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

1. 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。
2. 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。
3. 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。