AI 需求轉向， CPU 是算力瓶頸？

隨著 AI 應用從雲端模型訓練轉向終端模型推論，CPU 在系統架構中的角色正經歷顯著轉變。英特爾指出，當 AI 算力往終端移動形成「混合式架構」時，CPU 負責處理複雜邏輯與調度，其重要性不減反增。然而，傳統 x86 架構在處理 AI 龐大 I/O 與頻寬需求時面臨挑戰，導致晶片大廠如 AMD 與英特爾在設計新一代處理器時，不得不犧牲部分 CPU 快取空間以容納 NPU 引擎。目前市場並非單純缺貨，而是需求變動過快導致供應鏈調度困難，且摩爾定律放緩使得通用處理器算力增長遠落後於 AI 演算法需求，讓 CPU 逐漸成為整體算力輸出的關鍵瓶頸之一。

AI 需求重心的位移正迫使半導體業者重新定義處理器的價值鏈。過去兩年市場過度聚焦於 GPU 算力競賽，但隨著推論應用普及，CPU 的通用性與普及性使其成為開發者部署的首選平台，這也解釋了為何 Arm 架構因具備高彈性與頻寬優勢，正加速滲透資料中心與邊緣裝置。從產業策略來看，晶片設計已從追求單一核心效能轉向「適材適所」的異構運算，透過 NPU 分擔特定任務來緩解 CPU 的運算壓力。然而，記憶體牆與功耗限制仍是難以跨越的物理天花板，未來勝負關鍵將不在於誰的 CPU 核心數更多，而在於誰能透過先進封裝與軟體優化，實現更高效的算力調度與能耗管理。