戰略轉變：超越 GPU 壟斷
過去兩年，全球半導體領域的敘事一直被一個縮寫詞所主導：GPU。隨著生成式 AI（Generative AI）浪潮的興起，超大規模資料中心運營商與企業紛紛爭相搶購 NVIDIA 硬體，將圖形處理器（GPUs）定位為 AI 革命中無可爭議的引擎。然而，摩根士丹利（Morgan Stanley）的一份新報告顯示，該產業正處於重大架構轉型的邊緣。隨著**代理式 AI（Agentic AI）**趨於成熟——從簡單的聊天機器人介面轉向具備自主執行任務能力的系統——對計算能力的需求正擴展至更廣泛的硬體生態系統，並特別為 CPUs（中央處理器）市場注入了新的活力。
據摩根士丹利分析師指出，此次轉變不僅是採購上的微小調整，更是**資料中心**的一次根本性重構。儘管 GPU 對於訓練大型語言模型（LLMs）所需的大規模並行處理仍然至關重要，但部署自主「代理」需要不同的計算特徵——即高度依賴傳統處理器靈活且對延遲敏感的效能。
理解代理式 AI 的基礎設施需求
從「生成式」轉向「代理式」AI，體現了系統向能夠在最少人為干預下進行規畫、執行並反覆運算複雜工作流程的趨勢。這些代理需要持續、快速地進行決策，並與分散式資料庫、API 以及即時環境數據進行互動。
摩根士丹利預計，這種典範轉移到 2030 年可為 CPUs 市場帶來高達 600 億美元的增量營收。這一增長得益於幾個關鍵因素：
- I/O 瓶頸： 代理式工作流程涉及記憶體、儲存裝置與網路介面之間的大量數據傳輸——這些正是 CPU 優於 GPUs 的領域。
- 延遲管理： 自主代理無法承受將每個微任務卸載至 GPU 加速器所帶來的延遲開銷。
- 工作負載多樣性： 代理通常運行多模態任務，需要高效能的序列計算，而這正是 CPU 的歷史強項。
AI 工作負載的硬體需求對比
為了直觀展現硬體格局的多樣化發展，我們概述了在不斷演進的 AI 部署類別中，工作負載親和力的核心差異。
| 硬體類型 | 主要 AI 功能 | 代理工作流程中的職責 | 硬體側重點 |
|---|---|---|---|
| GPU | 模型訓練與大規模推論 | 大規模神經節點計算的並行處理 | 高傳輸率 HBM 記憶體與 Tensor 核心 |
| CPU | 任務編排與數據預處理 | 管理代理邏輯、數據路由與 API 呼叫 | 高時脈速度與低延遲 I/O 頻寬 |
| ASIC/NPU | 特定領域加速 | 邊緣端的高效能推論 | 高單位功耗效能（Performance-per-watt） |
為下一個十年重構資料中心
600 億美元注入 CPU 產業，意味著 2030 年的「AI 資料中心」將與 2024 年以 GPU 為主的叢集截然不同。產業架構師目前正在重新設計伺服器機架，以平衡高瓦數 GPU 產生的巨大散熱需求與精密的 CPU 所具備的高頻寬連接性及處理敏捷性。
這種演變對整體的**半導體產業是一個積極訊號。透過分散對單一硬體類別的過度集中投入，市場正走向更具可持續性的增長軌跡。正如摩根士丹利**分析師所言，這種多樣化降低了整個技術供應鏈的風險，確保計算資源能與運行於其上的軟體特性精確匹配。
市場增長的主要驅動力
- 自主工作流程擴展： 隨著企業將代理整合至供應鏈管理與財務分析中，對穩健後台計算的需求正在增加。
- 邊緣至雲端整合： 代理式系統通常需要更靠近數據源，這要求在節點層級配備更強大的 CPU。
- 軟體定義基礎設施： 向模組化軟體堆疊的轉變，使開發者能夠將任務路由至 CPU，從而優化延遲與單次查詢的總成本。
投資人與技術領袖的前景展望
對於 Creati.ai 的觀察家來說，摩根士丹利的研究所帶來的啟示很明確：AI 熱潮正進入「實作階段」。如果說「訓練階段」是一個由 GPU 匱乏與資本支出爆發式增長定義的時代，那麼「代理階段」將由整合、優化與均衡的異質運算硬體所定義。
那些曾因業界對 GPU 硬體的高度關注而被邊緣化的公司，現在正重新回到聚光燈下。預計領先的 CPU 製造商與專業計算供應商，將在未來的人工通用智慧（AGI，Artificial General Intelligence）價值鏈中發揮與傳統 GPU 硬體領導者同樣關鍵的作用。
展望 2030 年，預計的 600 億美元 CPU 市場增長不僅僅是一個統計預測，它更是一份產業如何預見生產力未來的藍圖。未來的自主代理將依賴於一套完整的架構，這證明了在構建未來智慧的競賽中，多功能的 CPU 依然是基礎設施拼圖中不可或缺的一環。
