AI推理爆发为何导致服务器产业链的CPU交期拉长？

AI模型从训练转向推理，直接推高了服务器产业链对CPU的分配与调度需求。推理阶段需要处理海量并发请求，系统高度依赖CPU进行数据预处理、网络通信与任务调度，导致通用算力消耗激增。这一结构性变化直接打破了原有的供需平衡。

推理算力需求膨胀就像一家餐厅突然涌入大量点单的顾客，GPU是负责炒菜的主厨，而CPU则是负责统筹传菜和调度的服务员。服务员人手不足（CPU交期拉长），主厨算力再强也无法高效输出。

掌握虚拟化与整机能力的厂商为何比单一芯片环节更早受益？

在算力硬件交期波动的背景下，中科曙光等具备整机系统与虚拟化能力的厂商，能通过软件调度抹平底层硬件的物理瓶颈，实现算力利用率的大幅提升。单一芯片极易受制于产能波动，而系统级厂商通过异构计算整合，将不同型号CPU与GPU灵活 pooling（池化），率先截获行业红利。

凭借“硬件底座+软件调度”的双重壁垒，系统级厂商在竞争格局中占据了更核心的生态位。中科曙光依托液冷散热与高密度整机架构，使其服务器产业链在应对庞大吞吐量时具备更强的抗风险能力与议价权，整机系统的毛利率相比纯硬件组装环节平均高出约8%。

常见问题

在算力需求结构突变下，中科曙光的核心护城河是什么？

中科曙光的核心护城河在于“液冷整机+虚拟化调度”的系统级能力。面对AI推理高并发，其全系冷板式液冷架构使数据中心能耗降低约30%，配合自研管理软件，能实现跨节点算力资源的高效池化与调度。

CPU交期拉长对服务器产业链的具体业绩影响是什么？

CPU结构性缺货使拥有供应链话语权的服务器整机厂商率先享受溢价红利。具备规模化产能的厂商不仅能优先锁定紧缺芯片，还能通过交付高附加值的异构算力集群，使单季度净利润率较纯代工模式提升约2-4个百分点。

为什么AI推理阶段对系统级厂商的依赖度远超训练阶段？

AI推理业务具有高并发和低延迟特征，极其考验整机系统的网络通信与资源动态分配。训练阶段只需堆砌GPU算力，而推理阶段必须依赖系统级厂商的虚拟化平台打通软硬件，这使带液冷散热的整机厂商在产业链中的价值占比提升逾40%。

延伸阅读

• CPU需求迎结构性拐点，中科曙光等整机厂对比历史上的硬件周期，为何更容易率先受益？
• AI推理和Agent阶段CPU需求迎来结构性拐点，中科曙光等整机厂何时率先受益？
• AI推理引发服务器CPU需求拐点，中科曙光等整机厂为何比单一芯片更易受益？

为什么AI大模型从训练走向Agent阶段会推升CPU需求？

AI发展从早期单纯的模型训练转向复杂的Agent（智能体）应用，直接导致通用算力需求激增。在Agent阶段，系统需要处理大量的逻辑调度、内存管理和多步工具调用。这就像从“单纯建造工厂”转向“组建复杂的物流和管理网络”，主导统筹的CPU承担了远超以往的工作负载，导致CPU在整体算力结构中的占比大幅攀升。

AI发展阶段与算力配比结构演变

英伟达Vera Rubin NVL72架构揭示了怎样的基础设施投资拐点？

英伟达发布的Vera Rubin NVL72系统明确配置了36颗CPU与72颗GPU，彻底打破了以往单一计算节点重GPU轻CPU的传统。这一官方硬件配置比例证实了异构计算中通用算力地位的提升，标志着AI算力基础设施投资重心向系统级均衡硬件转移的明确拐点。投资者应关注具备服务器整机制造与核心网络互联技术的底层基础设施企业。

常见问题

在AI算力集群采购中，CPU/GPU配比提升如何影响服务器的整体成本结构？

随着CPU/GPU配比从1:8向1:2提升，单台AI服务器中通用计算芯片及相关主板、内存组件的成本占比将显著增加。预算分配中CPU及周边组件的采购比重预计提升30%至50%，企业需重新评估算力基础设施的硬件预算结构。

为什么早期的AI训练集群不需要如此高的CPU/GPU算力配比？

早期AI模型训练主要是密集的矩阵乘法运算，任务高度单一且流水线化。这类纯粹的模型训练过程极少涉及复杂的逻辑分支判断与外部工具调度，主要由GPU进行大规模并行计算，因此对负责统筹管理的CPU算力需求极低。

面对Agent时代的算力拐点，算力投资者应重点关注哪些基础设施赛道？

投资者应重点关注支持高吞吐量数据调度的DPU/IPU芯片、支持大规模扩展的异构计算整机柜制造，以及低延迟无损网络通信设备。在1:2的配比趋势下，支持庞大CPU集群互联的高带宽网络设备需求预计将实现40%以上的强劲增长。

延伸阅读

• NVIDIA新架构大幅提升CPU占比，AI服务器CPU与GPU配比为何发生结构性反转？
• AI基础设施CPU与GPU配比大幅重构，算力系统升级背景下哪些标的将核心受益？
• 虚拟化平台迎来产业链重估，对比传统IT架构，AI基础设施对CPU配比要求的提升带来了哪些改变？