AI 投资的主叙事正在经历一次结构性迁移。摩根士丹利最新研究指出，随着 AI 从 " 生成内容 " 走向 " 自动执行任务 "，下一轮 AI 基础设施的增量逻辑将从 " 单芯片算力竞赛 " 扩展为 " 全栈系统工程 " —— GPU 依然是核心，但不再独享预算与溢价。
据追风交易台，摩根士丹利研究部分析师 Shawn Kim 在报告中直接写道，" 智能体 AI 标志着从计算到编排的结构性转变。" 在智能体工作流中，CPU 侧编排时间可占总时延的 50% 至 90%，由此推导出到 2030 年新增 325 亿至 600 亿美元的 CPU 增量市场空间，并将服务器 CPU 总 TAM 推至 825 亿至 1100 亿美元量级。
与此同时，DRAM、ABF 载板、晶圆代工、存储、连接器与被动元件等环节，均将从 " 配角 " 跃升为新的瓶颈与利润池。将在 2030 年额外催生 15 至 45EB 的 DRAM 需求，规模相当于 2027 年全行业年供给的 26% 至 77%。
这一判断对市场意味着：AI 资本开支的受益者将从少数芯片巨头扩散至整条全球供应链，下一轮超额收益，可能更多来自那些在智能体工作流中最先成为瓶颈、且最难快速扩产的 " 使能环节 "。随着瓶颈在不同环节迁移，AI 价值链的权重分布随之改变。
从 " 生成 " 到 " 行动 "：智能体把瓶颈从算力推向编排
生成式 AI 的典型工作流结构相对简单：用户请求到达后，CPU 完成少量预处理，GPU 负责 token 生成，随后返回结果。整个链路中，GPU 是绝对主角，CPU 仅承担辅助功能。
智能体的运作逻辑截然不同。完成一个任务，系统需要经历规划、检索、调用外部工具与 API、执行、反思迭代等多个步骤，还涉及多智能体协作、权限管理、状态持久化与调度等大量 " 控制面 " 能力。大摩的核心结论是：智能体带来的不是更 " 重 " 的单次推理，而是更多步骤、更多状态、更多协调，而这些工作天然更适合 CPU 处理。
由此带来两个直接后果：其一，集群层面 CPU 与 GPU 的配比将系统性上升；其二，DRAM 从 " 容量配置项 " 升格为 " 性能与吞吐的核心系统组件 "。数据中心的瓶颈将越来越多地出现在内存带宽、数据搬运、互连时延与系统级协调，而非单纯的 GPU 算力。
CPU 配比正在重估：从 "1:12" 走向 "1:2" 乃至反转
过去，"1 颗 CPU 服务约 12 块 GPU" 曾是 AI 服务器的典型架构描述。但报告指出，随着智能体工作流变长、工具调用与上下文管理趋于复杂，这一比例正在快速收窄。
以 NVIDIA 路线图为例，更新估算显示：在 Rubin 平台附近，CPU 与 GPU 的配比已接近 1:2；若向 Rubin Ultra 等更激进形态演进，甚至可能出现 2 颗 CPU 对应 1 颗 GPU 的反转配置。即便仅从 1:12 改善至 1:8，对超大规模部署而言，CPU 的绝对需求量也将出现量级跳升。
一旦这一方向成立，CPU 的需求弹性将从 " 跟着服务器出货走 " 转变为 " 跟着智能体复杂度走 "，这意味着 CPU 需求的增长将更具结构性，而非仅仅是传统硬件换代周期的延续。
摩根士丹利采用 " 系统分层 " 方法，将智能体带来的 CPU 机会从传统服务器更新换代逻辑中剥离，建立三个独立分析口径：
Head Node CPU对应贴近 GPU 系统的机架控制层，以 2030 年全球约 500 万颗 AI 加速器、每颗加速器配 2 颗高端 CPU、CPU 平均售价约 5000 美元为假设，对应约 500 亿美元 TAM。
Orchestration CPU覆盖智能体编排新增需求，包括规划与调度、工具链、RAG 管线、KV cache 与向量库相关内存服务、策略与可观测性等。算额外新增 1000 万至 1500 万颗 CPU、ASP 约 3000 美元，对应 300 亿至 450 亿美元 TAM。
Other CPU涵盖存储节点、部分网络节点等，对应约 25 亿至 150 亿美元。
报告同时给出了 " 上修开关 "：若按 NVIDIA 口径，2030 年 AI 基础设施销售额达到 3 万亿或 5 万亿美元，则 CPU TAM 区间将被整体推至 2060 亿至 2750 亿美元，乃至 3440 亿至 4580 亿美元。这并非基准预测，但揭示了 "AI 工厂 " 规模扩张对 CPU 需求的系统性放大效应。
内存从配角变主线：2030 年新增 DRAM 需求 15 至 45EB
智能体的真正差异化不只在推理能力，更在 " 可持续的上下文与记忆 "。持续上下文、KV-cache、工具调用中间态与并发智能体工作集，CPU 侧 DRAM 实质上成为 HBM 的功能性延伸。
测算模型直接明了：新增 DRAM 需求等于新增编排 CPU 数量乘以单 CPU 平均 DRAM 配置。两档假设分别为：新增 1000 万颗编排 CPU、每颗配置约 1.5TB；偏乐观情形为 1500 万颗、每颗约 3TB。由此推导出 2030 年智能体可带来 15 至 45EB 的新增 DRAM 需求，相当于 2027 年 DRAM 行业年供给的 26% 至 77%。
在周期判断上，报告还注意到一个市场结构变量：多数内存供应商正在与大客户讨论 3 至 5 年长期协议（LTA），这可能令定价下行斜率趋缓，并将 2027 年前的盈利能见度抬高。" 内存层级正在成为 AI 系统的核心变现路径 " ——主机 DRAM、内存接口芯片、CXL 扩展及 SSD/HDD 分层存储，都将成为更可持续的价值承接点。
而真正具备超额收益潜力的，是那些 " 产能扩得慢、验证周期长 " 的使能环节。报告重点点名了以下几条链：
ABF 载板：这轮 AI 驱动的 ABF 上行周期可能延续至本十年末，2026 至 2027 年附近存在供需缺口风险。仅 "CPU TAM 扩大 " 一项，就可能带来 2030 年 ABF 需求 5% 至 10% 的上修；其中服务器 CPU ABF 载板市场到 2030 年约达 47 亿美元，CPU 带来的增量需求约 12 亿美元。
BMC 与内存接口：Aspeed 被强调为 CPU 服务器 BMC 的核心受益者，其在该细分领域约有 70% 的市场份额，新一代 AST2700 平台带来 40% 至 50% 的 ASP 提升空间；Montage 则被置于 " 内存互连 " 价值链，全球收入份额约 36.8%。
CPU Socket 与被动元件：报告以 Lotes 与 FIT 作为 CPU socket 的直接映射，测算每增加 100 万颗 CPU 需求，Lotes 收入约增加 0.6%、FIT 约增加 0.2%（仅按 socket 口径计）。被动元件方面，以 " 每台通用服务器约 30 美元 MLCC 内容量 " 为简化假设，推算出 2030 年额外 5 亿美元 MLCC 需求增量，约占届时全球 MLCC 市场的 2% 至 3%。
CPU 是最清晰增量，但 " 使能环节 " 更受偏爱
报告承认智能体工作负载增长将结构性利好 AMD 的云端份额，但对 AMD 与英特尔均维持 Equal-weight 评级，倾向于通过 NVIDIA、博通等 " 资本开支与 token 增长更直接映射至盈利 " 的标的来追踪智能体主题，同时将估值约束列为重要考量维度。
从更宏观的框架看，这份报告的核心价值在于将 AI 的投资范式从 " 单点算力军备竞赛 " 升级为 " 系统效率与瓶颈经济学 "：GPU 是发动机，CPU 是变速箱与控制系统，内存与互连是油路与底盘——单点极致仍重要，但决定规模化回报的是整车协同。
对产业链而言，这意味着 AI 投资的超额收益来源将更加分散也更为长期：不只来自 " 最强 GPU"，更来自那些在智能体工作流中率先成为瓶颈、且最难快速扩产的环节。能够持续追踪的高频验证指标包括：新平台 BOM 中 CPU 数量与内存配置的上修幅度、云厂商长期协议签约节奏，以及 ABF 载板与先进制程产能的利用率走势。
