AI智能体火了，为什么服务器CPU又成了紧缺资源？

2026年9月21日，美股芯片板块集体走强，AMD收盘上涨近10%，市值首次突破1万亿美元；Intel和Arm分别上涨约12%和17%。市场关注点之一，是Meta新推出的个人AI智能体Muse快速登上美国iPhone免费应用榜前列。与此同时，Intel CEO表示，公司目前只能满足约一半的客户需求。市场对服务器CPU需求的关注再次升温。

表面看，这是AI热潮带来的又一次芯片行情。

但对PCB行业更值得讨论的问题是：过去两年AI基础设施的主角一直是GPU，为什么智能体开始普及之后，CPU的重要性又提高了？

AI智能体不只是“问一句、答一句”

传统聊天机器人主要等待用户输入问题，再生成一次结果。

AI智能体的工作方式不同。

以Muse为例，它能够浏览网页、连接邮件和日历等应用，并连续执行搜索、预订、整理等多步骤任务；部分任务还可以在用户关闭应用后继续运行。

这类应用一旦扩大，算力消耗方式也会发生变化。

大模型推理仍然需要GPU或其他AI加速芯片，但智能体执行任务还涉及大量数据读取、程序调度、网络访问和系统控制。

这些工作并不是全部交给GPU完成。

CPU、内存、存储和网络需要共同参与。

所以AI基础设施正在从“堆更多GPU”，逐渐转向一个更加复杂的问题：如何让不同计算资源高效协同。

CPU需求增加，不能简单理解成服务器数量暴涨

Intel目前只能满足约一半客户需求，是一个很强的供需信号，但不能直接理解为“服务器出货量翻倍”。

CPU供应紧张可能同时受到市场需求、产品结构、制造产能以及服务器配置变化影响。

真正值得PCB行业关注的，是服务器内部需要承载的计算资源正在增加。

一台AI服务器除了GPU，还需要CPU、内存、存储、网卡以及电源系统。不同器件之间又需要通过PCIe、内存总线以及高速网络进行数据交换。

芯片越多，数据通道越多，PCB承担的连接任务就越复杂。

因此，AI推理基础设施扩张带来的不只是PCB数量变化，还可能继续推动服务器主板、计算板和高速网络板卡向高多层、高速互连方向发展。

CPU越来越强，主板上的信号也越来越难跑

服务器CPU性能提高之后，一个容易被忽视的问题是I/O。

CPU需要不断与内存、GPU、网卡和存储设备交换数据。如果芯片计算能力提高，但数据传输速度跟不上，整台服务器仍然会出现瓶颈。

压力最终会传导到PCB。

高速信号在PCB线路中传输时，会受到材料Dk、Df、铜箔粗糙度、线路结构和过孔等因素影响。速率越高，损耗、串扰和阻抗变化带来的影响越明显。

这也是服务器PCB需要关注低损耗材料、高多层结构和高速差分阻抗控制的原因。

部分高速通道还可能通过背钻减少过孔Stub带来的影响。

CPU算得更快之后，PCB不能让数据堵在路上。

高多层真正难的是几十层还能保持一致

服务器板卡需要连接CPU、内存、GPU和高速接口，布线资源越来越紧张，高多层PCB因此成为部分高性能服务器的重要选择。

但层数增加并不是简单把PCB做厚。

压合次数增加后，层间对准、介质厚度和板厚控制都会变得更加复杂；钻孔需要穿过更多层结构；高速线路又要求阻抗保持在设计范围内。

与此同时，高性能CPU和AI芯片还带来更大的供电和散热压力。

于是服务器PCB需要同时解决三个问题：线路怎么布、信号怎么跑、电怎么稳定送到芯片。

聚多邦目前可覆盖1—40层PCB、1—5阶HDI，支持M6/M7、Rogers等材料，以及背钻和高速差分阻抗控制，同时可衔接SMT及PCBA制造。对于服务器计算板、控制板及高速通信类板卡，更现实的制造切入点，是结合具体芯片平台提前评估材料、叠层、阻抗和过孔结构，而不是简单用PCB层数判断制造难度。

智能体扩大后，PCB要关注的是推理基础设施怎么变

市场目前预计，到2030年服务器CPU市场规模可能达到1200亿至2200亿美元。这个区间本身很宽，也说明未来CPU市场仍存在较大的技术路线和需求变量。

但Muse的快速普及提供了一个新的观察窗口。

AI应用正在从用户主动提问，走向智能体持续执行任务。模型不仅需要“回答”，还要浏览、调用工具、读取数据并与其他系统交互。

如果这种使用方式继续扩大，数据中心需要处理的就不只是训练大模型时集中的算力需求，而是数量更多、持续时间更长的推理任务。

对PCB产业来说，真正值得跟踪的不是AMD什么时候突破万亿美元，也不是CPU短缺会持续多久。

更重要的是AI服务器内部的计算资源正在变得更加多元：GPU负责大规模并行计算，CPU承担通用计算和调度，内存、存储和网络则负责让数据持续流动。

芯片越强，系统协同越复杂。

而PCB要做的，就是让这些越来越快的芯片，在一台服务器里真正连得起来。