随着人工智能产业从模型训练迈向推理与智能体（Agentic AI）阶段，AI 基础设施的竞争逻辑正发生根本性转变。过去两年，行业焦点集中于“训练算力不足”，GPU 凭借大规模并行矩阵运算能力成为核心，CPU 则相对边缘化。然而，进入推理时代后，系统负载从规则化计算转向复杂请求的实时处理与调度，瓶颈已从 GPU 浮点算力转移至 CPU 侧的请求处理、编排调度及数据加工环节。
在智能体 AI 时代，AI 系统演变为“持续执行”的任务完成系统。Agent 需自主拆解任务、调用工具、获取反馈并调整路径，这种负载具有强 CPU 密集特征，涉及任务规划、工作流编排及异常处理等复杂逻辑。研究显示，在部分 Agent 场景中，CPU 耗时可占系统总延迟的 88%，且 GPU 性能越强，CPU 瓶颈越显著。因此，AI 基础设施正从“单芯片竞争”升级为“系统级竞争”，CPU 重新成为决定系统效率与扩展能力的核心中枢。
CPU 需求结构性拐点：配比提升与架构升级
AI 应用落地带来的系统复杂度提升，促使 CPU 需求迎来结构性拐点。训练阶段普遍采用"4~8 个 GPU 配 1 个 CPU"的架构（配比约 1:8）；随着重心转向推理，配比演进至 1:3~1:4；而在 Agentic AI 阶段，因大量系统任务运行于 CPU 侧，CPU 与 GPU 配比甚至接近 1:2。这意味着未来 AI 数据中心的资源配置将从单纯追求“更多 GPU"转向优化"CPU+GPU"的协同能力。
与此同时，AI 负载的复杂化推动 CPU 架构向系统级协同优化演进。新一代 CPU 设计不再仅关注单点算力，而是追求多核心、高带宽缓存、CXL 互联及新型共享内存架构。CXL 技术正成为下一代基础设施的重要标准，旨在实现 CPU、GPU 与内存的统一共享与低延迟访问，缓解大模型推理中的内存瓶颈。此外，针对长上下文 Memory、KV Cache 管理及 RAG 检索等场景，CPU 的大缓存容量和高内存带宽至关重要，行业正全面追求更高性能的互联与内存体系。
产业链机遇：全球市场扩张与国产替代加速
CPU 需求的回升已在产业链供需关系中得到验证。全球范围内，服务器 CPU 价格普涨，交货周期拉长，部分高端型号出现数月延迟，反映先进制程资源向 CPU 倾斜。资本市场正快速重估 CPU 价值，Intel、AMD 及 ARM 阵营均因 AI 基础设施定位受到关注。Meta、Google、AWS 等云厂商开始大规模部署或自研 CPU 集群以支持 Agentic AI 负载，标志着 AI 数据中心将形成"GPU Rack"与"Agentic CPU Rack"并存的架构。
在国内市场，国产 CPU 厂商正迎来布局窗口。在国际巨头主导的背景下，海光信息、龙芯中科、中国长城等厂商通过自主指令集、RISC-V 生态及国产 EDA/IP 支持，加速在服务器及 AI 算力市场的突破。国产 CPU 不仅受益于信创替代政策，更因 AI 推理与智能体应用对高性能、高可靠性算力的需求获得新增长动力。建议重点关注国产 CPU 芯片设计、服务器整机制造、虚拟机管理及云厂商等相关产业链环节，这些领域有望在 CPU 价值重估中迎来结构性机遇。
（报告来源：国泰海通证券。本文仅供参考，不代表任何投资建议。如需使用相关信息，请参阅报告原文。）