人工智能領域的投資風向正在經歷一場靜默而深刻的變革。過去兩年，市場聚焦于算力競賽，GPU供應商成為最大贏家。然而，隨著AI技術從內容生成向任務執行轉型，產業核心矛盾正從"算力不足"轉向"系統效率不足"，投資邏輯也隨之擴展為全棧系統工程。
摩根士丹利最新研究指出，智能體AI的興起標志著技術架構從計算向編排的范式轉移。在智能體工作流中，CPU承擔的編排任務占總時延的50%-90%，這種結構性變化將催生巨大市場空間。預計到2030年，全球服務器CPU市場規模將達到825億至1100億美元，其中325億至600億美元增量來自智能體需求。內存領域同樣面臨變革，同期將新增15至45EB的DRAM需求，相當于2027年行業年供給的26%-77%。
技術架構的演變正在重塑價值鏈分布。生成式AI階段，系統優化目標聚焦于模型能力，評估標準以參數量、訓練效率和推理性能為核心，GPU自然成為技術中心。但進入智能體階段后，評估標準轉向單位任務成本、系統延遲和吞吐能力，CPU與系統架構的重要性顯著提升。研究顯示，GPU決定技術可行性，而CPU與系統決定商業可行性，這種轉變正在改寫硬件配置比例。
服務器架構的演變印證了這種趨勢。傳統"1顆CPU配12塊GPU"的配置比例正在快速收窄，預計到2030年將反轉至"2顆CPU配1顆GPU"。以英偉達路線圖為例，其Rubin平臺已采用接近1:2的配比，更先進的Rubin Ultra平臺甚至可能出現CPU數量超過GPU的配置。這種變化意味著CPU需求將脫離服務器換代周期，轉而與智能體復雜度深度綁定，形成更具結構性的增長動力。
內存系統的角色轉變同樣值得關注。在智能體架構下，DRAM從單純的容量配置項升級為性能核心組件。大量狀態信息需要持續保存與快速調用，包括上下文數據、工具調用中間態等，這使得內存帶寬和時延成為系統瓶頸。以SK海力士和三星電子為代表的內存廠商，有望從傳統周期性行業轉型為結構性成長行業，獲得更穩定的盈利預期。
產業鏈中某些特定環節展現出更強的定價能力。ABF載板市場因產能擴張緩慢和驗證周期長，成為典型受益領域。預計到2030年，服務器CPU用ABF載板市場規模將達47億美元，其中12億美元增量來自CPU需求擴大。晶圓代工領域同樣如此，臺積電在CPU代工的市場份額預計從2026年的70%提升至2028年的75%，英特爾也可能在2027年下半年將服務器CPU外包給臺積電。
資本市場尚未完全反映這種產業變遷。當前投資仍集中于算力資產，但系統瓶頸的暴露正在推動資金向基礎設施環節擴散。投資節奏大致分為三個階段：已發生的GPU主導階段、正在進行的系統瓶頸暴露階段，以及即將展開的基礎設施重定價階段。在這個過程中，超額收益將分布于整個系統鏈條，而非集中于單一環節。
這種轉變的本質是AI技術進入系統效率時代。當技術從模型競爭轉向系統競爭，決定勝負的關鍵不再是單一組件的性能極限，而是整個系統的協同效率。雖然GPU仍不可或缺，但真正的定價權將掌握在那些控制數據流、掌握調度能力并處于關鍵瓶頸位置的參與者手中。這種產業邏輯的重構，正在為投資者帶來全新的價值發現機遇。
