高盛上周請了Jordan Plawner來聊，這人之前是Intel的全球AI產品與戰略總監，現在做AI顧問。他的核心觀點是：大家光盯著GPU，把CPU伺服器的需求給低估了，而且低估得不是一點點——他估計Agentic AI這波能給CPU伺服器市場帶來5-6倍的需求提升。 邏輯其實不複雜。AI agent做的事情——編排任務、呼叫工具、跑順序邏輯——這些都是CPU擅長的。GPU是為大規模平行設計的，適合訓練和推理，但不適合agent這種東西。更直接的：CPU能直連DRAM，資料吞吐效率更高，跑agent 24/7的場景下，用GPU反而是浪費。他估計，現在訓練時代CPU和GPU的花費比大概是1:50-80，到Agentic AI普及後會變成1:6-10，CPU這邊的份額會大幅拉升。 順帶一提，換新需求這塊也有自己的邏輯。Plawner估計現在企業伺服器平均用了6年，而歷史上正常的更新周期是3-4年——這2年多的缺口，是因為大家這幾年IT預算都砸GPU訓練去了，傳統CPU伺服器的換新被一直往後拖。現在拖不住了，一是跑agent的企業需要本地側算力支撐，二是換新本身算帳划算：1000台舊伺服器換成約350台新伺服器（新一代單台性能大約是舊的3倍），每年電費能省約$1M，回本2-3年。他甚至說如果是on-premise回遷策略，回本可能還更快。 供給這邊有個有意思的扭曲：現在Dell和HPE手上的企業CPU伺服器訂單，只有約1/2在正常交貨。卡在那？DRAM。HBM需求太旺，把記憶體產能給擠佔了，企業伺服器用的普通DRAM分配不夠。Plawner估這個缺口至少還要持續18個月。但他同時說，等供給恢復，OEM也會優先給Dell、HPE這些大客戶，小廠商反而分不到多少。

當Agentic AI 帶動算力結構大洗牌，AI 的野火已從GPU 一路燒向伺服器CPU，徹底點燃了高階ABF 載板的世紀大缺貨，在晶片尺寸與疊層複雜度極致飆升下，產業定價權的爭奪戰已讓市場全面轉向賣方主導，誰能靠製程壁壘與策略結盟，斬獲長線獲利翻倍的終極紅利？ 本輪ABF 載板行情的定性，已擺脫過去消費性電子帶動的傳統循環，在多個AI Agent 協作的架構下，CPU 扮演工具調度與任務控制的核心，研調機構預估，PC 在整體ABF 消費中的佔比將從2020 年的61% 驟降至2028 年的10%，而AI 晶片與伺服器CPU 的合計佔比將攀升至85%，預估2026 至2028 年缺口將依序擴大至8%、27% 與35%，確認本輪ABF 多頭至少還有4 至5 年的延續性。 從供給端來看，產能受限的警訊接二連三，全球ABF 膜龍頭味之素(Ajinomoto) 已鬆口採取成本轉嫁策略，日本載板大廠Ibiden 更將2026 財年資本支出暴增至2100 億日元，並直言2028 年高階ABF 需求面積將較2024 年狂飆10.7 倍，隨著載板層數拉升至16 至24 層，關鍵原料T-glass 玻纖布供應瓶頸至少延續至2027 年，至於玻璃載板技術，因鍍銅與壓合良率短期難突破，2030 年前難大規模量產，實質衝擊有限。 在供需缺口直達長線的背景下，載板廠展現強大的議價與成本轉嫁能力，目前高階訂單交期延伸至1.5 到2 年，客戶為了鎖定產能，甚至願意提供長期資金協助擴產，使台廠的營運槓桿大幅釋放，長線獲利空間正式被打開。

在黃仁勳亞洲行後，《日本經濟新聞》指出日本在輝達AI 生態系中面臨「邊緣化」。 「日本到底還有多少家公司，能吸引黃仁勳親自登門拜訪？」文章甚至這麼問。台韓搶產能、日本卡咽喉 沒有它，AI晶片供應鏈得停工 2026年，全球科技巨頭對GPU需求極大；而要組裝出一顆合格的AI加速器，有兩個關鍵瓶頸： 第一，是先進製程與先進封裝，尤其是台積電的CoWoS。沒有台灣的晶圓代工與封裝生態系，輝達的晶片就只是設計圖。第二，是HBM（高頻寬記憶體），這是GPU運算效能的命脈，SK 海力士和三星掌控全球最頂尖的HBM產能。

6月11日，美國銀行（Bank of America）發佈了一份顛覆市場共識的半導體行業報告，核心觀點直指AI算力架構正經歷歷史性重構。美銀分析師Vivek Arya在報告中指出，隨著智能體AI（Agentic AI） 的崛起——即AI從被動回答問題的"問答機器"演進為能夠自主規劃、決策、呼叫工具和執行多步任務的"數字員工"——CPU不僅不會被GPU邊緣化，反而將迎來過去十多年最大的一輪增長周期。 一、報告核心觀點 美銀將2030年全球伺服器CPU市場規模預測從原先的1250億美元大幅上調至1700億美元，較2025年的352億美元增長近5倍，未來五年複合增長率高達37%。報告還同時上調了AMD、Arm和Intel的目標股價。報告發佈後，半導體類股應聲大漲：AMD收漲約8%，英特爾漲超9%，Arm漲近11%。 二、核心邏輯：從"GPU獨奏"到"CPU指揮的交響樂"

這兩天，AI 產業鏈裡真正值得盯住的訊號，不在模型發佈，也不在單日股價波動，而在兩個人同時把話題推向了同一個方向：儲存。 一個是黃仁勳，一個是馬斯克。 前者站在 AI 算力供給鏈的最核心位置，後者代表著全球最激進的一批算力需求：自動駕駛、機器人、xAI、SpaceX、Starlink，以及更遙遠的太空計算基礎設施。 他們關注儲存，含義很深。

MLCC，一個普通人也許一輩子都不會聽到的詞彙，卻成為全球資本市場的熱門。今天就用十張圖來瞭解下。 產品介紹 催化劑 AI時代的價值重估。高盛指出，MLCC已躍升為AI伺服器BOM中繼GPU和記憶體後的第三大成本項。輝達Vera Rubin VR200機架的MLCC用量約4,300美元（vs GB300約1,500美元），NVL72機櫃用量可達44萬-60萬顆。

核心結論 光互聯已成為萬卡級 AI 叢集算力釋放的唯一剛性路徑：2026 年全球 AI 算力競爭的核心並非單純 GPU 算力堆疊，而是光互聯的規模化落地適配能力——GPU 算力每 18 個月實現翻倍，而光互聯頻寬需每 12 個月完成一次迭代，否則多節點叢集的算力衰減率將超過 40%，硬體投入面臨完全浪費風險。 技術端已完成路線校準：共封裝光學（CPO）是行業終極技術形態，近封裝光學（NPO）為 2026-2027 年主流過渡方案，低功耗可插拔（LPO）方案覆蓋中低端成本型需求。中國廠商憑藉精準的路線卡位、成熟的大規模量產能力、全環節成本控制優勢，拿下全球 1.6T 級光互聯模組超 70% 的有效產能份額，已成為定義下一代 AI 算力互聯標準的核心主導方，而非單純的供應方。 一、技術演進深度復盤：從 “可插拔” 到 “共封裝” 的三階躍遷與現實妥協