计算机行业动态报告：ARM产业链为何是GPU与CPU协同关键受益者

目录MoE稀疏化趋势下，计算效率提升成为关键 3AgenticAI计算效率为先，CPU迎来价值重估 5评价计算效率的核心指标：单位成本 5提升整体计算效率趋势下，CPU迎来价值重估 6巨头率先发力：英伟达芯片致力于创造更高数据中心营收 7ARMCPU迎来重要机遇：兼具性能与生态的系统性壁垒 9投资建议 11风险提示 12插图目录 13表格目录 13MoE据并行、流水线并行和张量并行等多种策略，并部署于高性能GPU集群和高速RDMATheRiseSparseMixture-of-ExpertsASurveyfromAlgorithmicFoundationstoDecentralizedArchitecturesandVerticalDomainApplicationsMoE技术路线下，未来算力基础设施发展的一些趋势。MoE推动算力需求从单卡能力转向集群级系统能力。随着MoE模型参数规MoE128KGPUGPU、多节点集群中运行。在中心化范式下，MoE训练和推理主要部署在高性能GPURDMAMoEMoEGPU上，由路由机制将token分配至对应专家进行计算。但这一机All-to-All响GPUMoE图1：MoETransformer模块中的专家并行机制 TheRiseofSparseMixture-of-Experts:ASurveyfromAlgorithmicFoundationstoDecentralizedArchitecturesandVerticalDomainApplications/DongPan,BingtaoLi,Zheng,JirenMa,VictorFei论文进一步讨论了去中心化MoE对算力的影响。相较于依赖少数大型数据中心的中心化模式，去中心化范式尝试利用消费级GPU、工作站GPU、移动GPUGPUMoEGPUGPU400Gb/sRDMALAN或WAN，带宽可能低于10Gb/s，通信效率成为限制有效算力输出的关键因素。图2：去中心化MoE架构图 TheRiseofSparseMixture-of-Experts:ASurveyfromAlgorithmicFoundationstoDecentralizedArchitecturesandVerticalDomainApplications/DongPan,BingtaoLi,Zheng,JirenMa,VictorFei总体来看，论文的启示在于：MoEAI算力基础设施从单卡性能竞争，转向GPUMoEGPU，也依赖更高效的集群组织方式和分布式算力调度能力。AgenticAI，CPU每百万成本是综合反映AI基础设施真实效率的指标。传统数据中心的核心定位为数据存储、检索与处理设施，而在生成式AI与代理式AI数据中心的核心产GPU小时成本、每美元FLOPS等投入侧指标并不能完全反映AI投入的相关效率，而AIAI图3：“每百万成本”的计算公式 英伟达官网，国联民生证券研究所根据英伟达官网的数据，基于DeepSeek-R1AI模型，仅从算力成本来看，NVIDIABlackwell平台的成本约为NVIDIAHopper的2Blackwell每瓦的Hopper50的成本降低至其1/35左右。指标 NVIDIA指标 NVIDIAHopper(HGX NVIDIABlackwell Blackwell相较H200) (GB300NVL72)GPU每小时成本(美元)1.412.652x每美元FLOPS(PFLOPS)2.85.62x每GPU每秒Token产出90600065x每兆瓦Token产出54K2.8M50x每百万Token成本(美元)4.20.12降为1/35英伟达官网，国联民生证券研究所CPU在AgenticAI时代，CPU-GPU协同失效制约落地效率。当前智能体部署面临“堆卡低效”的困境，佐治亚理工学院相关论文《ACPU-CentricPerspectiveonAgenticAI》通过对五大典型智能体负载的实证测试，揭示传统“CPU搬运、GPU推理”分工模式存在协同瓶颈。时序错配导致GPUCPU工具处理时延在整体负载中占比偏高GPUGPU图4：《ACPU-CentricPerspectiveonAgenticAI》论文中负载时延拆解图英特尔商用官方公众号，国联民生证券研究所吞吐量提升遭遇双重瓶颈：系统效率上限一方面受GPU显存容量限制——批大小提升到一定阈值后KVCacheCPUCPU常出现核心未完全占满时吞吐量提前64128CPU2.96.3图5：《ACPU-CentricPerspectiveonAgenticAI》论文中吞吐量饱和分析图英特尔商用官方公众号，国联民生证券研究所能耗结构失衡：CPU128LangChain负载中，CPU动态能耗占总动态能耗比例可达44%，单纯依赖CPU多进程并行提升吞吐量会拉低整体投资回报率。图6：《ACPU-CentricPerspectiveonAgenticAI》论文中动态能耗分布图英特尔商用官方公众号，国联民生证券研究所由此可见，推理的关键指标不再是峰值算力，而是单位CPUCPU巨头率先发力：英伟达芯片致力于创造更高数NVIDIARubinGPU执行Transformer编排数据与控制流。是英伟达面向AI工厂场景推出的新一代专用CPU，基于GraceCPU相比前代产品仅承担辅已成为支撑GPU高效运行的核心数据处理单元，专门针对AIArmv9.2LinuxCPU-GPUGrace88Olympus72NeoverseV222%1MB114MB512GB/s1.2TB/s，显存容量从480GB提升至1.5TB；互连接口层面NVLink-C2C带宽从900GB/s1.8TB/s，PCIeGen5Gen6CXL3.1，可实现机架CPUGPU表2：Grace与CPU特征GraceCPUVeraCPU核心72个NeoverseV288个NVIDIA自定义Olympus核心线程72176每核心空间多线程二级缓存1MB2MB统一的三级缓存114MB162MB显存带宽(BW)512GB/s1.2TB/s显存容量480GBLPDDR5X1.5TBLPDDR5XSIMD4x128bSVE26x128bSVE2FP8NVLINK-C2C900GB/s1.8TB/sPCIe/CXLGen5Gen6/CXL3.1机密计算支持NA支持第二代可扩展一致性结构（SCF）AI90%GPUNVLink-C2CCPUGPU1.8TB/sCPULPDDR5XGPU端HBM4显存视为同一一致性内存池，有效降低跨设备数据移动开销，支撑KV缓存卸载、多模型并行执行等推理优化技术落地。ARMCPU统性壁垒Arm是AI时代稀缺的覆盖全场景的统一计算架构，生态优势突出。AIArmAI图7：ARMCPU已经建立强大的生态超大规模云厂商AWSGraviton、AzureCobalt、GoogleAxion等Arm实例均为公有云中性价比最优的选择。根据Arm公布的数据，截至2025年底，向顶级超大规模云厂商出货的算力中，近半数为Arm架构，可充分满足企业大规模AI训练与推理的需求英伟达AI工厂CPU配套超大规模云厂商AWSGraviton、AzureCobalt、GoogleAxion等Arm实例均为公有云中性价比最优的选择。根据Arm公布的数据，截至2025年底，向顶级超大规模云厂商出货的算力中，近半数为Arm架构，可充分满足企业大规模AI训练与推理的需求英伟达AI工厂CPU配套英伟达专为与Rubin、BlackwellGPU搭配运行或驱动Bluefield-4DPU而设计的Grace、VeraCPU均基于Arm平台开发，充分证明了Arm架构可无缝集成至异构计算系统，为平衡型计算节点奠定了基础消费级终端99ArmAIArm汽车与工业场景Rivian、特斯拉、小鹏等头部企业均正在设计基于Arm的定制化自动驾驶栈，覆盖AI模型、软件与芯片全层级。多数机器人系统均依托Arm架构处理器实现智能、控制、感知与系统协同功能ARM官方公众号、Futurum，国联民生证券研究所整理Armx86CPUAIAIARMFuturum，2200AIArmAGICPUArmNeoverse基础设施提供核心算力支撑。ArmAGICPU能够在数千核心并行的持续高负I/OArmAGICPUAIAGICPUCerebrasCloudflareOracleF5Meta、OpenAI、Positron、Rebellions、SAP、SK电讯和ArmAGICPU136C（最 ArmAGICPUArmAGICPU136C（最 ArmAGICPU128C（总 ArmAGICPU64C（最大核心数） 成本优化） 内存/核心）参数SKU SP113012 SP113012S SP113012A处理核心CPU

136NeoverseV32x128SVE2MB/核心L2Armv9.2,bfloat16和INT8AI指令

128NeoverseV32x128SVE2MB/核心L2Armv9.2,bfloat16和INT8AI指令

64NeoverseV32x128SVE2MB/核心L2Armv9.2,bfloat16和INT8AI指令系统级缓存系统级缓存最大频率128MB3.5GHz128MB3.5GHz128MB3.7GHz基础基础TDP* 300W12个DDR5,最高可达8800RDIMM内存MT/s300W12DDR5MT/s300W12DDR5MT/s内存吞吐量/核心

每个心6GB/s 每核6.3GB/s 每核13GB/sARM官网，国联民生证券研究所整理ArmAGICPU可实现单机架性能较高：ArmAGICPU具备业界领先的内存NeoverseV3处理器核心性能出众，每个Arm线程可处理更多任务；更多可用Meta作为ArmAGICPU的早期合作伙伴与客户，参与该CPU的联合开发，旨在为Meta全系应用优化吉瓦级规模基础设施，并与Meta自研的MTIA加速器协同运行。投资建议AIAgenticAICPU海光信息、中国长城、龙芯中科、禾盛新材、广合科技等。风险提示MoEMoEAI推理需求增长不及预期风险。若下游AI应用商业化、AgenticAI落地或企业推理需求增长低于预期，相关算力基础设施和CPU行业竞争加剧风险。AI算力、推理优化、CPU/GPU协同和异构调度等方向参与者众多，存在行业竞争加剧的风险。插图目录图1：MoETransformer模块中的专家并行机制 3图2：去中心化MoE架构图 4图3：“每百万成本”的计算公式 5图4：《ACPU-CentricPerspecti