智能体崛起后，整个AI价值链的分布都变了！大摩：GPU不再是一切

AI投资的主叙事正在经历一次结构性迁移。摩根士丹利最新研究指出，随着AI从“生成内容”走向“自动执行任务”，下一轮AI基础设施的增量逻辑将从“单芯片算力竞赛”扩展为“全栈系统工程”——GPU依然是核心，但不再独享预算与溢价。

据追风交易台，摩根士丹利研究部分析师Shawn Kim在报告中直接写道，“智能体AI标志着从计算到编排的结构性转变。”在智能体工作流中，CPU侧编排时间可占总时延的50%至90%，由此推导出到2030年新增325亿至600亿美元的CPU增量市场空间，并将服务器CPU总TAM推至825亿至1100亿美元量级。

与此同时，DRAM、ABF载板、晶圆代工、存储、连接器与被动元件等环节，均将从“配角”跃升为新的瓶颈与利润池。将在2030年额外催生15至45EB的DRAM需求，规模相当于2027年全行业年供给的26%至77%。

这一判断对市场意味着：AI资本开支的受益者将从少数芯片巨头扩散至整条全球供应链，下一轮超额收益，可能更多来自那些在智能体工作流中最先成为瓶颈、且最难快速扩产的”使能环节”。随着瓶颈在不同环节迁移，AI价值链的权重分布随之改变。

从“生成”到“行动”：智能体把瓶颈从算力推向编排

生成式AI的典型工作流结构相对简单：用户请求到达后，CPU完成少量预处理，GPU负责token生成，随后返回结果。整个链路中，GPU是绝对主角，CPU仅承担辅助功能。

智能体的运作逻辑截然不同。完成一个任务，系统需要经历规划、检索、调用外部工具与API、执行、反思迭代等多个步骤，还涉及多智能体协作、权限管理、状态持久化与调度等大量“控制面”能力。大摩的核心结论是：智能体带来的不是更”重”的单次推理，而是更多步骤、更多状态、更多协调，而这些工作天然更适合CPU处理。

由此带来两个直接后果：其一，集群层面CPU与GPU的配比将系统性上升；其二，DRAM从“容量配置项”升格为“性能与吞吐的核心系统组件”。数据中心的瓶颈将越来越多地出现在内存带宽、数据搬运、互连时延与系统级协调，而非单纯的GPU算力。

CPU配比正在重估：从”1:12″走向”1:2″乃至反转

过去，”1颗CPU服务约12块GPU”曾是AI服务器的典型架构描述。但报告指出，随着智能体工作流变长、工具调用与上下文管理趋于复杂，这一比例正在快速收窄。

以NVIDIA路线图为例，更新估算显示：在Rubin平台附近，CPU与GPU的配比已接近1:2；若向Rubin Ultra等更激进形态演进，甚至可能出现2颗CPU对应1颗GPU的反转配置。即便仅从1:12改善至1:8，对超大规模部署而言，CPU的绝对需求量也将出现量级跳升。

一旦这一方向成立，CPU的需求弹性将从“跟着服务器出货走”转变为“跟着智能体复杂度走”，这意味着CPU需求的增长将更具结构性，而非仅仅是传统硬件换代周期的延续。

CPU TAM重算：2030年825亿—1100亿美元，增量来自编排

摩根士丹利采用“系统分层”方法，将智能体带来的CPU机会从传统服务器更新换代逻辑中剥离，建立三个独立分析口径：