AI应用爆火背后:Agent正在把硬件红利从GPU引向CPU与存储

5次阅读

共计 1312 个字符，预计需要花费 4 分钟才能阅读完成。

编辑导读

豆包、DeepSeek、ChatGPT 已经不再只是少数人尝鲜的工具。 当 AI 应用快速进入办公、搜索、编程和内容生产 , 用户规模从几千万走向上亿, 屏幕之外的硬件账单也在悄悄变长。

大模型训练阶段,GPU 是最先被推上台前的硬件 。海量矩阵运算需要大量并行计算单元, 模型越大, 训练集群里的 GPU 就越多,HBM、先进封装和高速光模块也随之进入扩产周期。

但 Agent 出现后, 服务器需要处理的任务类型明显增加 。普通聊天机器人是“提问—推理—返回答案”,Agent 则要理解任务、制定步骤、访问网页、查询数据库、运行代码, 并根据结果决定下一步。这意味着底层计算资源不再只围绕 GPU 展开。

TrendForce 的研究认为, 传统 AI 数据中心 CPU 与 GPU 配置大致在 1:4 至 1:8, 而在 Agentic AI 部署中, 部分架构可能向 1:1 至 1:2 移动。英特尔管理层也给出过类似判断: 训练工作负载通常是一颗 CPU 搭配 7 至 8 颗 GPU, 进入推理阶段后可能缩至 3 至 4 颗, 更复杂的 Agent 场景还会继续提高 CPU 占比。

企业级 SSD 受到的拉动更加明显。AI 推理需要处理越来越长的上下文并保存大量 KV Cache, 当 DRAM 成本过高或容量不足时, 一部分数据可以下沉到企业级 SSD。今年一季度, 全球前五大企业级 SSD 厂商收入达到 184.6 亿美元, 环比增长 86.1%,AI Agent 服务普及和云厂商采购被认为是重要动力。

围绕 AI 的资本开支已经从模型训练扩展到芯片、服务器和数据中心。TrendForce 预计 ,Google、Amazon、Meta、Microsoft、Oracle 以及字节跳动、腾讯、阿里巴巴和百度九家云服务商,2026 年资本支出合计将超过 8867 亿美元, 同比增长约 90%; 全球 AI 服务器出货量预计增长接近 31%。

资本市场还把这条需求链推到了 IC 载板。 高性能 CPU 和 GPU 需要封装基板连接芯片内部线路与主板 , 服务器 CPU 普遍采用高端 ABF 载板。不过, 当前高端 ABF 偏紧的主要动力来自 GPU、ASIC 和 HPC,Agent 并非今天 ABF 紧张的起点, 而是可能多出一股来自 CPU 侧的新增需求。

以前一天只问 AI 十几个问题, 未来可能让几个 Agent 连续工作几个小时 。单次任务变便宜, 使用频率和任务长度却同时增加。ChatGPT 爆发时, 产业最关心训练需要多少 GPU;Agent 进入规模化阶段后, 问题变成了: 一个 AI 每天替几亿人工作, 需要多少通用计算、内存、存储和网络资源? 这个问题还没有标准答案, 但资本开支和服务器采购已经开始提前行动。