從GPU主導到CPU反超：智能體推理改寫算力結構
當每塊GPU需要80個CPU核心來伺候，記憶體行業的遊戲規則正在被改寫。
80個CPU核心，伺候一塊GPU。這是瑞銀2026年5月一份報告裡最刺眼的數字。傳統AI訓練，一塊GPU配置8到12個CPU核心就夠了；到了智能體（Agentic AI）推理，這個數字變成80到120個——增長5到10倍。
更顛覆的是算力分配方向。瑞銀援引的專家訪談給出判斷：傳統AI工作負載裡，70%到80%的算力消耗在推理本身（GPU）上；而在智能體推理中，這個比例反轉了——70%到80%的工作量轉移到了CPU上。
一塊GPU要十個CPU核心伺候，一半以上的活已經不歸GPU管了。瑞銀據此預測：伺服器CPU市場規模將從2025年的約300億美元增長至2030年的約1700億美元，五年漲近5倍。
問題隨之而來：AI從訓練轉向推理，到底改變了什麼？為什麼DDR5突然變得比HBM還重要？
一、智能體推理到底改變了什麼？
從"一問一答"到"持續循環"
傳統大模型推理是簡單的問答模式：使用者提問，模型回答，結束。智能體AI完全不同。它需要持續進行"思考—執行—觀察—反饋"的循環：完成一個任務需要多輪推理，每一步推理後呼叫工具、檢查結果，再決定下一步。這種循環意味著更大的計算量和更複雜的資料互動。
智能體是典型的DRAM密集型工作負載
智能體運行過程中需要維護長上下文記憶和歷史資料——這些資料必須隨時可訪問。隨著上下文窗口擴大和任務複雜度提升，KV Cache（鍵值快取）用量急劇膨脹。瑞銀指出，這些正是典型的DRAM密集型工作負載，DDR5的重要性將快速提高。
這裡藏著一個關鍵判斷：不是所有資料都值得放在昂貴的HBM裡。活躍資料放HBM，運行資料放DDR，歷史和冷資料下沉至NAND——記憶體分層正在從"可選項"變成"必選項"。
為什麼CPU變得關鍵
在智能體場景中，CPU承擔了大量序列計算：任務編排、狀態管理、工具呼叫、資料讀取、結果驗證。
論文《AgentCgroup》的測算顯示，編碼智能體中容器初始化加上工具執行佔端到端任務時延的55%到60%。Intel引述的一項CPU-Centric研究顯示，編碼智能體中僅工具執行一項就佔請求響應時間約60%（深研智能體約50%、科研智能體約36%）。
一項來自佐治亞理工學院與Intel的研究（《A CPU-Centric Perspective on Agentic AI》）顯示：五大代表性智能體工作負載中，CPU端的工具處理、邏輯調度、資料預處理佔總端到端延遲的84.5%到90.6%，遠高於GPU端模型推理佔比。
這些環節幾乎全部壓在通用計算上——GPU使不上勁，也不該使。
智能體不是"更強的推理"，而是"不同類型的計算"——大量序列、調度、編排類工作，天然屬於CPU的領地。
二、CPU與GPU的配比正在反轉 ★
從1:8到1:1的演進路徑。傳統訓練負載，CPU與GPU配比約1:8，CPU主要作為主機節點存在。這個數字有多個來源印證：Intel CEO陳立武在2026年4月財報電話會上表示，"CPU與GPU的比例過去是1:8，現在是1:4，未來可能走向持平甚至更高"；野村證券的判斷是訓練階段約7-8塊GPU配1個CPU，推理階段收緊至3-4:1。
推理負載，配比收緊至約1:4。智能體推理，配比進一步向1:1靠攏。AMD CEO蘇姿丰在2026財年第一季度財報電話會上（2026年5月）給出明確判斷："傳統資料中心裡CPU與GPU的比例多為1:4或1:8，主要作為主機節點；隨著智能體AI普及，這一比例正在向1:1靠攏，甚至在智能體密集部署的場景下，CPU數量可能超過GPU。"
驅動因素是多層級的。瑞銀量化了這種轉變的規模：伺服器CPU總可定址市場將從2025年的約300億美元增長至2030年的約1700億美元。注意這是瑞銀口徑——同期伯恩斯坦給出的是390億到2230億美元、美銀給出350億到1710億美元，機構間的絕對量級有差異，但"五年數倍增長"的方向一致。
結構上：主機節點CPU佔比將從2025年的29%提升至2027年的41%（瑞銀）。任務粒度上：複雜智能體任務可能生成10到100個子智能體，每個子智能體需要1到4個專用CPU核心（瑞銀援引專家訪談）。相較傳統編排的1個核心，這是數量級的躍升。Arm給出另一個維度的測算：傳統AI資料中心每吉瓦（GW）約需3000萬CPU核心，智能體AI場景約需1.2億核心——4倍提升。
為什麼CPU不能被GPU取代？GPU擅長平行計算——矩陣乘法、張量運算，這些是訓練的核心。但智能體的任務是序列的、有依賴關係的：先規劃，再調工具，再檢查結果，再決定下一步。每一步都依賴前一步的輸出。這種序列邏輯編排、狀態管理、工具呼叫協調，恰恰是CPU的強項。
一位產業人士的概括很精準：GPU靠單卡峰值定價，賣的是天花板；CPU靠單位算力的吞吐和時延定價，賣的是"用得起"。
需要說明的是，這不是"CPU蠶食GPU"。蘇姿丰對此給出否定答案——加速器運行基礎模型需要CPU配合，智能體還會"衍生"出大量CPU任務，CPU需求"很大程度上是對GPU市場的補充"。CPU不是"王者歸來"，而是"角色升級"——從輔助節點變成核心計算資源。
三、伺服器DDR需求：十多年未見的增速
瑞銀預計伺服器出貨量2026年增長19%，2027年繼續增長17%。伺服器DDR需求將在2026年增長44%，2027年進一步增長70%。瑞銀在後續報告（2026年9月）中進一步上調：伺服器DDR位元容量需求2027年同比增長約80%。放在記憶體行業過去十多年的歷史中，這樣的增速極為罕見。
從"可選"到"剛需"。傳統AI伺服器中，DRAM只是標配；智能體推理場景下，DDR5直接決定了能同時運行多少個智能體、支援多長的上下文。
配置量的躍升很直觀：通用伺服器通常配置DDR5 512GB至1TB，而AI伺服器DDR5配置達1.5TB至4TB（CFM/CFMS MemoryS 2026）。據瑞銀測算，伺服器平均DRAM容量將從2026年的927GB提升至2027年的1455GB。產品側也在跟進：美光256GB DDR5 RDIMM已於2026年5月12日開始送樣，採用1γ工藝與3D堆疊+TSV，速率最高9200 MT/s，功耗較2×128GB模組降低約40%。
瑞銀明確指出，智能體AI正是關鍵引擎——不僅推動HBM需求增長，同時帶動DDR5/LPDDR5以及NAND快閃記憶體需求增長。過去幾年市場把AI記憶體的紅利幾乎全部歸給了HBM，但瑞銀認為市場嚴重低估了智能體AI對整個記憶體產業鏈的拉動作用——DRAM最大增長來源已不再是手機和PC，而是AI伺服器。
四、46%：DRAM需求結構的根本性反轉
2025年，伺服器DDR佔整個DRAM需求的比例約為31%。到2027年，這一比例將躍升至46%（瑞銀2026年5月版）。這意味著，DRAM行業最大的增長來源已經從手機和PC轉向AI伺服器。
過去十多年，DRAM需求結構相對穩定：手機約佔40%，PC約佔20%，伺服器約佔30%（WSTS/J.P.Morgan口徑）。智能體AI正在打破這個格局。群智諮詢預測，2026年AI伺服器在DRAM總出貨容量中的需求佔比將突破40%，2027年攀升至49%，2028年突破50%並維持50%至55%區間，正式佔據DRAM行業需求的主導地位。集邦諮詢（TrendForce）的預估顯示，伺服器佔DRAM位元需求的比重將從2026年的42.2%升至2027年的43.7%。
為什麼是結構性反轉？手機和PC的DRAM需求增速是線性的——跟隨出貨量波動。AI伺服器的DRAM需求增速是指數級的——單機容量持續提升，伺服器出貨量也在增長。兩個變數疊加：瑞銀預計2027年伺服器出貨增長17%，單台伺服器記憶體容量增長約50%，兩者疊加約80%的需求增長。
DRAM行業花了二十年把手機變成了第一大市場，現在智能體AI正在用兩年時間把伺服器推上王座。
五、記憶體分層：不是所有資料都值得放在HBM裡 ★
NAND迎來第二波AI紅利。瑞銀大幅提高了NAND需求預測，核心驅動力來自KV Cache。隨著上下文窗口越來越長、智能體越來越複雜，這部分快取資料將持續膨脹，不可能全部留在HBM和DDR中。
產業實踐已經驗證這一趨勢。華為在2026年9月的全聯接大會上發佈OceanStor M900記憶記憶體方案，將超節點的KV Cache從視訊記憶體與記憶體擴展至SSD，單叢集可提供64PB容量，單NPU可用KV Cache容量從GB級提升至TB級，時延降至60微秒。
以DeepSeek為代表的AI企業正積極推廣KV快取方案，將優先順序較低的快取資料從高性能記憶體遷移至高速大容量QLC固態硬碟。記憶體原廠也在跟進：三星在FMS 2026發佈zNAND-O方案，將唯讀佔大頭的模型權重下沉到zNAND，OS/應用/KV Cache/啟動資料保留在DRAM中。模擬測試顯示，記憶體成本可大幅降至約原來的六分之一，而推理性能與純DRAM系統幾乎持平，可記憶體的模型規模接近兩倍。
記憶體分層為什麼是必然？HBM貴且容量有限，不可能把所有資料都放進去；DDR5容量更大但成本仍高，適合放運行資料；NAND容量更大、成本最低，適合放歷史和冷資料。
NAND的容量優勢並非"HBM的千倍"。採用HBF（高頻寬快閃記憶體）等堆疊方案後，同等物理空間下NAND容量可達HBM的8到16倍（SanDisk/SK海力士FMS 2026）。"千"對應的是NAND的堆疊層數，不是容量倍數。
記憶體產業的估值邏輯正在改變。瑞銀已將美光的估值錨從"周期性的P/B"切換為"成長型的P/E"——這是估值框架層面的轉變。媒體將其表述為目標PE從過去的8到10倍拉升至25到30倍區間；瑞銀報告原文的表述是以約15倍遠期市盈率（錨定2029年EPS）折現估值。雖然資料口徑存在差異，但"從周期轉向成長"的定性判斷一致。同時，超大規模雲廠商已通過增強型長期供貨協議，鎖定了Server DDR5約60%至70%的量。
智能體AI拉動的是整個記憶體層次的需求——從HBM到DDR5到NAND，每個層級都在膨脹。區別只是增速不同、價值量不同。
六、DRAM缺貨持續到2028年：預判需求持續性
供需缺口的持續性。瑞銀預計DRAM供不應求將持續至2028年第二季度，NAND供不應求將持續至2027年第四季度。具體到2027年：DRAM需求同比增長36.2%，遠超19.3%的供應同比增長，供需缺口擴大至約17個百分點。瑞銀將此次供需失衡程度描述為"過去30年來罕見水平"。
管道調研顯示，DRAM交付率預計維持在60%左右——也就是說，每10塊錢的需求，只能拿到6塊錢的貨。
為什麼需求不會快速回落？長期供貨協議改變了遊戲規則：全行業約60%至70%的伺服器級DDR5產量已被超大規模雲廠商通過三至五年的長期協議鎖定。這種模式削弱了傳統周期中"漲價→砍單→降價"的負反饋機制。同時，智能體AI的普及仍在早期階段——目前的KV Cache和上下文窗口遠未達到上限。
DDR5需求的持續性不是短期脈衝，而是由智能體AI工作負載特性決定的結構性趨勢。
對讀者的判斷提示。判斷DDR5需求持續性，不能只看伺服器出貨量，要看三個變數：智能體部署密度（每台伺服器跑多少個智能體）、上下文窗口長度（KV Cache膨脹速度）、記憶體分層比例（多少資料下沉到DDR而非HBM）。這三個變數的增長曲線，決定了DDR5需求的上限在那裡。
傳統記憶體周期由供給驅動，這輪周期由需求驅動——智能體AI不是"一次性需求"，而是持續消耗記憶體資源的"數字員工"。
結語：CPU反超不是口號，是正在發生的事實
從GPU主導到CPU反超，智能體推理正在改寫算力結構的底層邏輯。
算力配比反轉。CPU與GPU從1:8向1:1演進，智能體密集場景下CPU可能反超——每塊GPU配80到120個CPU核心是新的現實。
DDR5需求爆發。伺服器DDR需求2026年增長44%、2027年增長70%以上，2027年伺服器DDR佔DRAM需求46%—DRAM最大增長來源已不再是手機和PC。
記憶體分層加速。HBM管活躍、DDR5管運行、NAND管歷史—智能體AI拉動的是整個記憶體層次的需求，而非單一品類。
對讀者的啟示：判斷DDR5需求的持續性，不能只看伺服器出貨量，要看智能體的部署密度、上下文窗口的膨脹速度，以及記憶體分層的滲透比例——那才是DDR5真正的增長引擎。
當每塊GPU需要80個CPU核心來伺候，當DDR5的需求增速連續兩年超過40%，
記憶體行業的遊戲規則已經被智能體改寫了。 (EconoBytes)