AI agent 為何帶動 CPU 需求-從運算分工到晶圓代工與具名供應鏈

Agent CPU 是什麼

「Agent CPU」可理解為用來承擔 AI agent 工作負載的 CPU。它尚不是具有統一規格、獨立出貨統計與一致市占口徑的硬體分類。既有的 Intel Xeon、AMD EPYC 與各種 Arm 架構伺服器 CPU，都能參與 agent 系統；部分新產品則明確以 agent、工具執行及強化學習環境為設計與行銷重點。[1][2][3]

以程式開發 agent 為例，模型產生修改方案之後，系統還要建立隔離環境、讀寫檔案、執行編譯、跑測試，再把結果送回模型。這些步驟往往需要 CPU 實際執行。資料分析 agent 也會呼叫資料庫、處理資料、執行 Python，並檢查輸出格式。CPU 的角色因此涵蓋任務協調與真正的工作執行。[1][2]

模型推論與 CPU 執行通常交替發生，也可能同時服務大量任務。CPU 層若無法及時完成工作，整體回應時間便會拉長。相反地，若瓶頸是外部 API、儲存或網路等待，增加 CPU 未必有效。判斷需求時，必須看完整流程，不能只看 agent 的數量。

為什麼 CPU 需求會增加

首先，同一個使用者請求可能觸發多次工具操作。從「生成一段回答」變成「完成一項工作」，中間新增的程式、資料處理與驗證步驟，都可能消耗 CPU 時間。其次，企業部署會同時服務許多使用者，並維持多個容器或沙盒；並行量提高，會增加核心數、記憶體容量及頻寬需求。agent 的強化學習與評估，也需要反覆運行環境與檢查結果。[1][2][3]

這讓 CPU 運算層有機會獨立擴充。NVIDIA 已推出 Vera CPU 機櫃；AMD 也提出在 GPU 基礎設施旁擴建 CPU 伺服器層的架構。這些產品與方案反映出供應商正針對工具執行、資料處理及大量隔離環境配置硬體。[1][3]

不過，工作量增加不等於 CPU 顆數等比例增加。更快的單核心效能、更高核心密度、軟體最佳化與較高利用率，都可能吸收部分成長。每個 agent 也不必獨占一顆 CPU。因此，市場常見的 CPU 與 GPU 配比，應視為特定架構的觀察或預測，不能直接套用到所有資料中心。

競爭者增加 供應模式也不同

這個市場同時包含對外供應伺服器處理器的 Intel、AMD、NVIDIA、Arm 與 Ampere，以及替自家雲端服務設計 CPU 的 AWS、Microsoft、Google。前者透過系統廠、雲端業者或企業部署進入市場；後者的重要商業成果，往往呈現在雲端執行個體的成本與效能，而不是對外出售 CPU 的收入。[3][7][8][9][10]

Arm 也需要分開理解：Arm 架構與核心 IP 的授權是一種業務；以 Arm AGI CPU 品牌提供處理器，則是另一層角色。把所有採用 Arm 架構的 CPU 都算成 Arm 自有晶片出貨，會混淆設計、授權與供應的邊界。[8]

各家 CPU 由誰製造

下圖選取與目前討論密切相關的代表產品。製程欄以主要運算晶粒或官方產品製程描述為主；多晶粒封裝內的基底、I/O 等晶粒可能採用不同節點。Intel 18A、Intel 3 與台積電 N2、N3 等名稱，也不能只按數字大小直接判斷效能與密度。

*圖一：代表產品的晶圓製造商與製程。綠色代表官方資料確認；橘色代表研究機構揭露。列入表格不表示產品已達相同量產規模，也不代表出貨全部用於 agent。*

Intel 的 Clearwater Forest 採用 Intel 18A，並結合 Intel 3-T 基底晶粒與 Foveros Direct 3D、EMIB 封裝技術，呈現自有製造及多晶粒整合的路線。AMD 則持續與台積電合作：EPYC 9005 採用 3／4 奈米製程，而 Venice 已由 AMD 宣布在台積電 2 奈米製程進入生產爬坡。[4][5][6][19]

Microsoft Cobalt 200 與 Arm AGI CPU 的官方資料都指向台積電 N3P；AmpereOne M 的官方規格則列出台積電 5 奈米。NVIDIA Vera、AWS Graviton5 與第一代 Google Axion 的台積電製程對應，可見於 TrendForce 的研究整理；這部分應保留研究來源標示，不能改寫成三家公司均已逐項正式公告。[7][8][9][10]

這形成一個值得注意的結構：CPU 品牌之間的競爭，可能同時增加同一家晶圓製造商承接的產品種類。但產品名單只能顯示供應關係，無法直接換算台積電或 Intel 在「agent CPU 晶圓」中的市占。還需要各產品的出貨量、晶粒面積、良率與實際用途，才能估算晶圓需求。

需求如何傳到上游與系統廠

從製造流程看，新增 CPU 需求會先影響晶片設計與晶圓投片，再傳到封裝載板、封裝及測試；完成的處理器還需要搭配記憶體、主機板、網路與儲存設備，最後整合成伺服器或機櫃。這些環節的需求不會完全同步，也不會具有相同的成長幅度。

例如，單顆 CPU 的核心數增加，不必然意味出貨顆數增加；晶粒變大、多晶粒數量增加或封裝更複雜，卻可能提高每顆處理器使用的矽面積與封裝資源。大量並行沙盒則可能先拉高記憶體容量與伺服器密度需求。這是供應鏈分析上的推論，實際結果仍取決於客戶採用的架構與採購數量。

*圖二：依製造與系統環節整理的具名公司。這是不同產品與平台的公開關係集合，不是任何單一 CPU 的完整物料清單；上下相鄰也不表示彼此已有直接採購關係。*

具名供應鏈的四種證據

最直接的證據，是供應商明確指出某項產品服務哪個 CPU 或系統。例如 Micron 公告其 SOCAMM2 記憶體適用於 NVIDIA Vera Rubin NVL72，以及獨立 Vera CPU 平台。這比只說「供應 AI 記憶體」更能建立產品關聯。NVIDIA 也具名列出採用 Vera CPU 的系統夥伴，包括鴻海、QCT、緯創、緯穎、華碩、技嘉、和碩、仁寶，以及 Dell、HPE、Lenovo、Supermicro 等。[3][13]

第二種是平台層級的官方關係。NVIDIA 在介紹台灣 Vera Rubin 生態系時，列出台積電、矽品、景碩、京元電與欣興等晶圓及晶片合作夥伴。這足以確認它們參與該平台生態系；卻不能進一步斷言，景碩或欣興負責哪一顆 Vera CPU 的載板、矽品承接多少 CPU 封裝，或京元電取得多少特定型號測試訂單。[12]

第三種是產業研究揭露。TrendForce 指出，Google 與 Microsoft 的 CPU 後端設計服務由創意電子 GUC 承接。這可以列入供應鏈觀察，但來源層級應保留為研究機構揭露，不能延伸成每一代 Axion、Cobalt 都有相同分工或相同營收貢獻。[10]

第四種是通用產品能力。味之素的 ABF 是高效能半導體封裝載板使用的絕緣材料；景碩公開介紹 CPU／GPU 所使用的 FCBGA 載板；矽品提供 IC 封裝，京元電提供 SoC 測試。這些資料可以說明它們位於哪個製造環節，但單靠產品能力，還不足以證明某一型號的採購關係。[14][15][16][17]

設計工具也屬於供應鏈的一部分。AWS 公開資料提到 Synopsys 的 EDA 工具參與 Graviton、Nitro 與 Trainium 的開發。這是系列層級的合作證據，應與單一處理器的晶圓、封裝或記憶體供應分開理解。[11]

財報能證明什麼

財報可以協助判斷伺服器需求、產品組合與售價變化，卻未必能拆出 agent 用途。以 Intel 2026 年第二季財報為例，伺服器產品銷量年增 9%，平均售價年增 48%；公司將售價變化主要歸因於高階產品比重提高，需求導向的定價調整影響較小。這能支持伺服器業務增強的判斷，但不能把全部增幅歸因於 agent。[18]

要計算「agent CPU 出貨占比」，必須知道有多少 CPU 實際服務 agent，以及占比的分母究竟是出貨顆數、核心數、運算時數或營收。同一台伺服器還可能混合運行 agent、資料庫與一般雲端工作。沒有一致定義與用途拆分，就不能把伺服器 CPU 市占、x86 市占、Arm 採用率或雲端客戶滲透率，換成 agent CPU 市占。

同樣地，供應鏈被具名確認，也不等於營收占比已經公開。要從主題走到財務估算，仍需追蹤量產時程、客戶採購規模、每套系統的零組件配置、單價及供應商分配比例。

下一個觀察重點是工作量與量產規模

AI agent 為 CPU 帶來的機會，來自模型周邊真實工作量的增加：程式需要執行、資料需要處理、工具需要協調，結果也需要驗證。對 CPU 設計商而言，競爭重點是以多少成本、功耗與延遲完成這些工作；對晶圓與後段供應鏈而言，則是哪些產品真正放量，以及每顆晶片、每套系統需要多少製造資源。

目前可辨識的製造關係，顯示台積電承接多個 CPU 品牌與雲端自研產品，Intel 則保有自有製造路線；台灣的載板、封測與系統廠也已在部分平台公告中被具名。接下來最有判斷力的訊號，將是可持續的部署量、量產交付與可核對的供應商收入，而不只是產品是否冠上 agent 名稱。