Сначала итоги
В то время как все наблюдают за графическими процессорами и HBM, UBS выпустила упущенный, но чрезвычайно важный анализ: рост агентского ИИ меняет архитектуру центра обработки данных, переходя от «обучения, ориентированного на графические процессоры», к «сложному исполнению оркестровки», и этот сдвиг приведет к тому, что общий адресный рынок серверных процессоров (TAM) вырастет примерно в 5 раз к 2030 году - с $ 30 млрд до $ 170 млрд.
Что случилосьИсследовательская группа UBS отметила в недавнем анализе, что фокус инвестиций в инфраструктуру ИИ претерпевает структурные изменения:
Основные данные
| Метрика | 2025 | 2030 (Прогноз) | Рост |
|---|---|---|---|
| Серверный ЦП TAM | $ 30 млрд | ~$ 170 млрд | ~5x |
| ** Потребность в ядре ЦП для рабочих нагрузок каждого агента ** | Исходный уровень | 3-5x | 3-5 раз |
- Агентский ИИ должен выполнять сложную оркестровку, рассуждения, вызовы инструментов и управление государством поверх LLM
- Эти задачи оркестровки сильно зависят от ЦП, а не от ГП
- Каждая рабочая нагрузка агента требует в 3-5 раз больше ядер ЦП, чем традиционное обучение ГП
Фон: Big Tech AI Capex Frenzy
Прогноз Morgan Stanley May обеспечивает более широкий контекст:| Компания | Капитальные затраты на ИИ на 2026 год | Прогноз на 2027 год |
|------|---------------|------------|
| Amazon | ~$ 150 млрд | Рост |
| Google | ~$ 150B | Растущая |
| Мета | ~$ 150B | Рост |
| Microsoft | $ 150B | Растущая |
| Oracle | $ 1,1T** |$ 20 млрд | Рост |
| Итого | **$ 805B** | **
Ожидается, что к 2027 году общие расходы на строительство глобальных центров обработки данных достигнут * * $ 2,9 трлн * *.
Почему спрос на ЦП будет расти### Характеристики агентской рабочей нагрузки ИИ
Традиционная рабочая нагрузка по обучению искусственному интеллекту/логическому выводу:
GPU-интенсивный: матричные вычисления, использование тензорных операций → GPU 80%+
CPU-light: предварительная обработка данных, → загрузка ЦП после обработки результатов 20-30%
```Agentic AI workload:
Затраты ЦП: оркестровка задач, вызовы инструментов, управление состоянием, использование → ЦП для координации нескольких агентов 60-80% Использование GPU: вывод LLM, использование → GPU для вычислений встраивания 40-60%
1. Понимание задачи → CPU (обработка естественного языка)
2. Планирование шагов → CPU (рассуждение и принятие решений)
3. Инструменты вызова (поиск, база данных, API) → CPU (сетевой ввод-вывод, обработка данных)
4. Анализ результатов → CPU (оценка результатов и принятие решения)
5. → Повторите описанные выше шаги 5-50 разКаждый шаг требует участия ЦП, в то время как ГП играет роль только на шаге 1 и части шага 4.
### Потребление процессора в определенных сценарияхQUERY LENGTH LIMIT EXCEEDED. MAX ALLOWED QUERY : 500 CHARS## Инвестиции и влияние на рынок
### БенефициарыQUERY LENGTH LIMIT EXCEEDED. MAX ALLOWED QUERY : 500 CHARS### Пропущенные риски1. ** Инвестиционная рентабельность инвестиций в графические процессоры может быть ниже, чем ожидалось**: если рабочие нагрузки смещаются в сторону процессора, крупные инвестиции в графические процессоры могут столкнуться с недоиспользованием
2. ** Сдвиг узкого места питания и охлаждения **: потребности в питании и охлаждении кластера ЦП отличаются от кластеров графических процессоров, существующие конструкции центров обработки данных могут не применяться
3. ** Несоответствие стека программного обеспечения **: текущая инфраструктура ИИ (Kubernetes, фреймворки вывода) в основном оптимизирована вокруг графического процессора, экосистема инструмента оркестрации процессора еще не созрела## Особое значение для китайского рынка
Китайская инфраструктура искусственного интеллекта сталкивается с ограничениями поставок графических процессоров (экспортный контроль США), и рост спроса на процессоры может фактически принести новые возможности:- **Внутренние процессоры** (Hygon, Phytium, Loongson) в сценариях оркестровки агентов могут быть активированы
- **Huawei Ascend** Архитектура совместной работы «CPU+NPU» может лучше подходить для агентских рабочих нагрузок ИИ
- Поставки чипов ИИ в Китае в 2026 году ожидаются на уровне 3 миллионов единиц, при этом доля на внутреннем рынке постоянно растет
## Рекомендации по действиям**Если вы являетесь инвестором в инфраструктуру **:
- Переоценка инвестиционного портфеля инфраструктуры ИИ - цели, связанные с ЦП, могут быть недооценены
- Цепочка поставок процессора сервера часов (упаковка, тестирование, аксессуары для памяти)
- Обратите внимание на изменения тенденций проектирования ЦОД**Если вы являетесь пользователем облака **:
- Оцените текущее соотношение рабочих нагрузок ИИ CPU/GPU - могут иметь чрезмерно выделенные графические процессоры
- Попробуйте запустить задачи оркестрации агентов на инстансах с интенсивным использованием ЦП, это может быть дешевле
- Следите за новыми типами виртуальных машин, оптимизированных для ЦП облачного провайдера**Если вы разработчик приложений ИИ **:
- Оптимизировать эффективность использования процессора агента: сократить ненужные вызовы инструментов, кэшировать промежуточные результаты
- Учитывайте ограничения ресурсов ЦП при проектировании архитектуры агента
- Оценка соотношения затрат и выгод CPU и GPU, сильно варьируется в зависимости от сценария
## Оценка ландшафтаАгентский ИИ меняет наше определение «инфраструктуры ИИ». В течение последних двух лет в отраслевом повествовании доминировали графические процессоры и HBM, но агентное распределение фактической рабочей нагрузки ИИ раскрывает упущенный факт: **ИИ - это не просто история графического процессора, роль процессора возрождается**.Это не означает, что графические процессоры больше не важны - процессоры остаются ядром для обучения и крупномасштабного вывода. Но на пути ИИ от «обучения модели» до «выполнения агента» значение ЦП было серьезно недооценено. Прогноз роста UBS 5x может быть не конечной точкой, а отправной точкой.