智能體崛起后，整個AI價值鏈的分佈都變了

原標題：智能體崛起后，整個AI價值鏈的分佈都變了

AI投資的主敍事，正在發生一次深層且不可逆的結構性遷移。

如果説過去兩年市場圍繞的是「誰擁有更多GPU、誰就擁有未來」，那麼現在隨着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」。

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標誌着從計算到編排的結構性轉變。」在智能體工作流中，CPU側編排時間可佔總時延的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，並將服務器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，規模相當於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」躍升爲新的瓶頸與利潤池。

這一判斷對市場意味着：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*成為瓶頸、且最難快速擴產的"使能環節"。隨着瓶頸在不同環節遷移，AI價值鏈的權重分佈隨之改變。

01、AI到底在優化什麼？

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麼？

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*中心，NVIDIA 也自然成為這一階段的*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，這意味着評估標準從「能力」轉向「效率」：單位任務成本（cost per task）、系統延迟（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」。

02、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：用户請求到達后，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」升格爲「性能與吞吐的核心繫統組件」。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。

03、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，隨着智能體工作流變長、工具調用與上下文管理趨於複雜，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*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「跟着服務器出貨走」轉變為「跟着智能體複雜度走」，這意味着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。

04、CPU TAM重算：2030年825億-1100億美元，增量來自編排

摩根士丹利採用「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：

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。這並非基準預測，但揭示了"AI工廠"規模擴張對CPU需求的系統性放大效應。

05、內存躍遷：從容量配置到性能核心

如果説CPU是系統的「控制中樞」，那麼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併發數據集。

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，相當於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*「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。

06、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（尤其先進製程）：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%；並預計英特爾可能在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則被置於"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"每台通用服務器約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，約佔屆時全球MLCC市場的2%至3%。

這些環節的共同特點在於：它們處於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。

07、市場錯配與投資節奏：從集中到擴散

儘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中心敍事」中。這種錯配意味着，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：

在這一過程中，超額收益將不再集中於單一公司，而是分佈於整個系統鏈條之中。

08、結語：AI進入「系統效率時代」

綜合來看，這份研報真正揭示的，並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，將屬於那些掌握調度能力、控制數據流並處於關鍵瓶頸位置的參與者。

對於投資者而言，這意味着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。