一个AI应用爆火，会带动多少硬件生意？本文深入分析AI应用对硬件产业链的带动效应。

豆包、DeepSeek、ChatGPT，我们已经越来越熟悉了。AI应用已经从少数人尝鲜的工具，迅速进入办公、搜索、编程和内容生产。

但一个AI应用突然拥有几千万甚至上亿用户之后，手机和电脑屏幕之外，还会发生什么？这些新增用户，最后会变成多少服务器、芯片、内存和存储订单？

TrendForce预计，Google、Amazon、Meta、Microsoft、Oracle，以及字节跳动、腾讯、阿里巴巴和百度九家云服务商，2026年资本支出合计将超过8867亿美元，同比增长约90%；全球AI服务器出货量预计增长接近31%。

围绕AI的资本开支，已经从模型训练扩展到芯片、服务器和数据中心。

AI已经给硬件产业制造过一轮巨大的增量需求。大模型训练首先把GPU推到台前，随后是HBM、先进封装和高速光模块。现在AI开始从回答问题走向执行任务，服务器需要承担的工作也变了。

从GPU到CPU，AI正在重新分配硬件红利。

ChatGPT走红之后，第一轮硬件机会的传导路径非常清楚。

训练大模型需要完成海量矩阵运算，GPU拥有大量并行计算单元，非常适合这样的工作。模型越做越大，训练集群里的GPU越来越多，周围的硬件也必须同步升级。

GPU需要高速读取数据，HBM需求迅速增加；数千甚至数万颗GPU组成集群，需要不断交换数据，800G、1.6T光模块进入扩产周期；芯片越来越大、集成度越来越高，CoWoS等先进封装同样成为紧缺产能。

所以，大模型训练带来的硬件红利并没有停在GPU，而是沿着计算、存储、互联一路扩散。

但在Agent出现后，服务器需要处理的任务类型开始增加。

普通聊天机器人最典型的使用方式，是用户发出问题，模型完成推理，再把答案返回。

Agent则要完成一连串动作。用户让它整理邮件、查询机票、比较酒店或者分析几十份文件，它需要先理解任务，再调用模型制定步骤，随后访问网页、查询数据库、运行代码、读取文件，并根据结果继续决定下一步。

最近快速增长的Meta Muse，很适合拿来举例。

Muse在上线12天后获得约280万次下载，能够发送邮件、购物和预订旅行。Meta还为Muse设计了隔离的Secure VM运行环境，其中包含浏览器以及Agent执行任务所需的数据环境，用户退出App以后，任务仍可以继续。

一台物理服务器当然可以同时运行很多虚拟机，不存在“一个用户买一台服务器”的简单对应关系。但每一个持续运行的Agent，都需要底层计算资源。而且它消耗的不只有GPU。

GPU和CPU在AI服务器中的分工，可以粗略理解成一支军队里的火力单位和指挥、后勤系统。

大模型训练阶段，GPU承担主要“火力”；Agent则增加了大量调度、数据预处理、工具调用和系统管理工作，CPU承担的任务明显增多。

TrendForce今年的研究认为，传统AI数据中心的CPU与GPU配置大致在1:4至1:8，Agentic AI部署中，部分架构可能向1:1至1:2移动。英特尔管理层也给出过类似判断：训练工作负载通常是一颗CPU搭配7至8颗GPU，进入推理阶段后可能缩至3至4颗，更复杂的Agent和多Agent场景还会继续提高CPU占比。

这些数字并不意味着所有AI服务器都会走向“一颗CPU配一颗GPU”。不同模型、任务和系统架构差异很大。它说明的是，当AI开始调用浏览器、数据库和各种传统软件工具时，通用计算在整套系统里的占比正在提高。

从GPU到CPU，AI正在重新分配硬件红利。

GPU仍承担最重的模型计算，但Agent增加的软件执行和任务调度，让CPU在整套系统中的重要性重新上升。

服务器对CPU资源的需求上升后，增量还会继续传导。

首先是服务器内存。Agent在任务编排、数据预处理和多工具协同时需要更多CPU资源，而CPU运行离不开DRAM。TrendForce已经把Agentic AI带来的CPU配置提升列为服务器DRAM需求增长的动力之一。

企业级SSD

AI推理需要处理越来越长的上下文，并保存大量KV Cache。当DRAM成本过高或容量不足时，一部分数据可以下沉到企业级SSD。Agent持续执行任务，又进一步增加文件、数据库和缓存的读写。

今年一季度，全球前五大企业级SSD厂商收入达到184.6亿美元，环比增长86.1%。TrendForce认为，AI Agent服务快速普及以及云厂商采购是重要动力，当季市场还出现了明显的供需失衡。

至少在企业级SSD上，Agent带来的增量已经开始出现在收入和供需数据里。

AI从训练模型走向持续执行任务以后，云厂商要买的东西也多了。

最近资本市场又把这条需求链继续推到了IC载板。

高性能CPU和GPU不能直接与服务器主板完成所有连接，中间需要封装基板，把芯片内部极为密集的线路连接到更大尺度的PCB。服务器CPU普遍采用高端ABF载板。

CPU需求如果继续上升，载板自然也会被纳入市场的需求推演。

但这不能解释今天ABF为什么紧张。

当前高端ABF本来就处于偏紧状态，主要动力来自GPU、ASIC和HPC。欣兴今年9月已经表示高端ABF产能非常紧张；景硕计划将2027年的ABF月产能较2026年底提高25%。

因此，Agent不是今天ABF紧张的起点。如果Agent继续推高服务器CPU配置，ABF会多出一股来自CPU侧的新增需求。

从Muse的下载量直接推导ABF销量当然站不住脚，中间还有用户活跃度、任务时长、虚拟化效率、CPU配置以及云厂商采购周期。产业链研究真正关心的是，如果Agent从几百万用户走向几千万、几亿用户，这些变量最终会把多少计算需求传导到服务器里。

150多年前，英国经济学家杰文斯研究蒸汽机时发现，机器越来越省煤，并没有让英国少用煤。效率提高降低了使用成本，蒸汽动力进入更多场景，总消耗反而继续增加。后来，这被称为“杰文斯悖论”。

AI未必会完全重复这段历史，但今天已经能看到类似的问题。

DeepSeek等模型持续降低推理成本，芯片计算效率也在提高。按照简单推理，完成同样一个AI任务需要的资源应该越来越少；可当AI足够便宜，人们也会把它用得更多。

以前一天只问AI十几个问题，未来可能让几个Agent连续工作几个小时。单次任务变便宜，使用频率和任务长度却同时增加。

这也是Agent和上一轮AI应用最不一样的地方。

ChatGPT爆发时，产业最关心的是模型训练需要多少GPU；Agent进入规模化阶段以后，问题变成了另一种：一个AI每天替几亿人工作，需要多少通用计算、内存、存储和网络资源？

这个问题目前还没有标准答案，但资本开支和服务器采购已经开始提前行动。

AI应用还在争用户，服务器厂商已经开始重新算采购单。