Muse“爆火”，CPU 迎來自己的 ChatGPT 時刻？

Meta 於 9 月 8 日發佈 Muse。每個 Muse 運行在一台專屬虛擬機 Muse Secure VM 上，這台 VM 同時存放 agent 和用户數據；耗時較長的任務在用户關掉 App 後仍會繼續執行，遇到變化或需要審批時再回來找用户。產品迅速走紅，一度登頂美國移動端下載榜。

關於 Muse 產品端的情況，以及對 Meta 的邏輯影響，可以查看海豚君的點評《Muse 爆了，Meta 的真拐點還是假高潮？》，下面我們來談談這給上游產業鏈帶來的變化。

Muse 的火爆，不僅給$Meta(META.US) 自身帶來兩位數上漲，還給 CPU 產業鏈條上的各家公司帶來大漲的表現。那麼，Meta 的 Muse 會是 CPU 版的 ChatGPT 時刻嗎？

1.Muse 對 CPU 的帶動

不同於傳統的聊天機器人，Muse 是一個 “給你配一台 24 小時專屬電腦 + 一個 AI 管家” 的訂閲服務。

舉個例子來看，如果你想 “監控 Mac Mini 的價格”：

①傳統的聊天機器人方式：“幫我監控 Mac mini 價格”→ GPU 推理 → 回答 “好的”→結束→CPU 閒置→第二天你問同樣的問題，一切重來；

②Muse：“幫我監控 Mac mini 價格”→GPU 推理 →CPU 設置監控腳本→VM 持續運行→你關掉 APP→VM 還在雲端跑→每天檢查一次 price API→每月檢查 30 次，每次觸發：GPU 推理判斷 +CPU 工具執行→30 天后，價格降到$899——CPU 的監控腳本檢測到→喚醒 GPU 做下單決策→CPU 操控瀏覽器填地址、填信用卡、點下單。

對比來看，傳統的聊天機器人用完就走，之後就閒置了；而 Muse 的模式後續還會持續運行。這聽起來是不是有點像之前的 OpenClaw？確實 Muse 是受 OpenClaw 的啓發，但兩者還是不同的。

其中最大的區別就在於，Muse 給每個用户配備了一台獨立的虛擬機（Linux VM，2 vCPUs），而 OpenClaw 默認在本地運行。這樣的好處在於即使用户關閉 APP 後，Muse 仍會在雲端繼續跑，持續為你工作。

2.CPU 在 Agent 中的重要性

將 CPU 與 GPU 放在一起對比，可以發現，兩類產品的結構有着明顯的差別。

GPU 把晶體管幾乎全砸在算術單元上（下圖綠色單元）；而 CPU 把大部分晶體管花在不直接算術的東西上，重在管理控制（下圖紅色單元）：分支預測器、亂序執行窗口、預取器、多級緩存等。

如果將 Agent 的工作流拆解出來，大致是：Agent=感知→規劃→推理→工具執行→驗證→再規劃→再執行。其中 GPU 只能負責 “推理” 這一小段，其他的規劃、執行、驗證，都是必須由 CPU（管理控制能力）來跑。

在純推理場景中：CPU 的作用僅限於對請求進行分詞處理、將其傳遞給 GPU，以及將結果重新組合。繁重的計算任務由 GPU 承擔。

在 Agent AI 場景中：CPU 則充當了指令層。它負責規劃任務、將目標分解為子任務、調度並行運行的子智能體、管理工具調用和 API 請求、監控令牌流、整合結果，並運行反思循環，這裏持續佔用的主要是 Agent CPU。

隨着 Agent AI 的出現，數據中心 CPU 主要可以分為三大類：傳統 CPU、AI 頭節點 CPU 和 Agentic AI CPU：

a）傳統/通用 CPU：是跑 “傳統非 AI 工作負載” 的 CPU——Web 服務器、應用服務器、數據庫、緩存、存儲、消息隊列。

主要工作就是處理網站服務、數據庫管理、企業任務，特點是邏輯複雜但對並行計算要求不高，主要是串行。與 AI GPU 服務器是完全分立的，不依賴 GPU，獨立部署在傳統機架。

b）AI 頭節點 CPU：“鑲在 GPU 服務器裏的管理 GPU 等設備的 CPU”——負責給 GPU 喂數據、協調通信、管理內存、跑 GPU 做不了的非加速部分。

主要工作是管理連接的 GPU，並持續為其提供數據。為了儘可能降低尾部延遲，需要具備大容量緩存、高帶寬內存和 IO 的高性能單核。AI 頭節點 CPU 與 GPU 物理綁定在同一台服務器裏。不存在獨立的頭節點 CPU 機架——它是 GPU 服務器的 “管家”。

c）Agentic AI CPU：Agent 的大腦和雙手——專門跑 AI Agent 編排、工具執行、安全沙箱、RAG 檢索的獨立 CPU 機架。

主要工作是 AI 智能體的自主決策規劃任務。工具調用以及穿插在調用之間的邏輯推理，對 GPU 利用率不高，主要由 CPU 來完成。

與 AI GPU 服務器是分立的但緊密配合——Agent CPU 機架與 GPU 機架通過高速網絡（Spectrum-X/以太網）互連，形成完整的 AI 工廠。Agent CPU 不綁定在 GPU 服務器內部，它是一個獨立的機架品類。

3. Agent AI 帶來的增量需求

傳統 CPU 的需求，主要來自於通用服務器的更新換代，而對數據中心 CPU 而言，進入 Agent AI 階段的主要增量需求是來自於 AI 頭節點 CPU 和 Agentic AI CPU。

1）AI 頭節點 CPU

即便在原來的 LLM 模型中，頭節點 CPU 對於 GPU 本身就是必需品，CPU 必須以極高速度為 GPU 提供數據（喂數據）的同時，處理通信、同步和應用程序的非加速部分，涉及權重加載、配置 GPU 的工作模式、管理 KV Cache、數據校驗等工作。

如果沒有配置足夠的 AI 頭節點 CPU，會一定程度上影響 GPU 的效率，具體來看：頭節點 CPU 帶寬不夠→GPU 卡在等待數據→利用率下降。正因如此，從傳統 HGX 的 4:1 到 NVL72 的 2:1，因為加速器越來越複雜，就需要更多的 CPU 來管理和喂數據。

海豚君認為這部分的配比本身就在提升，主要是為了 “投入 CPU 來榨乾 GPU 的每一分錢”，是純粹的經濟性驅動，並不是 Muse 的 Agentic AI 直接帶來的拉動。

2）Agentic AI CPU

Agent 本質上是 CPU 工作負載，因為它們嚴重依賴順序任務執行，而非純並行處理，這是 GPU 做不了的事。在 Agentic AI 階段，Agent CPU 是 “不得不用” 的，這也是 Muse 模式帶來的純增量。

ARM 曾給出一張 AI agent 的工作流線路圖：

①用户→AI agent：提出一個目標，不是一個問題；

②AI agent→Cloud：agent 的本體跑在雲端的 CPU 上。這一層沒有加速器，純 CPU。

③Cloud→Agents：一個 agent 把任務拆成多個子 agent，圖上是 12 個。這一步是整張圖的需求乘數。

④Agents ⇅ AI data center（循環）：注意這裏畫的是雙向箭頭，而且每個 agent 各有一對。這是 “想 - 做-看” 循環的圖示——不是一次調用，是反覆往返。

⑤AI 數據中心內部：編排 CPU（Agentic CPU，新增需求）接收請求、管理狀態、調度；把需要推理的部分餵給加速器；加速器吐出 token；再回到 CPU 判斷下一步。

最後 Agents→Cloud→Answer→用户：結果匯總回雲端，生成一個"Answer"，返回給用户。

值得注意的是，這裏提到的編排 CPU（orchestrates）是指 agent 主循環的編排，包括拆任務、生成子 agent、持有狀態、決定何時反思、何時分支、何時重試、分發工具調用，而不是推理服務中對 GPU 計算任務等的編排（這是靠近 GPU 的頭節點 CPU 的工作職能）。

進入 Agent AI，數據中心內會新增大量獨立 CPU 機架來專門做 Agentic 編排、調度和管理。為應對這部分需求，英偉達之前發佈了獨立的 Vera CPU 機架，其中有 256 顆 Vera CPU 芯片，每顆 88 核心，這才是 Agentic AI 的真正增量。

參考英偉達此前提出的 AI 工廠，Vera CPU 在 Vera Rubin NVL72（AI 頭節點）、Vera CPU Rack（獨立 CPU 機架）之外，還會在Vera BlueField 存儲之中，負責存儲管理、DPU、KV Cache 持久化。

不同於 NVL72 內的 BF-4 DPU（Grace CPU），英偉達 STX 存儲機架的 BF-4 DPU 採用了 Vera CPU。

在 STX 存儲機架參考設計中，BF-4 包含⼀顆 Vera CPU、兩個 CX-9 NIC 和兩個 SOCAMM 模塊。對於整個 STX 機架，它共有 16 個機箱（每個 STX 機箱包含兩個 BF-4 單元），這意味着 1 個機架對應 32 顆 Vera CPU、64 個 CX-9NIC 和 64 個 SOCAMM。

至於 BF-4(DPU) 實際上是有兩類 CPU 芯片，一顆是在 NVL72 計算托盤內（Grace），還有一顆是在 STX 存儲機架內（Vera）。

因而 BF-4 (DPU) 在 AI 頭節點/Agentic CPU 的歸屬，要看這個芯片主要為 GPU 集羣服務，還是為 Agent 工作負載服務（持久化 Agent 狀態、KV Cache、長上下文存儲），更傾向於 STX 是 Agentic 的一類。

4. CPU 的 “ChatGPT 時刻”？

經常會有人把CPU、核數和線程等概念搞混，我們先來理解這幾個概念：

如果把 CPU 比作一個工廠，那麼 1 個核心就是其中的 1 個工人，一個核心只能處理一項指令。1 個處理器如果有更多的核心數，那就相當於在同樣的時間內可以處理更多的指令（事情），比如英偉達 Vera CPU（88 核）。

至於線程，就好比是工廠中的傳輸帶。如果 A 工廠有 8 核 8 線程，相當於每個工人有一條對應的傳輸帶； B 工廠有 8 核 16 線程，相當於每個工人有兩條傳輸帶；而 C 工廠是 16 核 16 線程。

在三家工廠中，C 工廠的處理速度是最快的（核數最多）。至於 A 和 B 相比，B 的處理速度會相對較快。在工人人數（核數）一樣的情況下，線程的增多可以減少傳輸期間的時間空檔，從而確保核心（工人）一直在工作狀態。

這樣來看，核數（工人）和線程（傳輸帶）的增加，都是 CPU 性能提升的表現。

結合上文拆分的三類 CPU 來看，傳統 CPU、AI 頭節點和 Agentic CPU 的需求是完全不同的：

a）傳統 CPU：跟着企業 IT 和雲的請求量走，新增的部分主要來自於 agent 訪問的第三方網站和服務。整體 CPU 顆數相對平穩，但是核數會受產品迭代的帶動，Agent 影響不大；

b）AI 頭節點：主要受 GPU 數量和機櫃配比的影響，與 AI 加速器（GPU/ASIC）數量成正比。在近年內每 GPU 的 AI 頭節點核數漲了約 3.75 倍。但拆開看，這個增量主要來自於 CPU：GPU 配比提升（翻倍）、單 CPU 的核數增加（22%）以及 NVL72 內的 DPU 新增（36%）。

對於 AI 頭節點，單 GPU 的核數漲幅因素已經考慮進去了，還未看到下一代再度大幅提升的跡象。Agentic AI 對頭節點 CPU 的帶動影響不大。

c）Agentic CPU：這是 Agent 帶來最大的增量機會點。這一類的顆數不是由 GPU 決定，受併發 agent 數的影響。

對於 Agent 需求，英偉達推出了單個 Vera CPU 機架，其中有 256 顆 Vera CPU（單顆 88 核，單核兩線程），單機架總計 22,528 核，符合官方稱可支撐超過 22,500 個沙箱（獨立單間，防止污染）。

注： Muse 給每個用户發的虛擬機 2 vCPU。其中 2vCPU（虛擬 CPU）=1 個物理核的兩個 SMT 線程。SMT 線程共享執行單元，2 vCPU 的實際吞吐不是 1vCPU 的兩倍，大約是 1.2 到 1.3 倍。

具體來看，Agentic CPU 的需求可以分為固定層和彈性層兩部分：①固定層主要是 1 個用户一個已經提前分好，就像是 Muse 發的 2vCPU，對應着固定沙箱；②彈性層是負責執行拆分出來的子 agent，持續複用的臨時沙箱。不論是用户，還是子 agent 都是在獨立隔離的環境中。

由此可見，Agent=模型（GPU 側）+ 固定沙箱（用户側拆解 Agent）+ 臨時沙箱（處理子 Agent）。大致過程就是，用户發出指令，用户側固定層的 CPU 拆解 Agent，接着交給臨時沙箱處理子 Agent，推理運算由 GPU 側來完成。

不論是固定層（用户側）、還是彈性層（子 Agent）都需要安全隔離（沙箱）。CPU 的隔離能力來自於指令集和硬件結構本身。CPU 從誕生起就在解決一個問題：讓多個互不信任的程序共用一台機器。幾十年積累下來，CPU 硬件裏有一整套專門的電路，來實現沙箱的功能。

綜合此前測算，單個 VR NVL72（含 DPU）的 CPU 核數有 4320 個（=72 個 GPUx 單 GPU 的核數 60），而這裏的單個 CPU 機架的 CPU 核數將達到 22,528 個（256 個 Vera CPU×88 核），單個 CPU 機架的 CPU 核數是 VR NVL72 的 5 倍。

5.CPU 核數的增長機會在哪？

ARM 曾給出展望：傳統 AI 數據中心每吉瓦（GW）算力大約需要 3000 萬顆 CPU 核心，進入 Agentic AI 時代，這個數字將飆升至 1.2 億顆。

對於 CPU 的需求，市場上有很多不同的説法。既有 GPU：CPU，還有單個 GPU 對應 CPU 核數，還有單 GW 的核數需求。其實海豚君認為 GPU：CPU 主要是頭節點的環節，對 Agentic 階段意義不大。單 GPU 對應的 CPU 核數在 CPU 機架引入後必然是大幅提升的，因而單 GW 的 CPU 核數需求相對更有意義。

①傳統 AI 數據中心：以 GB300 NVL72 為例，整機架功耗 130kW 左右。如果 1GW 全部用於 GB300 NVL72，那麼大約對應 7692 個 NVL72 機架。

單個 GB300 NVL72 約有 2592 個 CPU 核（72 個 GPUx 單個 GPU 對應 36 個 CPU 核），那麼 1GW 大約需要 2000 萬顆 CPU 核心（低於 ARM 的 3000 萬顆口徑）；

②Agentic AI 數據中心：VR NVL72 的整機架和 CPU 機架的功耗都提升至 200kW 左右，那麼 1GW 大約對應 5000 個 NVL72 機架，接下來就是 NVL72 與 CPU 機架之間分配的情況。

目前的現狀是純 GPU 機架的方式，下述表格中的保守、中性、樂觀等情形實際上都意味着 CPU 機架帶來的純增量。

由此可見，在單一的 1GW 中，ARM 展望中給出的 1.2 億顆 CPU 核數高於上圖中測算的理論上限 1.13 億顆 CPU 核數。

海豚君合理估算，隨着 CPU 機架的引入，更為合理的情況是對於數據中心所需要的核數的提升在 2-3x 左右。

英偉達 CPU 機架中是純粹的 CPU，並沒有 GPU。因而在 Agentic AI 階段對 CPU 機架的引入，自然會大幅提升整個 AI 數據中心的單 GPU 對應的 CPU 核數（受 CPU 機架佔比的影響）。在中性情況下（CPU 機架佔機架總數 25%），可以測算單 GPU 對應的 CPU 核數有望從 60 個大幅提升至約 160 個，這才是 CPU 增量的直接體現。

6.Agentic AI 能帶來多少需求

從上文可以看出來，其實 AI 數據中心本身就持續在建，其中對應的頭節點需求是增加的（非增量信息）。而Muse 的 Agentic AI 主要是在 agent 的需求下，要新增引入 CPU 機架，這也是 Agentic CPU 的主要需求來源。這和 GPU 無關，直接受 agent 用户情況的影響。

在這裏引入一個公式：增量 CPU 需求= (A 頭節點) GPU 出貨量×每 GPU 頭節點 CPU 核數 + (B 固定層) 總註冊用户 x 日活率 x（活躍時間/24）×每用户 2vCPUx 峯均比÷超售比÷ 2(單核兩線程)+（C 彈性層）活躍用户×任務併發率×每任務沙箱核數

在測算 Agentic AI 需求時候，主要關注於 B 固定層和 C 彈性層，需要理解的是：

①B 固定層：還是針對於用户側的，但需要注意的是 Muse 分配的 2vCPU，並不會一直佔用核心。a）當活躍時，用户被分配 1 個物理核心（2 線程）；b）而在空閒時，記入存儲單元→VM 暫停→物理核心釋放給其他用户，等再次喚醒，會從存儲中快速恢復。

Muse 分配的 2vCPU，實際上是保證你最多能用 2 個 vCPU，但不用時不消耗物理核心。例如 1 台物理服務器（256 核）可以分配幾百甚至上千個 vCPU，正是因為大部分 VM 同時處於空閒狀態，這就是超售比的概念。

以 1 億 Muse 為例，假定日活率 30%，每天活躍 3 小時，峯均比 2，超售比 6，那麼 B 固定層的 CPU 需求大約需要 125 萬 CPU 核（=1 億 x30%x3/24x2x2/6/2）。

②C 彈性層：不需要承擔所有用户，只需要處理活躍用户給出的任務。任務併發率指的是平均每個活躍用户同時在跑多少個沙箱（子 agent），還要關注每個任務沙箱需要的核數。

依然在 1 億 Muse 用户（日活 30%）、每天活躍 3 小時、峯均比 2 的情況下，假定每個任務沙箱需要的 CPU 核數為 4 個，以併發率來做情景假設：其中峯值活躍達到 750 萬（=1 億 x30%x3/24x2）

從中可以看出，在 1 億 Muse 用户體量及以上假設的情況下，當併發率達到 100% 的情況下（即平均單個活躍用户同時在跑 1 個子 Agent），大約需要 1GW 的配套工廠。在配置 25% 的 CPU 架構的模式下，大約需要 1332 個 CPU 機架，C 彈性層對 CPU 核數的需求就將達到 3000 萬個。

在上述情況（中性）下，A 部分 GPU 側的 CPU 核數需求大致有 1728 萬個（=28.8 萬個 GPUx 單個 GPU 對應 60 個 CPU 核數）；B 部分用户側的 CPU 核數需求大致有 125 萬個；C 部分子 Agent 側的 CPU 核數需求大致有 3000 萬個。

將 A+B+C 三部分合起來的 CPU 核數需求將達到 4853 萬個，是原來純 GPU 機架方案的 2.8 倍左右（相比於 1728 萬個）。考慮到英偉達存儲機架（DPU）等部分的額外需求，海豚君預估 Agentic CPU 有望帶動 CPU 核數需求有望提升至此前的 3 倍左右。

7.Agentic AI 給 CPU 產業鏈帶來的機會

結合 AMD 此前給出的 CPU 展望，按年增超 50% 的增速至 2030 年服務器 CPU 市場規模有望增長至 2200 億美元，可以倒推出 2025 年服務器 CPU 市場規模大約是 290 億美元。

這裏引入一個公式，“服務器 CPU 市場規模=CPU 總核數 x 單個 CPU 核均價”。從上述測算中可以看出 Agentic CPU 有望將 CPU 核數需求提升至原來的 3 倍，另假設單個 CPU 核均價年增 18%。

由於大部分 CPU 廠商的展望都給到了 2030 年，假定 Agentic CPU 模式將在 2030 年實現大規模落地（即 2030 年的 CPU 核數需求提升至 3 倍），以及在單個 CPU 核均價年增 18% 的情況下，至 2030 年 CPU 市場規模有望提升至 2000 億美元（=290x3x1.18^5），複合增速接近 50%。

上述對 CPU 市場規模的測算與各家廠商的展望基本相近，其中 ARM 管理層也承認此前給出的 1000 億市場展望是偏於保守的，CPU 市場規模至 2030 年將達到 2000 億美元附近，已經基本上是 CPU 產業鏈的共識。

當前服務器 CPU 市場的主要廠商是英特爾和 AMD，結合兩家公司 2025 年的相關收入情況來看，英特爾和 AMD 的市場份額分別為 58% 和 35%，其他的廠商合計不足 1 成。

由於 CPU 市場規模的增長主要來自於 Agent CPU 需求的推動，傳統服務器 CPU 的增速相對較慢（主要來自於更新），海豚君預估英特爾的市場份額將繼續回落，AMD、英偉達等廠商的份額有望實現回升，尤其是英偉達、ARM 和高通三家都是直接的純增量。

假定 2030 年服務器 CPU 市場中，英特爾和 AMD 的市場份額都在 36%。英偉達、ARM 和高通作為 “新進入者”，有望獲得 15%、5%、2% 的市場份額。

綜合來看，Agentic AI 有望為$英特爾(INTC.US) 和$AMD(AMD.US) 的服務器 CPU 帶來 550 億和 620 億美元年收入增量。英偉達、ARM 和高通能在 Agent CPU 中享受到 300 億、100 億和 40 億美元的年收入純增量。

基於上述情況，大致可以將英特爾和 AMD 服務器 CPU 在 2030 年的原有預期收入上調 100-200 億美元，對應英特爾和 AMD 的 2030 年業績預期大致提升 10% 左右。

雖然 Agent CPU 有望為$英偉達(NVDA.US) 帶來的 300 億美元收入，對於公司總收入佔比不到 3%，對英偉達的整體影響不大。

在純增量之中，Agent CPU 對 ARM 和高通的影響相對較大。如果兩家公司在 2030 年分別獲得 5% 和 2% 的市場份額，那麼有望給兩家公司分別帶來 100 億和 40 億美元收入。假定 Agent CPU 業務的 OPM 為 25%，大約能給 ARM 和高通分別帶來 25 億和 10 億美元的 2030 年經營利潤增厚。

對於$Arm(ARM.US) 而言，除了賣芯片以外，還能賣核心，有望獲得更大的業績彈性，給予 ARM 這部分 25xPE 參考 (11% 的折現率)，折現回來有望獲得 410 億美元及以上的估值增厚，對 ARM 股價的彈性在 15% 左右。給予$高通(QCOM.US) 這部分 20xPE 參考 (11% 的折現率)，折現回來有望獲得 130 億美元的估值增厚，對高通的股價彈性在 6% 左右。

整體來看，Agentic AI 需要引入 CPU 機架，會直接帶來 CPU 核心需求的增加，有利於推動整個 CPU 產業鏈的持續景氣。從結構化的角度來看，增量需求主要來自於 Agent CPU 和頭節點 CPU，傳統服務器 CPU 需求平穩。

Agent 對於 CPU 產業鏈各公司的帶動，ARM（15%）>英特爾/AMD（10%）>高通（6%）>英偉達（3%）。從上週的漲幅來看，同樣體現了這樣的排序情況。Muse 帶動 Agent CPU 的需求基本上都已經在股價中反應，後續關注於 Agent 需求能否繼續做大蛋糕（服務器 CPU 市場）以及哪家公司能搶佔更大的額外份額。

<此處結束>

本文的風險披露與聲明：海豚研究免責聲明及一般披露