下一個瓶頸是CPU？x86還是ARM？誰才是CPU概念股？ - 深入分析第43期：AMD，Intel，ARM
在過去數年，整個科技界和華爾街只有一個共同信仰：「得 GPU 者得天下」。
那時候，NVIDIA的 H100 晶片一卡難求，矽谷巨頭們為了搶 GPU，甚至在財報會議上將 GPU 庫存量視為核心競爭力指標。
這段歷史在所有投資人與大眾心裡，植入了一個根深蒂固的常識：AI = GPU。
但在 2026 年的今天，當你走進最先進的 AI 資料中心，你會發現最缺貨、最讓人頭痛的運算瓶頸，已經不再只是 GPU，變成了記憶體，變成了光模塊，變成了電力，變成了散熱。
這些主題都很好，但我們總會忍不住想，還有沒有還未被討論透的機會？
答案是，那個曾經被視為無聊配角的：CPU（中央處理器）。
如果你覺得「CPU 缺貨」聽起來很反直覺，不妨看看最近幾個月產業巨頭們的真實動態：
AMD CEO 蘇姿丰 (Lisa Su) 在近期的財報會議上直言，EPYC 伺服器 CPU 的需求「遠超預期」。在關鍵的資料中心領域，AMD 的高階 CPU 已經面臨嚴重的供不應求，交貨期拉長到 6 個月以上，甚至擁有了 10-15% 的漲價定價權。
曾經陷入低潮的 Intel 發現，自己伺服器 CPU 的庫存竟然在 2025 年底意外見底。公司甚至不得不把原本預留給 PC 產線的晶圓，緊急挪去生產伺服器 CPU 來救火。
最具說服力的，是連「GPU 霸主」NVIDIA 自己的 AI 基礎設施主管都公開承認了一句話：「在擴展 AI 與代理 (Agentic) 工作流時，CPU 正在成為我們的瓶頸。」
在接下來的萬字深度報告中，我們將深度剖析這個 CPU 復興的故事：
頭兩章，我會用最白話的生活比喻，帶你搞懂 CPU 與 GPU 的本質差異，以及 Agentic AI 到底是如何翻轉這一切的。
第 3，4 章，我們將深潛進入硬核的「CPU 架構戰爭」（x86 vs ARM），看清超大規模資料中心裡，到底誰在買單。
第 5 到 7 章，我將為你剖析這場浪潮中的三大受益者：AMD、Intel、ARM Holdings，並給你一份清晰的投資組合定位建議。
讓我們把目光從 GPU 身上暫時移開，來看看 2026 年真正決定 AI 發展速度的那塊晶片。
【寫在前面】
順帶一提，今天探討的這個主題，大概是我寫作至今思緒最流暢、也最得心應手的一篇。這並不是說過去的分析不夠扎實，但這次是寫得最順的，因為所有東西早已在腦中。
至於這份「順暢」究竟從何而來？各位看到文章最後那段「特別後記」時，就會知道答案了。
第一章：CPU vs GPU——一個你必須搞懂的基本區別
如果你不懂 CPU 和 GPU 到底有什麼本質上的不同，後面所有的投資論述與市場板塊推演，對你來說都會像是天書。
在我們深入探討為什麼 2026 年超大規模資料中心（Hyperscalers）都在大規模採購 CPU 之前，我們必須先建立一個基礎認知。大眾普遍的迷思是「AI = GPU，GPU 越強 AI 就越聰明」，但這個觀念在 2026 年已經過時了。
要理解這個轉折，我們得先稍微回顧一下歷史：為什麼過去 40 年是 CPU 稱霸？為什麼過去 10 年 GPU 突然篡位？而現在，為什麼天平又開始向 CPU 傾斜？
1.1 歷史的起點：為什麼過去 40 年，CPU 是無可爭議的王者？
在個人電腦（PC）與早期伺服器的時代，CPU（中央處理器，Central Processing Unit）是整台機器的絕對大腦。無論是 Intel 還是 AMD，他們設計 CPU 的核心哲學只有一個：「通用性」（General-Purpose）。
電腦要處理的事情太雜了。當你打開電腦時，作業系統要載入、滑鼠游標要移動、你要一邊聽 Spotify、一邊打開數十個 Chrome 分頁，同時背景還在下載檔案。
這些任務的特點是：充滿了不確定性與複雜的邏輯判斷。
「如果（If）使用者點擊了這個按鈕，就（Then）打開新視窗。」
「如果網路突然斷線，就跳出錯誤提示。」
CPU 就是為這種「如果 A 發生，就去做 B」的複雜邏輯而生的。它就像是一把瑞士刀，什麼都能做，而且切換任務的速度極快。在那個年代，運算能力的瓶頸在於「邏輯處理的速度」，所以 CPU 越快，電腦就越順。
1.2 命運的轉折：為什麼 GPU 成為了 AI 時代的霸主？
GPU（圖形處理器，Graphics Processing Unit）一開始根本不是為了 AI 發明的，它是為了「打電動」而生的。
當你在玩 3D 遊戲時，螢幕上有幾百萬個像素（Pixels），每一個像素的顏色、光影反射，都需要在每一秒鐘內重新計算 60 次。這種計算有一個極大的特點：它非常簡單，但數量龐大，而且每個像素的計算互不干擾。
這時候，CPU 這把「瑞士刀」就顯得很笨拙了。你不需要一把精密的瑞士刀去切一萬顆高麗菜，你需要的是一萬把便宜的菜刀同時切。於是，NVIDIA 設計出了 GPU，裡面塞滿了成千上萬個「微小、簡單但能同時工作」的運算核心。
這跟 AI 有什麼關係？
大約在 2012 年左右，科學家們發現了一個驚人的巧合：深度學習（Deep Learning）與神經網路的底層數學，跟打電動畫像素的數學，本質上是一模一樣的！
訓練一個 AI 模型（比如讓它讀完一整座圖書館的書），對電腦來說，就是把文字轉成數字，然後進行幾兆次的「矩陣乘法」（Matrix Multiplication）。這是一種「整齊劃一的算術」。
CPU 處理這種海量簡單算術時，會因為核心數太少而塞車。
GPU 處理這種算術時，成千上萬個核心同時啟動，速度是 CPU 的幾十倍甚至上百倍。
這就是為什麼在 2024 年以前的「大模型預訓練時代」，GPU 成為了唯一的霸主。因為當時的 AI 只是在「背書」，而背書的本質就是純粹的平行數學運算。
1.3 核心比喻：一萬名士兵 (GPU) vs 十位大學教授 (CPU)
為了讓後面的投資邏輯更清晰，請你把 CPU 與 GPU 的本質差異，深深印在腦海裡。我們用一個最直觀的比喻來對比兩者：
GPU 就像是一支由一萬名士兵組成的軍隊。
這支軍隊最擅長的是「整齊劃一的算術」（平行處理）。如果你要所有人同時做一樣的簡單動作（例如計算 $1+1=2$），他們可以瞬間完成。
然而，他們的弱點在於遇到突發狀況時的應變能力。一旦邏輯改變，或者需要處理複雜的分支任務，他們就會亂成一團，必須停下來重新整隊。此外，士兵們幾乎沒有「操作工具」的能力，他們天生無法獨立運行一般的軟體或作業系統。
CPU 則像是十位頂尖的大學教授（管理層）。
教授的數量雖然少，但他們極度聰明，最擅長「複雜的決策與邏輯判斷」（序列處理）。他們專門處理「如果...就...」的條件分支，可以瞬間切換策略，善於應對不可預測的亂數任務。
更重要的是，教授們天生就是為了操作各種軟體、網路與資料庫而設計的，他們是系統中真正的指揮官。
1.4 時代的鐘擺：為什麼 AI 發展到了 2026 年，天平開始傾斜？
總結來說，過去十年 AI 的突破，是建立在「把一切問題變成平行數學題」的基礎上，這造就了 GPU 的輝煌。
在那個階段，AI 就像是一個坐在圖書館裡死記硬背的學生，只需要無窮無盡的 GPU 士兵幫忙翻書、做算術。
但到了 2026 年，科技巨頭們發現了一個問題：AI 已經把書背完了，現在它必須站起來，走入現實世界去「做事」。
當 AI 的行為模式從「靜態的文字接龍」轉變為「動態的邏輯推理與工具操作」時，單靠一萬名只會做算術的士兵已經不夠了。系統突然需要大量的大學教授來指揮軍隊、操作軟體、並為 AI 打造複雜的虛擬訓練環境。
GPU 是肌肉，CPU 是神經系統。當肌肉已經練得足夠強大時，現在整個 AI 產業開始需要能指揮這些肌肉的強大 CPU。
第二章：2026 年發生了什麼事？——三股力量同時引爆 CPU 需求
在 2023 到 2024 年，全世界的科技巨頭都在瘋狂搶購 GPU；到了 2025 年，大家開始搶記憶體（HBM）。但時間來到 2026 年的今天，資料中心裡最新的算力瓶頸，很可能會是那個曾經被大家視為配角的 CPU。
為什麼會這樣？因為 AI 的演進在 2026 年跨過了一個分水嶺，三股強大趨勢的同時交匯，前兩股力量發生在 GPU 機架「內部」，而第三股力量則在 GPU 機架「外部」開闢了全新的戰場。
讓我們一一拆解。
2.1 第一股力量：推論時代來臨——AI 的使用量爆炸（Inference Scaling）
這是最容易被大眾忽略，但體量卻最龐大的一股力量。
在 2026 年 3 月的 GTC 大會上，NVIDIA 執行長黃仁勳（Jensen Huang）正式宣告了「推論時代」（Age of Inference）的全面降臨。這意味著 AI 算力的最大消耗口，已經從實驗室裡的「訓練模型」，正式轉向了現實世界中的「服務用戶」。
原因很簡單：訓練一個頂級大模型，可能需要花費幾萬張 GPU 跑上幾個月，這是一次性的工作；但是當這個模型上線後，全球有數億名用戶每天在用它來搜尋資料、寫程式、做醫療診斷與金融分析。這種「推論」的需求是持續不斷、永無止境的。
但推論並不等於「只用 GPU」。
每一次用戶發出請求，都需要 CPU 在前後端做大量繁瑣的「打雜工作」。CPU 必須接收請求、將任務排隊、分批處理、組裝提示詞（Prompt）、進行 Tokenization（把人類的文字切碎成模型看得懂的碎片），最後還要將 GPU 算出來的結果格式化，漂亮地回傳給用戶。
如果說「訓練模型」是花幾個月蓋一座高科技工廠（蓋一次就好），那麼「推論」就是工廠開始 24 小時不間斷地接訂單。
當工廠運轉時，你不能只有負責生產的機器人（GPU），你還需要大量的調度員、包裝員和品管員（CPU）來確保每一張訂單都正確無誤、準時出貨。
當全球 AI 的推論量從「每天幾百萬次」暴增到 2026 年的「每天幾十億次」時，這些 CPU 工作的總量也等比例地呈現指數級爆炸。即使每一次請求的 CPU 工作量沒有增加，光是「訂單量」的暴增，就足以讓 CPU 成為嚴重的瓶頸。
這也是為什麼 AMD 執行長蘇姿丰（Lisa Su）在 2026 年初會明確表示：「我們看到 CPU 需求顯著上升……這是推論需求大幅增長的直接結果。」據多家機構預測，2026 年推論算力佔 AI 總算力的比例將超過 60% 到 70%，而且還在加速攀升。
2.2 第二股力量：Agentic AI——每一次請求都變成一個「循環」
如果說第一股力量（推論時代）是「量」的爆炸，那麼第二股力量 Agentic AI（代理型 AI） 就是「質」的翻轉。它讓每一次單一請求的 CPU 工作量，直接暴增了 5 到 10 倍。
在以前的 ChatGPT 時代，用戶問一個問題，GPU 算一次，然後給出答案。這是一條單向的直線，CPU 只做一點點微不足道的前後處理。
但 2026 年的 Agentic AI 完全不同。當你對 AI 說「幫我規劃下週去東京的行程並訂好機票」時，AI 不會直接給你一段文字，它會自己展開一個多步驟的「循環」（Loop）：
規劃步驟（CPU）
打開旅遊網站比價（CPU 呼叫工具）
遇到網站報錯，重新嘗試（CPU 邏輯判斷）
思考下一步（GPU 推理）
填寫表單並驗證（CPU）
在這個複雜的循環裡，GPU 只負責「大腦思考」的那幾毫秒，其餘 50% 到 90% 的延遲與工作量，全部壓在了 CPU 身上。CPU 必須負責呼叫 API、查閱資料庫、執行程式碼、管理記憶狀態。
比喻時間：領班與機器人
以前，每 8 台機器人（GPU）只需要 1 個領班（CPU），因為機器人接到指令就會自己把活幹完。
現在，每台機器人做完一小步，就要回頭問領班：「下一步怎麼做？」、「這個網頁報錯了怎麼辦？」、「幫我打個電話給供應商！」。結果就是，領班忙到崩潰，而昂貴的機器人卻只能在旁邊發呆等指令。
為了解決 GPU 閒置（發呆）的問題，資料中心只能不斷增加 CPU 的數量。這導致了 GPU 機架內部的 CPU:GPU 比例發生了劇變。過去是 1:8，現在飆升到了 1:2 甚至 1:1。以 NVIDIA 最新的 Vera Rubin NVL72 機架為例，裡面塞了 72 顆 GPU，同時也配備了高達 36 顆 CPU。
請記住這個關鍵區分： 推論時代讓「請求變多了」，而 Agentic AI 讓「每個請求的 CPU 工作量變大了」。這兩者是相乘的關係，這就是為什麼 CPU 需求的爆炸遠遠超出了華爾街所有分析師在去年的預測。
2.3 第三股力量：RL 訓練與合成資料——AI 的「練習場」完全跑在 CPU 上
前兩股力量，都發生在 GPU 機架的「內部」（也就是推論端）。但第三股力量完全不同，它發生在 GPU 機架的「外部」，在那些獨立的、純粹由 CPU 組成的伺服器農場裡。
到了 2025 年底，科技巨頭們遇到了一個瓶頸：網路上人類寫的高品質文章，已經快被 AI 讀光了。現代 AI（尤其是 Agentic 模型）要迎來能力突破，不能再只靠「背書」，它必須靠「自己跟自己練習」。這就是強化學習（RL, Reinforcement Learning）與合成資料的崛起。
從「讀圖書館」到「動手做」
以前的訓練（預訓練），像是讓 AI 坐在那裡「讀完一整座圖書館」。對電腦來說，讀書的本質就是把文字轉成數字，然後做超級大規模的「加法和乘法」。這種純數學任務，完全是 GPU 的天下。
但現在的強化學習，像是教一個學徒修車或幫你訂機票。AI 必須親自「動手」：嘗試點擊按鈕 → 看看有沒有做對（拿分數） → 修正錯誤再試一次。
當 AI 在練習「幫你訂機票」時，我們必須為它蓋一個虛擬的航空公司網站（環境模擬器）。這個網站有選單、有按鈕、有報錯訊息。這是一個標準的「一般軟體」。
在練習的過程中，充滿了「如果...就...（If/Else）」的邏輯爆炸：如果 AI 點錯了按鈕，網站要跳出警告；如果網路斷線，要顯示錯誤代碼。面對這種錯綜複雜的邏輯分支，只會算「1+1=2」的 GPU 跑起來慢得像烏龜，而身為「跑軟體大師」的 CPU 卻如魚得水。
十萬個平行考場的「裁判」
為了讓 AI 變聰明，前沿實驗室不是只開 1 個模擬網站給它，而是同時開 10,000 到 100,000 個平行的虛擬環境。
這 10 萬個虛擬世界，需要龐大的 CPU 核心來擔任「考場管理員」與「裁判」，盯著 AI 練習，然後把「成績單」丟給 GPU，讓 GPU 去更新腦袋裡的數學模型。
運動員與練習場
在 2026 年的新分工裡，GPU 是運動員的「肌肉」，負責最後的思考與發力；而 CPU 是「練習場與教練」，負責打造環境並給予回饋。
以前運動員只需要看比賽錄影帶學習（GPU 讀資料），CPU 需求極低。現在要真的下場跑幾百萬次，沒有足夠的 CPU 蓋出練習場，運動員的能力就停滯不前。
這就是為什麼在 2026 年，OpenAI、xAI、Anthropic 與 Meta 等前沿實驗室，正在不斷搶購數以萬計的純 CPU 伺服器來建構 RL 模擬農場。SemiAnalysis 在 2026 年 2 月的報告中直言：「前沿 AI 實驗室的 CPU 已經不夠用來做 RL 訓練了。」而 NVIDIA 推出的 Vera CPU 機架（一個機架塞滿 256 顆 CPU），就是專門為了同時運行超過 22,500 個並行 RL 環境而誕生的。
小結：
推論數量的指數級增長、Agentic AI 帶來的複雜循環，以及強化學習所需的龐大虛擬練習場——這三股力量在 2026 年完美交匯，將 CPU 從幕後推回了台前。
既然 CPU 變得如此重要，那麼現在市場上的 CPU 霸主們又是如何應戰的？為什麼 NVIDIA 要自己跳下來做 CPU？AMD 的「積木」與 NVIDIA 的「大石頭」到底差在哪裡？
第三章：CPU 架構戰爭——AMD EPYC vs Intel Xeon vs NVIDIA Grace/Vera
當 Agentic AI（代理 AI）和強化學習（RL）把 CPU 重新推回了舞台中心，你可能會問：「那隨便買哪一家的 CPU 不都一樣嗎？」
完全不一樣。
現代資料中心的 CPU，絕對不是「誰時脈比較高、誰就比較快」這麼簡單。AMD 的 EPYC、Intel 的 Xeon，以及 NVIDIA 的 Grace 與新一代 Vera，它們在指令集、物理結構、以及與 GPU 的溝通方式上，有著根本性的哲學分歧。
這三家公司走上了完全不同的科技樹。而這些底層架構的差異，直接決定了誰能吃下哪一塊 AI 基礎設施的超級大餅。這章稍微硬核一點，但我保證會用最白話的方式為你拆解。
3.1 最大的哲學分裂：x86 vs ARM
要看懂今天的 CPU 戰爭，我們得先稍微回顧一下歷史。這是整個 CPU 世界最古老、也最核心的兩大陣營：x86 與 ARM。
x86（AMD + Intel）：統治了 40 年的超級瑞士刀
過去幾十年，只要你打開桌上型電腦、筆電或伺服器，裡面裝的幾乎都是 x86 架構的 CPU（採用複雜指令集 CISC）。你可以把它想像成一把極度強大、什麼工具都有的超級瑞士刀。
它的最大優勢是「無敵的軟體相容性」。全世界過去幾十年寫的企業軟體、資料庫、監控工具，幾乎全部都是為 x86 寫的，丟進去「零修改」就能跑。但代價是，它背負了太多歷史包袱，內部結構複雜，因此比較耗電。
ARM：從「省電小玩具」到「效能怪物」的逆襲
ARM（採用精簡指令集 RISC）的故事完全不同。它一開始是為了手機和各種小型設備發明的。因為手機電池很小，ARM 的設計哲學就是「極致的省電與高效率」。
在很長一段時間裡，科技界有一種刻板印象：ARM 很省電，但效能很弱，只能當玩具，絕對上不了大場面。直到幾年前，蘋果（Apple）把 Mac 電腦裡的 Intel x86 晶片拔掉，換成了自家基於 ARM 架構設計的 M 系列晶片。結果徹底顛覆了市場的既有認知，這顆 ARM 晶片不僅極度省電，效能顯著超越傳統 x86。
這場「蘋果震撼」讓雲端巨頭們醒了過來：原來 ARM 也可以做得很強！
到了 2026 年的今天，ARM 已經正式殺入資料中心。不僅 NVIDIA 的 Grace 和 Vera CPU 是 ARM 架構，連雲端巨頭自己偷偷研發的 CPU（例如 AWS 的 Graviton、Google 的 Axion、微軟的 Cobalt），全部都是基於 ARM 架構設計的。
因為在動輒消耗幾十兆瓦電力的 AI 資料中心裡，ARM 帶來的省電效益實在太香了（在某些 AI 任務中，NVIDIA Vera 的能效是 x86 的 1.5 到 2 倍）。
這對投資市場的意義非常深遠。這意味著 x86 過去 40 年的絕對壟斷已經被打破。雲端巨頭為了省電和降低成本，正瘋狂導入 ARM 架構。這也是為什麼只賣「設計圖」和收版稅的 ARM Holdings，能在這波浪潮中坐享極高的長期結構性紅利；而 AMD 和 Intel 則必須靠著極深的「軟體生態系護城河」與超高核心數來捍衛領土。
3.2 晶片的物理結構：積木 (Chiplet) vs 大石頭 (Monolithic)
這決定了 CPU 能塞進多少顆「大腦（核心）」，以及它們運作時的流暢度。
AMD 的「樂高積木」（Chiplet 架構）
AMD 的 EPYC（如 2026 年主力的 Turin 與 Venice）採用的是 Chiplet 設計。他們不切一塊超大晶片，而是把 CPU 切成 8 到 16 塊「小晶片（CCD）」，然後像拼樂高一樣，透過中間的 I/O 晶片拼在一起。
優點： 便宜、良率極高，而且核心數可以無限堆疊。這就是為什麼 AMD 能輕易做出 192 核甚至 256 核的超高核心數處理器。對於需要同時開啟 10 萬個虛擬環境的 RL 模擬農場來說，這種「人多好辦事」的架構簡集完美。
缺點： 積木與積木之間溝通，會有微小的延遲（Latency）。
NVIDIA 的「一整塊大石頭」（Monolithic 架構）
NVIDIA 的 Vera CPU 走的是完全相反的路。它是一整塊巨大無比的單一晶片（Monolithic），把 88 個核心全部刻在同一塊矽晶圓上。
優點： 核心與核心之間的溝通幾乎零延遲。在前述的 Agentic 推論循環中，這種超低延遲的均勻網路能讓速度飆到極限。
缺點： 核心數受限（Vera 只有 88 核），且大晶片的製造成本極高。
Intel 的「混合微調」（EMIB 封裝）
Intel 的新一代 Xeon（如 Clearwater Forest，高達 288 個 E-core）介於兩者之間。它也是把多塊晶片拼起來，但使用了極度先進的 EMIB 封裝技術，試圖讓這些拼起來的晶片，運作起來感覺像是一塊「大石頭」。技術難度極高，這也是 Intel 翻身的關鍵賭注。
這解釋了為什麼市場不是「贏者全拿」。AMD 的積木架構讓它成為「純 CPU 農場」的絕對霸主，因為那裡需要海量且便宜的核心來做平行模擬；而 NVIDIA 的大石頭架構，則是專注於拿下「GPU 機架內部」那個需要極低延遲的關鍵大腦位置。
3.3 NVIDIA 的獨門武器：NVLink-C2C（技術附錄）
如果只是比核心數跟省電，NVIDIA 其實無法徹底說服客戶買它的 CPU。NVIDIA 真正的關鍵技術壁壘，是一個叫做 NVLink-C2C 的硬體技術。
在傳統的 AMD 或 Intel 伺服器裡，CPU 和 GPU 是兩家獨立的公司，它們之間透過一條叫 PCIe 的「省道」溝通。速度雖然不慢，但當 Agentic AI 需要 CPU 和 GPU 每毫秒都在密集交換資料時，這條省道就塞車了。
NVIDIA 的解法是：把自家的 Vera CPU 和 Rubin GPU 直接綁死在同一塊板子上（稱為 Superchip），並在中間蓋一條「私人高鐵」——NVLink-C2C。
速度輾壓： 到了 2026 年的 Vera/Rubin 世代，這條高鐵的頻寬高達雙向 1.8 TB/s，是傳統 PCIe 的 7 倍以上。
記憶體共享（Cache Coherence）： 這是其核心競爭優勢。透過這條高鐵，GPU 可以直接把 CPU 的記憶體當成自己的記憶體來用。AI 模型那些龐大的上下文（KV Cache）可以直接塞在 CPU 便宜又巨大的記憶體裡，GPU 隨用隨拿，完全不需要軟體工程師去寫複雜的搬運程式。
這是 NVIDIA 最深的硬體護城河。只要客戶的 AI 任務需要 CPU 和 GPU 進行極度頻繁的互動（比如最前沿的 Agentic 推論），他們就只能買 NVIDIA 的 Superchip（Vera + GPU）。AMD 和 Intel 在這個特定的「緊密耦合」領域，目前完全無法提供同等級的硬體體驗。
3.4 既然 NVIDIA 這麼強，為什麼雲端巨頭不全部換成 NVIDIA CPU？
看到這裡，你可能會覺得：「那 AMD 和 Intel 怎麼辦！NVIDIA 的 Vera 這麼強，大家全買 NVIDIA 就好了。」
然而實際的部署數據卻呈現截然不同的發展：2026 年，AMD 和 Intel 的伺服器 CPU 賣到大缺貨，連 NVIDIA 自己的旗艦級 AI 伺服器（DGX Rubin NVL8），官方預設搭載的居然是 Intel 的 Xeon x86 CPU！
為什麼會這樣？為什麼超級資料中心不全部換成 NVIDIA 的 ARM CPU？原因有四個：
核心數不夠用： 就像前面說的，RL 模擬農場需要的是「海量平行處理」。AMD EPYC 一顆有 256 核，NVIDIA Vera 只有 88 核。對於那些不需要跟 GPU 緊密綁定的「純 CPU 任務」，買 AMD 划算太多了。
軟體生態系的綁架： 資料中心裡有成千上萬個用 x86 寫的排程軟體、資料庫和資安工具。雲端巨頭（AWS、微軟、Google）不可能為了一個 AI 專案，把整個基礎設施的底層軟體全部重寫成 ARM 版本。
產能與供應量： NVIDIA 的 CPU 產量（受限於台積電的先進封裝產能）遠遠小於 AMD 和 Intel。雲端巨頭動輒需要幾十萬顆 CPU，NVIDIA 根本交不出這麼多貨。
「混合部署」才是最佳解： 雲端巨頭非常聰明，他們把資料中心切成兩半。
最核心的 GPU 訓練/推論機架： 用 NVIDIA 的 Superchip（Vera + GPU），享受極致的 NVLink-C2C 速度。
外圍龐大的 CPU 支援農場： 積極買入 AMD EPYC 和 Intel Xeon，用來跑 RL 模擬、合成資料生成，以及傳統的軟體排程。
這代表着，該市場目前呈現整體規模擴張（TAM 擴大）的趨勢，而非單純的零和博弈。
Agentic AI 創造了兩種完全不同的 CPU 需求：一種是「與 GPU 緊密結合的超快大腦」（NVIDIA 吃下），另一種是「在後勤瘋狂模擬的超級大軍」（AMD/Intel 吃下）。這就是為什麼，儘管 NVIDIA 推出了超強的自研 CPU，AMD 的 EPYC 依然能在 2026 年賣到缺貨並強勢漲價。
到這裡，我們已經建立了一張清晰的架構地圖：NVIDIA 的 Vera 靠 NVLink-C2C 鎖定 GPU 機架內部的「超快大腦」位置；AMD 的 EPYC 靠 Chiplet 的核心數優勢，統治 GPU 機架外部的龐大 CPU 支援農場；Intel 的 Xeon 則憑藉 x86 生態系的深厚根基與七成的裝機量底盤，繼續在傳統企業與混合部署中扮演不可取代的角色。
但架構地圖是靜態的，真正的問題是：這張地圖上的每一塊領土，現在到底有誰在拿著真金白銀去搶？搶的規模有多大？搶的速度有多快？
第四章：誰在買？——超大規模資料中心的 CPU 搶購潮
接下來我們不談理論，直接攤開 2026 年 4 月此時此刻的「進貨單」，看看上一章那三種架構，分別被哪些買家、以什麼樣的規模在部署。你會發現，每一筆訂單背後的選擇邏輯，都精準地對應著我們剛剛拆解過的架構差異。
Keep reading with a 7-day free trial
Subscribe to FOMO研究院電子報 to keep reading this post and get 7 days of free access to the full post archives.