过去十数年，服务器CPU市场主要由Intel与AMD竞争，Intel长期掌握企业与资料中心市场；AMD在2019年后透过Chiplet、台积电先进制程与高核心数设计逐步扩大市占率，形成x86双雄竞争格局。发展至近年，AI基础设施投资快速升温，市场焦点转向GPU、AI ASIC、HBM与先进封装，CPU相较之下一度被视为AI服务器中的配套元件。
生成式AI发展初期，CPU与GPU的运算分工相对明确，由CPU负责主机管理、资料输入输出与工作排程，大量矩阵计算交由GPU执行，因此，AI服务器常见1颗CPU搭配4至8颗GPU的配置。在此一架构下，提升AI算力主要依靠增加GPU数量，CPU本身的配置与运算需求变化相对有限。
随着AI由模型训练与聊天机器人逐步走向Agentic AI，运算分工出现变化。当AI进一步自主拆解任务、搜寻资料、呼叫API、操作资料库、执行程式并反覆验证结果，系统需处理的不只是GPU擅长的矩阵计算，更增加了工作流程编排、工具调用、资料处理、I/O与沙盒执行等大量非张量运算，而此类工作多由CPU承担，使CPU在整体AI系统中的执行与协调负载随之提高。相关研究指出，在部分Agentic AI工作负载中，CPU处理可能占整体延迟五成以上，部分复杂情境甚至接近九成。
CPU角色的转变，可从几个市场讯号中窥见。首先，CPU与GPU配比正在提高，过去大型AI训练系统常见1：4甚至1：8配置，但NVIDIA 自GB200 与后续Vera Rubin 平台起，已采1 颗CPU 搭配2 颗GPU。 Google第八代TPU系统亦开始整合Axion CPU，显示CPU在AI系统中的配置与角色均有所提升；Intel管理层亦曾公开表示，未来CPU与GPU配置可能朝向1：1靠拢。诚然上述比例会依照不同工作负载有所差异，但此变化反映出CPU不再只是AI服务器中的辅助角色，将逐渐承担更多系统执行任务。
其次，CPU需求增加不只来自配置颗数，也来自核心数需求提升。随着Agentic AI增加工作流程编排、工具调用与系统协调等CPU侧运算，资料中心所需的CPU核心密度也将明显提高。 Arm估计，传统AI资料中心每GW需3,000万个CPU核心，进入Agentic AI后可能提高至1.2亿个，约为原先4倍。尽管实际需求仍将取决于工作负载与系统架构，但此预估反映AI运算需求由加速器向CPU侧扩散，定调CPU核心数与运算资源配置的重要性同步提升。
第三个观察面向反映于价格与供应。 2026年服务器CPU价格出现10%至20%涨幅，部分高阶产品价格调整幅度更大，交期也由过去数周延长至数月。Intel亦已调升部分Xeon产品价格，反映AI与一般服务器需求同步升温，CPU供给转趋吃紧。
上述变化并不代表CPU与GPU之间的角色出现替代，而是资料中心算力瓶颈由单一加速器性能，扩散至CPU、记忆体、网路与系统协同。随着Agentic AI增加工作流程编排、资料处理与系统协调需求，CPU配比与核心数同步提高，因而市场成长动能重新受到关注。
当前资料显示，全球资料中心与服务器CPU市场至2030年可望扩大至1,000亿至1,500亿美元规模，若Agentic AI渗透速度加快、AI基础设施投资持续扩张，同步带动CPU配比与单机价值提升，亦不排除市场规模将于2030年后突破2,000亿美元。虽不同预测结果高度取决于Agent发展速度、CPU与加速器配置方式与平均售价等假设，但可确定的是，AI服务器与Agentic AI已成为CPU市场的新增需求，并使CPU重回资料中心运算架构的成长焦点。
CPU竞争走出x86双雄，Arm与自研架构加速崛起
随着CPU在AI系统中的重要性重新提升，服务器处理器市场也从既有的x86双雄，进一步走向多架构、多平台并存。 Intel与AMD产品世代竞争仍将持续，但AI时代的新变化在于Arm架构渗透率持续提高，以及NVIDIA、Google、AWS等平台业者扩大CPU自研布局，使服务器处理器市场逐步走出既有业者主导的竞争格局。
最明显的变化来自AI平台业者扩大CPU自研布局。 NVIDIA早期DGX H100仍采用Intel Xeon，到了GB200 NVL72已改为36颗Grace CPU搭配72颗Blackwell GPU，下一代Vera Rubin亦延续自研CPU路线；Google在第八代TPU系统导入Axion CPU，AWS也同时发展Graviton CPU与Trainium AI加速器，显示AI晶片自研范围正由GPU与ASIC进一步延伸至CPU，平台业者开始将CPU纳入整体AI系统架构与资源调度设计。
因此，CPU市场至少同时存在三种竞争关系，其一为Intel与AMD的x86竞争；其二是x86与Arm架构的竞争；其三是Intel、AMD等商售CPU（Merchant CPU）与Google、AWS、NVIDIA等平台业者自研CPU之间的竞争。尤其第三种竞争差异，不只在于指令集或单颗CPU性能，更取决于CPU能否与自家GPU、ASIC、网路与软体形成更紧密的系统整合。此趋势进一步扩大Arm架构在AI基础设施中的渗透机会。
目前Arm架构在全球服务器CPU出货量中的占比约在一成至一成五之间，随着AWS、Google、NVIDIA等业者扩大Arm CPU导入，以及自研AI平台逐步采用客制化Host CPU，未来占比仍有明显提升空间，部分市场预测至2030年有望提升至三成以上，若聚焦超大规模云端服务商（Hyperscaler）自研AI平台，渗透速度可能更快。
Arm市占提高并不表示x86将被取代，而是反映出不同的运算架构开始依照工作负载形成分工。在AI机柜与客制化运算平台中，Arm凭借能效与设计弹性，更容易与自研加速器形成整合。相较之下，在企业资料库、通用服务器与既有软体环境中，x86长期累积的软体相容性与客户验证基础仍具优势。
CPU产业的竞争逻辑也产生变化，过去CPU主要比较核心数、IPC、主频与制程，现在须同时考虑CPU能否与GPU或ASIC形成有效互联、是否支援更高记忆体频宽，以及能否嵌入完整AI系统。 NVIDIA透过NVLink-C2C将CPU与GPU紧密连结，Google将Axion纳入TPU生态，AMD利用EPYC处理器与Instinct加速器强化CPU、GPU协同，CPU由原先单纯的独立处理器角色，逐步成为AI 平台设计中的重要环节。
分析上述情势对半导体供应链带来的变化，首先，高核心数服务器CPU增加，代表AI对先进制程的需求来源不再只集中于GPU与ASIC；其次，CPU配置增加与核心密度提升，将同步增加DDR5、PCIe、CXL与高速网路晶片需求；再者，若CSP持续扩大自研CPU，台积电等先进制程代工业者可能承接更多来自Arm架构与客制CPU的需求，而Intel必须同时面对产品市占与自有制造竞争力两大挑战。
（来源：编译自money，谢谢）
*免责声明：本文由作者原创。文章内容系作者个人观点，半导体行业观察转载仅为了传达一种不同的观点，不代表半导体行业观察对该观点赞同或支持，如果有任何异议，欢迎联系半导体行业观察。
