智能体的运作逻辑截然不同。完成一个任务，系统需要经历规划、检索、调用外部工具与API、执行、反思迭代等多个步骤，还涉及多智能体协作、权限管理、状态持久化与调度等大量“控制面”能力。大摩的核心结论是：智能体带来的不是更"重"的单次推理，而是更多步骤、更多状态、更多协调，而这些工作天然更适合CPU处理。
由此带来两个直接后果：其一，集群层面CPU与GPU的配比将系统性上升；其二，DRAM从“容量配置项”升格为“性能与吞吐的核心系统组件”。数据中心的瓶颈将越来越多地出现在内存带宽、数据搬运、互连时延与系统级协调，而非单纯的GPU算力。
CPU配比正在重估：从"1:12"走向"1:2"乃至反转
过去，"1颗CPU服务约12块GPU"曾是AI服务器的典型架构描述。但报告指出，随着智能体工作流变长、工具调用与上下文管理趋于复杂，这一比例正在快速收窄。
以NVIDIA路线图为例，更新估算显示：在Rubin平台附近，CPU与GPU的配比已接近1:2；若向Rubin Ultra等更激进形态演进，甚至可能出现2颗CPU对应1颗GPU的反转配置。即便仅从1:12改善至1:8，对超大规模部署而言，CPU的绝对需求量也将出现量级跳升。
一旦这一方向成立，CPU的需求弹性将从“跟着服务器出货走”转变为“跟着智能体复杂度走”，这意味着CPU需求的增长将更具结构性，而非仅仅是传统硬件换代周期的延续。