---
title: "Muse“爆火”，CPU 迎來自己的 ChatGPT 時刻？"
type: "Topics"
locale: "zh-HK"
url: "https://longbridge.com/zh-HK/dolphin/post/44095954.md"
description: "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？》..."
datetime: "2026-09-28T10:31:53.000Z"
locales:
  - [en](https://longbridge.com/en/dolphin/post/44095954.md)
  - [zh-CN](https://longbridge.com/zh-CN/dolphin/post/44095954.md)
  - [zh-HK](https://longbridge.com/zh-HK/dolphin/post/44095954.md)
author: "[Dolphin Research](https://longbridge.com/zh-HK/dolphin.md)"
generator: "portal-rs"
---

# 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？](https://longbridge.com/zh-CN/dolphin/post/44040483?channel=OWNN00110)》，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](https://support.longbridge.global/topics/misc/dolphin-disclaimer)

### 相關股票

- [NVDA.US](https://longbridge.com/zh-HK/quote/NVDA.US.md)
- [OpenAI.NA](https://longbridge.com/zh-HK/quote/OpenAI.NA.md)
- [META.US](https://longbridge.com/zh-HK/quote/META.US.md)
- [AAPL.US](https://longbridge.com/zh-HK/quote/AAPL.US.md)
- [INTC.US](https://longbridge.com/zh-HK/quote/INTC.US.md)
- [04335.HK](https://longbridge.com/zh-HK/quote/04335.HK.md)
- [AMD.US](https://longbridge.com/zh-HK/quote/AMD.US.md)
- [ARM.US](https://longbridge.com/zh-HK/quote/ARM.US.md)
- [QCOM.US](https://longbridge.com/zh-HK/quote/QCOM.US.md)
- [NVDD.US](https://longbridge.com/zh-HK/quote/NVDD.US.md)

---
> **免責聲明: 本文僅供參考，不構成任何投資建議。**