Muse“爆火”，CPU 迎来自己的 ChatGPT 时刻？

Meta 于 9 月 8 日发布 Muse。每个 Muse 运行在一台专属虚拟机 Muse Secure VM 上，这台 VM 同时存放 agent 和用户数据；耗时较长的任务在用户关掉 App 后仍会继续执行，遇到变化或需要审批时再回来找用户。产品迅速走红，一度登顶美国移动端下载榜。

关于 Muse 产品端的情况，以及对 Meta 的逻辑影响，可以查看海豚君的点评《Muse 爆了，Meta 的真拐点还是假高潮？》，下面我们来谈谈这给上游产业链带来的变化。

Muse 的火爆，不仅给$Meta(META.US) 自身带来两位数上涨，还给 CPU 产业链条上的各家公司带来大涨的表现。那么，Meta 的 Muse 会是 CPU 版的 ChatGPT 时刻吗？

1.Muse 对 CPU 的带动

不同于传统的聊天机器人，Muse 是一个 “给你配一台 24 小时专属电脑 + 一个 AI 管家” 的订阅服务。

举个例子来看，如果你想 “监控 Mac Mini 的价格”：

①传统的聊天机器人方式：“帮我监控 Mac mini 价格”→ GPU 推理 → 回答 “好的”→结束→CPU 闲置→第二天你问同样的问题，一切重来；

②Muse：“帮我监控 Mac mini 价格”→GPU 推理 →CPU 设置监控脚本→VM 持续运行→你关掉 APP→VM 还在云端跑→每天检查一次 price API→每月检查 30 次，每次触发：GPU 推理判断 +CPU 工具执行→30 天后，价格降到$899——CPU 的监控脚本检测到→唤醒 GPU 做下单决策→CPU 操控浏览器填地址、填信用卡、点下单。

对比来看，传统的聊天机器人用完就走，之后就闲置了；而 Muse 的模式后续还会持续运行。这听起来是不是有点像之前的 OpenClaw？确实 Muse 是受 OpenClaw 的启发，但两者还是不同的。

其中最大的区别就在于，Muse 给每个用户配备了一台独立的虚拟机（Linux VM，2 vCPUs），而 OpenClaw 默认在本地运行。这样的好处在于即使用户关闭 APP 后，Muse 仍会在云端继续跑，持续为你工作。

2.CPU 在 Agent 中的重要性

将 CPU 与 GPU 放在一起对比，可以发现，两类产品的结构有着明显的差别。

GPU 把晶体管几乎全砸在算术单元上（下图绿色单元）；而 CPU 把大部分晶体管花在不直接算术的东西上，重在管理控制（下图红色单元）：分支预测器、乱序执行窗口、预取器、多级缓存等。

如果将 Agent 的工作流拆解出来，大致是：Agent=感知→规划→推理→工具执行→验证→再规划→再执行。其中 GPU 只能负责 “推理” 这一小段，其他的规划、执行、验证，都是必须由 CPU（管理控制能力）来跑。

在纯推理场景中：CPU 的作用仅限于对请求进行分词处理、将其传递给 GPU，以及将结果重新组合。繁重的计算任务由 GPU 承担。

在 Agent AI 场景中：CPU 则充当了指令层。它负责规划任务、将目标分解为子任务、调度并行运行的子智能体、管理工具调用和 API 请求、监控令牌流、整合结果，并运行反思循环，这里持续占用的主要是 Agent CPU。

随着 Agent AI 的出现，数据中心 CPU 主要可以分为三大类：传统 CPU、AI 头节点 CPU 和 Agentic AI CPU：

a）传统/通用 CPU：是跑 “传统非 AI 工作负载” 的 CPU——Web 服务器、应用服务器、数据库、缓存、存储、消息队列。

主要工作就是处理网站服务、数据库管理、企业任务，特点是逻辑复杂但对并行计算要求不高，主要是串行。与 AI GPU 服务器是完全分立的，不依赖 GPU，独立部署在传统机架。

b）AI 头节点 CPU：“镶在 GPU 服务器里的管理 GPU 等设备的 CPU”——负责给 GPU 喂数据、协调通信、管理内存、跑 GPU 做不了的非加速部分。

主要工作是管理连接的 GPU，并持续为其提供数据。为了尽可能降低尾部延迟，需要具备大容量缓存、高带宽内存和 IO 的高性能单核。AI 头节点 CPU 与 GPU 物理绑定在同一台服务器里。不存在独立的头节点 CPU 机架——它是 GPU 服务器的 “管家”。

c）Agentic AI CPU：Agent 的大脑和双手——专门跑 AI Agent 编排、工具执行、安全沙箱、RAG 检索的独立 CPU 机架。

主要工作是 AI 智能体的自主决策规划任务。工具调用以及穿插在调用之间的逻辑推理，对 GPU 利用率不高，主要由 CPU 来完成。

与 AI GPU 服务器是分立的但紧密配合——Agent CPU 机架与 GPU 机架通过高速网络（Spectrum-X/以太网）互连，形成完整的 AI 工厂。Agent CPU 不绑定在 GPU 服务器内部，它是一个独立的机架品类。

3. Agent AI 带来的增量需求

传统 CPU 的需求，主要来自于通用服务器的更新换代，而对数据中心 CPU 而言，进入 Agent AI 阶段的主要增量需求是来自于 AI 头节点 CPU 和 Agentic AI CPU。

1）AI 头节点 CPU

即便在原来的 LLM 模型中，头节点 CPU 对于 GPU 本身就是必需品，CPU 必须以极高速度为 GPU 提供数据（喂数据）的同时，处理通信、同步和应用程序的非加速部分，涉及权重加载、配置 GPU 的工作模式、管理 KV Cache、数据校验等工作。

如果没有配置足够的 AI 头节点 CPU，会一定程度上影响 GPU 的效率，具体来看：头节点 CPU 带宽不够→GPU 卡在等待数据→利用率下降。正因如此，从传统 HGX 的 4:1 到 NVL72 的 2:1，因为加速器越来越复杂，就需要更多的 CPU 来管理和喂数据。

海豚君认为这部分的配比本身就在提升，主要是为了 “投入 CPU 来榨干 GPU 的每一分钱”，是纯粹的经济性驱动，并不是 Muse 的 Agentic AI 直接带来的拉动。

2）Agentic AI CPU

Agent 本质上是 CPU 工作负载，因为它们严重依赖顺序任务执行，而非纯并行处理，这是 GPU 做不了的事。在 Agentic AI 阶段，Agent CPU 是 “不得不用” 的，这也是 Muse 模式带来的纯增量。

ARM 曾给出一张 AI agent 的工作流线路图：

①用户→AI agent：提出一个目标，不是一个问题；

②AI agent→Cloud：agent 的本体跑在云端的 CPU 上。这一层没有加速器，纯 CPU。

③Cloud→Agents：一个 agent 把任务拆成多个子 agent，图上是 12 个。这一步是整张图的需求乘数。

④Agents ⇅ AI data center（循环）：注意这里画的是双向箭头，而且每个 agent 各有一对。这是 “想 - 做-看” 循环的图示——不是一次调用，是反复往返。

⑤AI 数据中心内部：编排 CPU（Agentic CPU，新增需求）接收请求、管理状态、调度；把需要推理的部分喂给加速器；加速器吐出 token；再回到 CPU 判断下一步。

最后 Agents→Cloud→Answer→用户：结果汇总回云端，生成一个"Answer"，返回给用户。

值得注意的是，这里提到的编排 CPU（orchestrates）是指 agent 主循环的编排，包括拆任务、生成子 agent、持有状态、决定何时反思、何时分支、何时重试、分发工具调用，而不是推理服务中对 GPU 计算任务等的编排（这是靠近 GPU 的头节点 CPU 的工作职能）。

进入 Agent AI，数据中心内会新增大量独立 CPU 机架来专门做 Agentic 编排、调度和管理。为应对这部分需求，英伟达之前发布了独立的 Vera CPU 机架，其中有 256 颗 Vera CPU 芯片，每颗 88 核心，这才是 Agentic AI 的真正增量。

参考英伟达此前提出的 AI 工厂，Vera CPU 在 Vera Rubin NVL72（AI 头节点）、Vera CPU Rack（独立 CPU 机架）之外，还会在Vera BlueField 存储之中，负责存储管理、DPU、KV Cache 持久化。

不同于 NVL72 内的 BF-4 DPU（Grace CPU），英伟达 STX 存储机架的 BF-4 DPU 采用了 Vera CPU。

在 STX 存储机架参考设计中，BF-4 包含⼀颗 Vera CPU、两个 CX-9 NIC 和两个 SOCAMM 模块。对于整个 STX 机架，它共有 16 个机箱（每个 STX 机箱包含两个 BF-4 单元），这意味着 1 个机架对应 32 颗 Vera CPU、64 个 CX-9NIC 和 64 个 SOCAMM。

至于 BF-4(DPU) 实际上是有两类 CPU 芯片，一颗是在 NVL72 计算托盘内（Grace），还有一颗是在 STX 存储机架内（Vera）。

因而 BF-4 (DPU) 在 AI 头节点/Agentic CPU 的归属，要看这个芯片主要为 GPU 集群服务，还是为 Agent 工作负载服务（持久化 Agent 状态、KV Cache、长上下文存储），更倾向于 STX 是 Agentic 的一类。

4. CPU 的 “ChatGPT 时刻”？

经常会有人把CPU、核数和线程等概念搞混，我们先来理解这几个概念：

如果把 CPU 比作一个工厂，那么 1 个核心就是其中的 1 个工人，一个核心只能处理一项指令。1 个处理器如果有更多的核心数，那就相当于在同样的时间内可以处理更多的指令（事情），比如英伟达 Vera CPU（88 核）。

至于线程，就好比是工厂中的传输带。如果 A 工厂有 8 核 8 线程，相当于每个工人有一条对应的传输带； B 工厂有 8 核 16 线程，相当于每个工人有两条传输带；而 C 工厂是 16 核 16 线程。

在三家工厂中，C 工厂的处理速度是最快的（核数最多）。至于 A 和 B 相比，B 的处理速度会相对较快。在工人人数（核数）一样的情况下，线程的增多可以减少传输期间的时间空档，从而确保核心（工人）一直在工作状态。

这样来看，核数（工人）和线程（传输带）的增加，都是 CPU 性能提升的表现。

结合上文拆分的三类 CPU 来看，传统 CPU、AI 头节点和 Agentic CPU 的需求是完全不同的：

a）传统 CPU：跟着企业 IT 和云的请求量走，新增的部分主要来自于 agent 访问的第三方网站和服务。整体 CPU 颗数相对平稳，但是核数会受产品迭代的带动，Agent 影响不大；

b）AI 头节点：主要受 GPU 数量和机柜配比的影响，与 AI 加速器（GPU/ASIC）数量成正比。在近年内每 GPU 的 AI 头节点核数涨了约 3.75 倍。但拆开看，这个增量主要来自于 CPU：GPU 配比提升（翻倍）、单 CPU 的核数增加（22%）以及 NVL72 内的 DPU 新增（36%）。

对于 AI 头节点，单 GPU 的核数涨幅因素已经考虑进去了，还未看到下一代再度大幅提升的迹象。Agentic AI 对头节点 CPU 的带动影响不大。

c）Agentic CPU：这是 Agent 带来最大的增量机会点。这一类的颗数不是由 GPU 决定，受并发 agent 数的影响。

对于 Agent 需求，英伟达推出了单个 Vera CPU 机架，其中有 256 颗 Vera CPU（单颗 88 核，单核两线程），单机架总计 22,528 核，符合官方称可支撑超过 22,500 个沙箱（独立单间，防止污染）。

注： Muse 给每个用户发的虚拟机 2 vCPU。其中 2vCPU（虚拟 CPU）=1 个物理核的两个 SMT 线程。SMT 线程共享执行单元，2 vCPU 的实际吞吐不是 1vCPU 的两倍，大约是 1.2 到 1.3 倍。

具体来看，Agentic CPU 的需求可以分为固定层和弹性层两部分：①固定层主要是 1 个用户一个已经提前分好，就像是 Muse 发的 2vCPU，对应着固定沙箱；②弹性层是负责执行拆分出来的子 agent，持续复用的临时沙箱。不论是用户，还是子 agent 都是在独立隔离的环境中。

由此可见，Agent=模型（GPU 侧）+ 固定沙箱（用户侧拆解 Agent）+ 临时沙箱（处理子 Agent）。大致过程就是，用户发出指令，用户侧固定层的 CPU 拆解 Agent，接着交给临时沙箱处理子 Agent，推理运算由 GPU 侧来完成。

不论是固定层（用户侧）、还是弹性层（子 Agent）都需要安全隔离（沙箱）。CPU 的隔离能力来自于指令集和硬件结构本身。CPU 从诞生起就在解决一个问题：让多个互不信任的程序共用一台机器。几十年积累下来，CPU 硬件里有一整套专门的电路，来实现沙箱的功能。

综合此前测算，单个 VR NVL72（含 DPU）的 CPU 核数有 4320 个（=72 个 GPUx 单 GPU 的核数 60），而这里的单个 CPU 机架的 CPU 核数将达到 22,528 个（256 个 Vera CPU×88 核），单个 CPU 机架的 CPU 核数是 VR NVL72 的 5 倍。

5.CPU 核数的增长机会在哪？

ARM 曾给出展望：传统 AI 数据中心每吉瓦（GW）算力大约需要 3000 万颗 CPU 核心，进入 Agentic AI 时代，这个数字将飙升至 1.2 亿颗。

对于 CPU 的需求，市场上有很多不同的说法。既有 GPU：CPU，还有单个 GPU 对应 CPU 核数，还有单 GW 的核数需求。其实海豚君认为 GPU：CPU 主要是头节点的环节，对 Agentic 阶段意义不大。单 GPU 对应的 CPU 核数在 CPU 机架引入后必然是大幅提升的，因而单 GW 的 CPU 核数需求相对更有意义。

①传统 AI 数据中心：以 GB300 NVL72 为例，整机架功耗 130kW 左右。如果 1GW 全部用于 GB300 NVL72，那么大约对应 7692 个 NVL72 机架。

单个 GB300 NVL72 约有 2592 个 CPU 核（72 个 GPUx 单个 GPU 对应 36 个 CPU 核），那么 1GW 大约需要 2000 万颗 CPU 核心（低于 ARM 的 3000 万颗口径）；

②Agentic AI 数据中心：VR NVL72 的整机架和 CPU 机架的功耗都提升至 200kW 左右，那么 1GW 大约对应 5000 个 NVL72 机架，接下来就是 NVL72 与 CPU 机架之间分配的情况。

目前的现状是纯 GPU 机架的方式，下述表格中的保守、中性、乐观等情形实际上都意味着 CPU 机架带来的纯增量。

由此可见，在单一的 1GW 中，ARM 展望中给出的 1.2 亿颗 CPU 核数高于上图中测算的理论上限 1.13 亿颗 CPU 核数。

海豚君合理估算，随着 CPU 机架的引入，更为合理的情况是对于数据中心所需要的核数的提升在 2-3x 左右。

英伟达 CPU 机架中是纯粹的 CPU，并没有 GPU。因而在 Agentic AI 阶段对 CPU 机架的引入，自然会大幅提升整个 AI 数据中心的单 GPU 对应的 CPU 核数（受 CPU 机架占比的影响）。在中性情况下（CPU 机架占机架总数 25%），可以测算单 GPU 对应的 CPU 核数有望从 60 个大幅提升至约 160 个，这才是 CPU 增量的直接体现。

6.Agentic AI 能带来多少需求

从上文可以看出来，其实 AI 数据中心本身就持续在建，其中对应的头节点需求是增加的（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 机架，这也是 Agentic CPU 的主要需求来源。这和 GPU 无关，直接受 agent 用户情况的影响。

在这里引入一个公式：增量 CPU 需求= (A 头节点) GPU 出货量×每 GPU 头节点 CPU 核数 + (B 固定层) 总注册用户 x 日活率 x（活跃时间/24）×每用户 2vCPUx 峰均比÷超售比÷ 2(单核两线程)+（C 弹性层）活跃用户×任务并发率×每任务沙箱核数

在测算 Agentic AI 需求时候，主要关注于 B 固定层和 C 弹性层，需要理解的是：

①B 固定层：还是针对于用户侧的，但需要注意的是 Muse 分配的 2vCPU，并不会一直占用核心。a）当活跃时，用户被分配 1 个物理核心（2 线程）；b）而在空闲时，记入存储单元→VM 暂停→物理核心释放给其他用户，等再次唤醒，会从存储中快速恢复。

Muse 分配的 2vCPU，实际上是保证你最多能用 2 个 vCPU，但不用时不消耗物理核心。例如 1 台物理服务器（256 核）可以分配几百甚至上千个 vCPU，正是因为大部分 VM 同时处于空闲状态，这就是超售比的概念。

以 1 亿 Muse 为例，假定日活率 30%，每天活跃 3 小时，峰均比 2，超售比 6，那么 B 固定层的 CPU 需求大约需要 125 万 CPU 核（=1 亿 x30%x3/24x2x2/6/2）。

②C 弹性层：不需要承担所有用户，只需要处理活跃用户给出的任务。任务并发率指的是平均每个活跃用户同时在跑多少个沙箱（子 agent），还要关注每个任务沙箱需要的核数。

依然在 1 亿 Muse 用户（日活 30%）、每天活跃 3 小时、峰均比 2 的情况下，假定每个任务沙箱需要的 CPU 核数为 4 个，以并发率来做情景假设：其中峰值活跃达到 750 万（=1 亿 x30%x3/24x2）

从中可以看出，在 1 亿 Muse 用户体量及以上假设的情况下，当并发率达到 100% 的情况下（即平均单个活跃用户同时在跑 1 个子 Agent），大约需要 1GW 的配套工厂。在配置 25% 的 CPU 架构的模式下，大约需要 1332 个 CPU 机架，C 弹性层对 CPU 核数的需求就将达到 3000 万个。

在上述情况（中性）下，A 部分 GPU 侧的 CPU 核数需求大致有 1728 万个（=28.8 万个 GPUx 单个 GPU 对应 60 个 CPU 核数）；B 部分用户侧的 CPU 核数需求大致有 125 万个；C 部分子 Agent 侧的 CPU 核数需求大致有 3000 万个。

将 A+B+C 三部分合起来的 CPU 核数需求将达到 4853 万个，是原来纯 GPU 机架方案的 2.8 倍左右（相比于 1728 万个）。考虑到英伟达存储机架（DPU）等部分的额外需求，海豚君预估 Agentic CPU 有望带动 CPU 核数需求有望提升至此前的 3 倍左右。

7.Agentic AI 给 CPU 产业链带来的机会

结合 AMD 此前给出的 CPU 展望，按年增超 50% 的增速至 2030 年服务器 CPU 市场规模有望增长至 2200 亿美元，可以倒推出 2025 年服务器 CPU 市场规模大约是 290 亿美元。

这里引入一个公式，“服务器 CPU 市场规模=CPU 总核数 x 单个 CPU 核均价”。从上述测算中可以看出 Agentic CPU 有望将 CPU 核数需求提升至原来的 3 倍，另假设单个 CPU 核均价年增 18%。

由于大部分 CPU 厂商的展望都给到了 2030 年，假定 Agentic CPU 模式将在 2030 年实现大规模落地（即 2030 年的 CPU 核数需求提升至 3 倍），以及在单个 CPU 核均价年增 18% 的情况下，至 2030 年 CPU 市场规模有望提升至 2000 亿美元（=290x3x1.18^5），复合增速接近 50%。

上述对 CPU 市场规模的测算与各家厂商的展望基本相近，其中 ARM 管理层也承认此前给出的 1000 亿市场展望是偏于保守的，CPU 市场规模至 2030 年将达到 2000 亿美元附近，已经基本上是 CPU 产业链的共识。

当前服务器 CPU 市场的主要厂商是英特尔和 AMD，结合两家公司 2025 年的相关收入情况来看，英特尔和 AMD 的市场份额分别为 58% 和 35%，其他的厂商合计不足 1 成。

由于 CPU 市场规模的增长主要来自于 Agent CPU 需求的推动，传统服务器 CPU 的增速相对较慢（主要来自于更新），海豚君预估英特尔的市场份额将继续回落，AMD、英伟达等厂商的份额有望实现回升，尤其是英伟达、ARM 和高通三家都是直接的纯增量。

假定 2030 年服务器 CPU 市场中，英特尔和 AMD 的市场份额都在 36%。英伟达、ARM 和高通作为 “新进入者”，有望获得 15%、5%、2% 的市场份额。

综合来看，Agentic AI 有望为$英特尔(INTC.US) 和$AMD(AMD.US) 的服务器 CPU 带来 550 亿和 620 亿美元年收入增量。英伟达、ARM 和高通能在 Agent CPU 中享受到 300 亿、100 亿和 40 亿美元的年收入纯增量。

基于上述情况，大致可以将英特尔和 AMD 服务器 CPU 在 2030 年的原有预期收入上调 100-200 亿美元，对应英特尔和 AMD 的 2030 年业绩预期大致提升 10% 左右。

虽然 Agent CPU 有望为$英伟达(NVDA.US) 带来的 300 亿美元收入，对于公司总收入占比不到 3%，对英伟达的整体影响不大。

在纯增量之中，Agent CPU 对 ARM 和高通的影响相对较大。如果两家公司在 2030 年分别获得 5% 和 2% 的市场份额，那么有望给两家公司分别带来 100 亿和 40 亿美元收入。假定 Agent CPU 业务的 OPM 为 25%，大约能给 ARM 和高通分别带来 25 亿和 10 亿美元的 2030 年经营利润增厚。

对于$Arm(ARM.US) 而言，除了卖芯片以外，还能卖核心，有望获得更大的业绩弹性，给予 ARM 这部分 25xPE 参考 (11% 的折现率)，折现回来有望获得 410 亿美元及以上的估值增厚，对 ARM 股价的弹性在 15% 左右。给予$高通(QCOM.US) 这部分 20xPE 参考 (11% 的折现率)，折现回来有望获得 130 亿美元的估值增厚，对高通的股价弹性在 6% 左右。

整体来看，Agentic AI 需要引入 CPU 机架，会直接带来 CPU 核心需求的增加，有利于推动整个 CPU 产业链的持续景气。从结构化的角度来看，增量需求主要来自于 Agent CPU 和头节点 CPU，传统服务器 CPU 需求平稳。

Agent 对于 CPU 产业链各公司的带动，ARM（15%）>英特尔/AMD（10%）>高通（6%）>英伟达（3%）。从上周的涨幅来看，同样体现了这样的排序情况。Muse 带动 Agent CPU 的需求基本上都已经在股价中反应，后续关注于 Agent 需求能否继续做大蛋糕（服务器 CPU 市场）以及哪家公司能抢占更大的额外份额。

<此处结束>

本文的风险披露与声明：海豚研究免责声明及一般披露