量或2030年市占率。

新进入者同时瞄准机头与独立CPU池

高通等公司把智能体、通用服务器和加速器主机放入同一产品路线。

高通公布Dragonfly C1000服务器CPU路线，计划2028年商业供应，覆盖智能体执行、通用计算及加速器机头。与Arm自有AGI CPU、英伟达Vera等产品一样，它显示CPU市场可能从既有x86双寡头向更多系统方案扩展。

设计能力、量产良率、软件迁移和云客户采购决定最终份额。产品路线图不等于2028年的销量，更不能把匿名传闻中的订单计入供给。

高核心密度也提高载板、内存和封装的重要性

一颗CPU能容纳更多核心，电力与信号仍要通过系统材料送进送出。

ABF是高性能CPU封装载板里的层间绝缘材料，帮助把越来越多的芯粒、内存和输入输出线路连接起来。更复杂的封装提高了对载板、内存和散热的要求。

国内外供应商的机会分布在CPU设计、代工、封装、整机和云平台各层。2026年海光信息收入增长较快，但公开财报没有把CPU与深度计算处理器收入完全拆开，不能把公司收入增速当作CPU行业销量。

高阶载板供给缺口可能限制高核心CPU交付

CPU、GPU和AI交换芯片共同争夺大尺寸、多层布线的封装载板。

载板连接CPU芯粒与主板。核心数、芯粒数量和输入输出接口增加时，载板面积、层数及良率要求同步提高。福邦证券原始预测把2025年高阶载板供需缺口估为−6%，2026—2028年分别为1%、26%和46%。高盛2026年9月更新则估计2026年下半年、2027和2028年的缺口为14%、34%和51%；两份研究时间与覆盖范围不同，显示的共同方向是供给持续紧张。

揖斐电表示，大型高层数载板需求明显超过行业产能，增量来自高端CPU、GPU和AI交换芯片。即使CPU晶圆完成，载板无法同步交付仍会拖慢成品出货；扩大载板产能所需的投资和量产时间，使这一约束可能延续到新制程爬坡之后。

独立CPU机柜扩张，也会拉动网卡与交换芯片

执行机柜需要把任务、模型服务和共享存储连起来，网络不能只按CPU颗数估算。

GPU机头的网络主要服务模型数据通路；独立CPU执行机柜则在每次工具调用后，还要访问GPU推理、共享文件、数据库或外部服务。多智能体并行工作会增加东西向流量，沙箱快照和恢复又增加存储流量。因此新增CPU不仅带动服务器网卡，还可能提高机架交换和数据处理器的配置要求。

英伟达Vera独立机柜展示了256颗CPU与BlueField-4数据处理器、Spectrum-X以太网的组合；英特尔E835网卡支持最高每秒200吉比特的以太网连接，博通Tomahawk 6交换芯片支持每秒102.4太比特交换容量。这些是产品规格，不是每新增一颗CPU对应多少网络芯片。投资上应跟踪机柜端口密度、每任务流量和实际交换设备出货。

先看真实活动，再看服务器订单

使用人数、云沙箱数量和芯片订单之间隔着任务强度与部署效率。

需求侧跟踪当天真正执行的任务、多智能体可拆分比例、科研工具调用及强化学习环境核时。效率侧看暂停快照、资源池利用率、峰值与单芯片性能。供给侧看先进晶圆、封装基板、内存和整机交期。

如果活动核时持续增长，但芯片核心数、池化利用率和软件优化更快，CPU颗数需求可能低于任务增速；反过来，GPU与专用芯片面积增加或CPU分配不足，会让订单景气先于实际交付。