智能體崛起后，整個AI價值鏈的分布都變了！大摩：GPU不再是一切

AI投資的主敘事，正在發生一次深層且不可逆的結構性遷移。

如果說過去兩年市場圍繞的是“誰擁有更多GPU、誰就擁有未來”，那么現在隨著AI從“生成內容”走向“自動執行任務”，整個產業的核心矛盾，正在從“算力不足”轉向“系統效率不足”，而對應的投資邏輯，也將從“單芯片算力競賽”擴展為“全棧系統工程”。

據追風交易臺，摩根士丹利研究部分析師Shawn Kim在報告中直接寫道，“智能體AI標志著從計算到編排的結構性轉變?！痹谥悄荏w工作流中，CPU側編排時間可占總時延的50%至90%，由此推導出到2030年新增325億至600億美元的CPU增量市場空間，并將服務器CPU總TAM推至825億至1100億美元量級。在2030年將額外催生15至45EB的DRAM需求，規模相當于2027年全行業年供給的26%至77%。

與此同時，DRAM、ABF載板、晶圓代工、存儲、連接器與被動元件等環節，均將從“配角”躍升為新的瓶頸與利潤池。

這一判斷對市場意味著：AI資本開支的受益者將從少數芯片巨頭擴散至整條全球供應鏈，下一輪超額收益，可能更多來自那些在智能體工作流中最先成為瓶頸、且最難快速擴產的"使能環節"。隨著瓶頸在不同環節遷移，AI價值鏈的權重分布隨之改變。

AI到底在優化什么？

在理解這份研報之前，必須先回答一個更底層的問題：AI系統真正優化的目標是什么？

在生成式AI階段，答案很簡單——模型能力，即“能不能生成更好的內容”。這對應的核心指標是：模型規模（參數量）、訓練效率（FLOPs）、推理性能（tokens/s）。

因此，GPU成為絕對中心，NVIDIA 也自然成為這一階段的最大受益者。

但當AI進入“智能體”（Agentic AI）階段后，目標函數發生了根本變化。系統不再只需生成內容，而是需要完成任務，這意味著評估標準從“能力”轉向“效率”：單位任務成本（cost per task）、系統延遲（latency）、吞吐能力（throughput）。

這一變化直接導出一個關鍵結論：GPU決定“能不能做”，但CPU與系統決定“能不能賺錢”。

結構性轉折：從“生成”到“行動”，瓶頸從算力轉向編排

生成式AI的典型工作流結構相對簡單：用戶請求到達后，CPU完成少量預處理，GPU負責token生成，隨后輸出結果。在這一鏈路中，GPU承擔了絕大多數價值，CPU僅作為輔助存在。

然而，智能體AI的工作流完全不同。一個完整任務往往需要經歷規劃、檢索、工具調用、執行、反饋與再決策等多個階段，同時還涉及多智能體協作、權限管理、狀態持久化以及持續調度。智能體帶來的不是更"重"的單次推理，而是更多步驟、更多狀態、更多協調，而這些工作天然更適合CPU處理。

換言之，AI的主要矛盾，正在從“算不動”，轉向“調不動”。

由此帶來兩個直接后果：其一，集群層面CPU與GPU的配比將系統性上升；其二，DRAM從“容量配置項”升格為“性能與吞吐的核心系統組件”。數據中心的瓶頸將越來越多地出現在內存帶寬、數據搬運、互連時延與系統級協調，而非單純的GPU算力。

CPU重估：從"1:12"走向"1:2"乃至反轉

過去，"1顆CPU服務約12塊GPU"曾是AI服務器的典型架構描述。但報告指出，隨著智能體工作流變長、工具調用與上下文管理趨于復雜，這一比例正在快速收窄。

以NVIDIA路線圖為例，更新估算顯示：在Rubin平臺附近，CPU與GPU的配比已接近1:2；若向Rubin Ultra等更激進形態演進，甚至可能出現2顆CPU對應1顆GPU的反轉配置。即便僅從1:12改善至1:8，對超大規模部署而言，CPU的絕對需求量也將出現量級跳升。

一旦這一方向成立，CPU的需求彈性將從“跟著服務器出貨走”轉變為“跟著智能體復雜度走”，這意味著CPU需求的增長將更具結構性，而非僅僅是傳統硬件換代周期的延續。

CPU TAM重算：2030年825億—1100億美元，增量來自編排

摩根士丹利采用“系統分層”方法，將智能體帶來的CPU機會從傳統服務器更新換代邏輯中剝離，建立三個獨立分析口徑：

• Head Node CPU對應貼近GPU系統的機架控制層，以2030年全球約500萬顆AI加速器、每顆加速器配2顆高端CPU、CPU平均售價約5000美元為假設，對應約500億美元TAM。
• Orchestration CPU覆蓋智能體編排新增需求，包括規劃與調度、工具鏈、RAG管線、KV cache與向量庫相關內存服務、策略與可觀測性等。算額外新增1000萬至1500萬顆CPU、ASP約3000美元，對應300億至450億美元TAM。
• Other CPU涵蓋存儲節點、部分網絡節點等，對應約25億至150億美元。

三項合計，2030年服務器CPU總TAM約825億至1100億美元，其中智能體帶來的增量約325億至600億美元。整個測算的底層錨點是對2030年全球AI數據中心基礎設施銷售額約1.2萬億美元的判斷（2025年約為2420億美元）。

報告同時給出了“上修開關”：若按NVIDIA口徑，2030年AI基礎設施銷售額達到3萬億或5萬億美元，則CPU TAM區間將被整體推至2060億至2750億美元，乃至3440億至4580億美元。這并非基準預測，但揭示了"AI工廠"規模擴張對CPU需求的系統性放大效應。

內存躍遷：從容量配置到性能核心

如果說CPU是系統的“控制中樞”，那么內存則正在成為系統的“運行空間”。在智能體架構下，大量狀態信息需要被持續保存與快速調用，包括上下文數據、KV cache、工具調用中間態以及多任務并發數據集。

因此，DRAM不再只是容量配置項，而是直接決定系統吞吐能力的核心組件。

根據測算，到2030年，智能體將額外催生15至45EB的DRAM需求，相當于2027年行業年供給的26%至77%。這一增長將推動內存行業從傳統的強周期屬性，向結構性成長轉變。以 SK hynix 和 Samsung Electronics 為代表的廠商，有望在這一過程中獲得更穩定的盈利預期。

更值得關注的是，內存正在成為AI系統中最具“持續變現能力”的層級之一。無論是主機DRAM、內存接口芯片，還是CXL擴展與分層存儲體系，都將成為承接長期價值的重要載體。

供給越緊的環節越具定價權：ABF載板、代工與使能組件

相比CPU與內存，更具超額收益潛力的，往往是那些“產能擴張緩慢、驗證周期較長”的使能環節。

ABF載板：這輪AI驅動的ABF上行周期可能延續至本十年末，2026至2027年附近存在供需缺口風險。僅"CPU TAM擴大"一項，就可能帶來2030年ABF需求5%至10%的上修；其中服務器CPU ABF載板市場到2030年約達47億美元，CPU帶來的增量需求約12億美元。

晶圓代工（尤其先進制程）：CPU代工可服務市場2026年約330億美元，2028年約370億美元。臺積電在CPU代工領域的份額預計從2026年約70%進一步提升至2028年的約75%；并預計英特爾可能在2027年下半年開始將服務器CPU外包給臺積電。

BMC與內存接口：Aspeed被強調為CPU服務器BMC的核心受益者，其在該細分領域約有70%的市場份額，新一代AST2700平臺帶來40%至50%的ASP提升空間；Montage則被置于"內存互連"價值鏈，全球收入份額約36.8%。

CPU Socket與被動元件：報告以Lotes與FIT作為CPU socket的直接映射，測算每增加100萬顆CPU需求，Lotes收入約增加0.6%、FIT約增加0.2%（僅按socket口徑計）。被動元件方面，以"每臺通用服務器約30美元MLCC內容量"為簡化假設，推算出2030年額外5億美元MLCC需求增量，約占屆時全球MLCC市場的2%至3%。

這些環節的共同特點在于：它們處于AI系統的數據流路徑之中，一旦成為瓶頸，就具備較強的定價權。以 Samsung Electro-Mechanics 為代表的封裝與載板企業，正是這一邏輯的典型體現。

這一現象可以總結為一句話：

AI的利潤，將流向最慢擴產的環節。

市場錯配與投資節奏：從集中到擴散

盡管產業邏輯已經發生變化，但資本市場仍在很大程度上停留在“GPU中心敘事”中。這種錯配意味著，未來一段時間內，資金將逐步從高度集中的算力資產，向更廣泛的基礎設施環節擴散。

從投資節奏來看，可以大致分為三個階段：

1. GPU主導階段（已發生）：算力供給成為核心矛盾

2. 系統瓶頸暴露階段（正在發生）：延遲與成本問題凸顯

3. 基礎設施重定價階段（即將展開）：內存、CPU與互連全面受益

在這一過程中，超額收益將不再集中于單一公司，而是分布于整個系統鏈條之中。

結語：AI進入“系統效率時代”

綜合來看，這份研報真正揭示的，并非某一個細分賽道的機會，而是AI產業邏輯的整體躍遷。人工智能正在從“算力驅動”邁向“效率驅動”，從“模型競爭”走向“系統競爭”。

在這一新階段中，決定勝負的不再是單一組件的性能極限，而是整個系統的協同效率。GPU依然重要，但它只是系統的一部分；真正的定價權，將屬于那些掌握調度能力、控制數據流并處于關鍵瓶頸位置的參與者。

對于投資者而言，這意味著必須完成一次認知升級：從尋找“最強芯片”，轉向理解“最關鍵系統”。只有把握住這一邏輯遷移，才能在AI的下一輪周期中，真正捕捉到持續且結構性的超額收益。