摘要
CPU需求为什么会增长？在大模型训练阶段，以GPU为核心的矩阵计算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的计算性能优化上。但从2H25起，出现了两方面变化：1）在训练侧，强化学习的重要性提升，使得CPU/GPU配比成为了系统的关键指标之一；2）在推理侧主要有三个领域：a) 推理Host CPU，配合GPU进行任务调度和利用率优化等，甚至执行简单推理任务，形成对GPU的替代作用；b）编排节点CPU，在复杂agentic任务中，作为独立节点承担逻辑运算并进行任务编排；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算：1）中性基于GPU:CPU=1:1配比估计下，我们测算至2030年全球CPU市场规模将超1300亿美元；2）我们测算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的升级趋势包括更强的单核性能、更大的内存带宽、更强的I/O能力、更多核心数。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、任务分工专业化，以及与加速器的深度融合。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类产品拥有高并发、持续运行、大量轻量级推理请求的特点，Arm精简指令集的功耗效率占优，可以支持更多核心处理并发请求，适用于高吞吐的推理服务，我们预计未来其份额或将提升。
正文
随着推理需求的持续提升，对服务器系统从原本以GPU（矩阵计算）为核心转向CPU（任务编排等）重要性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。本文重点讨论四个问题：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？
CPU需求为什么会增长？在大模型的训练阶段，以GPU为核心的矩阵计算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的计算性能优化上。但从2H25起，出现了两方面变化：1）在训练侧，强化学习的重要性提升，使得CPU/GPU配比成为了系统的关键指标之一；2）在推理侧主要有三个领域：a) 推理Host CPU，配合GPU进行任务调度和利用率优化等，甚至执行简单推理任务，形成对GPU的替代作用；b）编排节点CPU，在复杂agentic任务中，作为独立节点承担逻辑运算并进行任务编排；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是唯一重要的衡量指标不同，随着强化学习的重要性提升，考虑CPU资源的约束也成为了一个值得关注的方向。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。因此合理设计CPU/GPU的配比，让CPU的线程数等于或者大于GPU SM 的数量，也成为了一个重要方向。但从绝对量的角度看，我们判断强化学习带来的对CPU的需求相对推理较为有限。
推理视角：Agentic AI时代，CPU成为瓶颈环节
简单推理：成本视角下，CPU对GPU的替代作用
成本视角考量，CPU对GPU存在一定替代可能。当前GPU仍处于紧缺状态，同时高性能的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算芯片对GPU进行替代，但来到推理场景后，一方面对矩阵计算的性能要求有所下降，另一方面在一些简单的推理任务中，如chatbot等，业内已经开始采用浮点计算性能较低的RTX系列等算力芯片进行推理。
考虑CPU价格对比GPU的优势明显，我们判断在一些简单的推理任务中，CPU一定程度上也可能替代GPU，带来一定拉动。从海内外头部CSP对ASIC芯片的推动，以及对定制化CPU芯片的探索思路看，也具有一定的共同之处。但这部分无法进行具体的测算，同时潜在空间有限。
图表1：CPU在推理中的重要性提升
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重要性上升；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：并发数量增加会进一步加大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具有更泛化的应用能力，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、记忆和目标导向行为，可以规划多步骤任务、调用工具、迭代结果，并在更长时间的工作流程中运行。根据OpenRouter数据，到2025年底，推理产生的token已超过总token的50%，有15%的推理过程以“外部工具调用”结束。
图表2：推理产生的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”结束的推理过程占比
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，在推理过程中步骤更加繁杂、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性在上升。
图表4：Agentic AI在编译器，任务执行流程，执行复杂度方面的变化
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方式下，推理流程为：推理1——工具调用1——推理2——工具调用 2——推理 3……，由于系统必须等到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性大幅提升。《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一部分，因此行业内优化的重点来到了以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 的超额订阅会随着并发任务的数量增加变得更加严重。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 核心数量的要求更高。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资源在延迟改善和提高系统利用效率方面具有明显效果。
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：分配更多的CPU核心可以缩短高利用率时间
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。在企业级应用场景中，为确保系统安全性与执行环境的纯净，系统会针对每一个外部工具调用请求，瞬时拉起（Spin-up）并随后销毁（Tear-down）一个独立的微型虚拟机或容器（MicroVM/Container），即沙箱。从当前的任务分类看，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、效率控制、环境一致性等方面的优势表明它都是必须存在的。
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）性能，更对 CPU 的物理核心数提出了线性增长的需求。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一解，因此对CPU调度能力产生更高要求。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，中金公司研究部
AI驱动下，CPU市场规模有多大？从上文可以看出，训练和简单推理对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，及多步骤的复杂推理任务比重和难度增加，对任务编排调度的要求也持续提高，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算。
配比视角：Agentic AI推动服务器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，提升系统边际效率。从第一章对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、核数等多个方面都已经无法满足需求，为保持系统整体的高吞吐量，服务器架构需要显著提升CPU的核心数和缓存性能，导致CPU在整体算力采购成本中的占比提高。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。聚焦几家CPU 厂商最新表述来看：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进一步提升；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年超1000亿美元规模。
需要指出的是，当前对GPU:CPU的配比并没有一致结论。由于现有的服务器架构较为固定，因此在推理服务器中我们预计仍将以2个GPU配1个CPU的方式进行配置；但考虑到agentic AI的需求，纯CPU的机柜也将开始陆续部署，因此从综合的视角看，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甚至更多。
中性基于1:1的预计倒推，我们测算至2030年全球CPU市场规模将超1300亿美元。核心假设有：1）全球算力卡预计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、性能的提升及代工的升级2026-2030年增幅在16%。
图表11：数据中心CPU市场规模测算
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新增需求超过800万颗
我们测算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的测算较为复杂，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。测算的核心思路为：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）分四种情况计算对应CPU核数需求；4）测算所需CPU数量。
图表12：Agentic AI对CPU额外需求测算
资料来源：各公司官网，中金公司研究部
结构：CPU应用场景需求进一步细化
从技术发展趋势看，作为新操作系统的“调度器”CPU的升级趋势主要有：1）更强的单核性能来降低单次推理的延迟，2）更大的内存带宽和更强的I/O能力来调度更长的上下文以及管理海量的数据，3）更多核心数来支持高并发查询及虚拟化。
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产能分配存在一些模糊性，因此缺乏CPU供给侧的较好测算，但从定性视角看，Agentic AI等需求对CPU的拉动还在持续增长，因此CPU市场出现了一定程度缺货涨价。
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推理需求增长，同时通用型服务器面临更新换代的需求，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均采用台积电先进制程代工，结合GPU、ASIC等算力芯片需求持续上修，台积电2-5nm制程订单需求旺盛，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年产能供给仍有一定弹性。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。结合来看，我们预计供需缺口将持续至27年，2026年服务器CPU有望迎来进一步涨价。
此外，受益于服务器CPU旺盛的需求，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：绿色为目前主力产能，统计截至1Q26
资料来源：Intel官网，中金公司研究部
长期趋势：推理架构正从“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、任务分工专业化，以及与加速器的深度融合。
► CPU 将进一步向高带宽数据设备演进。随着 AI 负载从单次张量计算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性将持续上升。LPDDR 在数据中心的采用、SOCAMM 模组的发展，以及更高通道数 DDR 设计，均指向一个方向：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性能，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，朝三类方向并行发展：1）高单核性能、高内存带宽、与 AI 加速器保持一致性互连的紧耦合型 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）高核心密度、重吞吐的云型 CPU。这种分化说明 CPU 并未被 GPU 替代，而是在 AI 体系中承担更专业化的角色。
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一步模糊。APU架构（如集成 CPU + GPU 的设计）可能减少独立 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专用加速器；同时，内存池化与 CXL 扩展可能降低传统每机架必配独立 CPU的绑定比例。从更长远角度看，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性。在 AI 2.0 时代，模型能力的提升带来更多交互、更长上下文与更多外部调用，CPU 作为通用执行与控制单元，仍将是维持系统可扩展性的基础组件。其形态可能变化，但其在计算体系中的核心地位不会消失。
竞争格局：X86 VS Arm，谁将胜出？X86 VS Arm：X86 份额领先，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生态成熟度仍较为领先，Arm在云端推理份额预计将持续增长。Agent类产品拥有高并发、持续运行、大量轻量级推理请求（比如多轮对话、工具调用、规划推理等）的特点，ARM精简指令集的功耗效率占优，可以支持更多核心处理并发请求，适用于高吞吐的推理serving。
x86在生态成熟度上仍然保持领先的优势。大量推理框架在x86上优化更成熟，部分指令集对矩阵运算有专门的加速，因此我们认为对于较大模型的运行、混合精度计算或和传统软件栈深度集成的场景下，x86的兼容性和工具链优势明显。
总结来说，Arm架构的CPU因为高能效比在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更具性价比的选择；x86 CPU的服务器具有更完整的生态和极强的兼容性，对中小型企业意味着开箱即用的通用性与最低的迁移摩擦，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厂商及企业级客户的持续突破，在2030年全球服务器CPU市场中占比有望接近一半。
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
风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。配资天眼提示：文章来自网络，不代表本站观点。
