Hindi pa tapos ang kakulangan sa GPU, maaaring simulan nang pagkaguluhan ang CPU

Noong Mayo 31, 2026, inanunsyo ng Nvidia na ang CPU nitong may 88 custom cores ay pumasok na sa malawakang produksyon. Tinatawag itong Vera, na gumagamit ng Arm instruction set at sariling Olympus core ng Nvidia, papasok ito sa Vera Rubin supercomputing platform, at magkakahiwalay ding ilalagay bilang CPU server. Nagsimula na ang Dell, HP, Lenovo, Supermicro at iba pang mga tagagawa ng server sa paggawa ng mga sistemang gumagamit ng Vera.

Tinawag ng Nvidia ang Vera bilang "unang CPU na ginawa para sa AI agents".Ang Vera ay makakasama ng Rubin GPU upang bumuo ng isang platform, at ito rin ay ilalagay sa mga independent CPU server.Makalipas ang ilang taon, ang Nvidia, na kilala sa pagbebenta ng GPU, ay nagsisimula nang muling magbenta ng standalone CPU computing power. Ang balitang ito ay tila hindi karaniwan.

Larawan | Nvidia Vera (Pinagmulan: Nvidia)

Sa nakaraang tatlong taon, halos umikot ang hardware anxiety ng industriya ng AI sa paligid ng GPU. Para sa training at inference ng modelo, laging kailangan ng mas maraming GPU; habang lumalaki ang parameters ng model at mga gumagamit, GPU pa rin ang sagot. Ang CPU ay responsable sa pagpapatakbo ng mga tasks, paglilipat ng data, at pamamahala ng server sa sistemang ito, bihirang maging pokus ng mga investor.

Hanggang sa binago ng AI Agent ang anyo ng mga tasks.

Ang isang ordinaryong chatbot ay tumatanggap ng teksto, nagpapatakbo ng model, at gumagawa ng sagot. Ang isang Agent ay kailangang gawing operations ang desisyon ng model: magbasa ng files, maghanap sa web, mag-query ng database, mag-call ng API, magpatakbo ng code, at ipadala muli sa model ang resulta. Isang task ay maaaring dumaan sa higit sampung rounds ng “inference—operation—observation”, at bawat round ay kailangan ng switching sa pagitan ng GPU at CPU.

Ang GPU pa rin ang gumagawa ng mabibigat na computation para sa modelo, pero ang pag-parse ng model output, pagdetermine ng uri ng tool, pagpapadala ng request, pagpapatakbo ng mga program, file management, pagkuha ng resulta, at pag-setup ng kasunod na tasks ay kadalasang hinahandle ng CPU. Sinabi ni AMD Vice President ng Computing and Enterprise AI, Madhu Rangarajan, na sa isang tunay na AI agent pipeline na kanilang sinubukan, 7 sa 8 stages ay ganap na tumatakbo sa CPU. Ang proporsyong ito ay galing sa sarili nilang pagsusuri at maaaring hindi nagtutugma sa lahat ng sistema, ngunit nagpapakita ito na:Ang model inference ay iisang bahagi lang ng gawain ng AI agent, at ang lahat ng nagpapaligid na coordination ay bumabagsak sa CPU.

Ang overhead ng isang agent ay maaaring maliit lamang, ngunit kapag naging malawakan ay nagiging napakalaki ng numerong ito.

Ang isang agent ay maaaring gumamit ng maraming tool sabay-sabay, at maaari ring lumikha ng mga sub-agent. Kapag ipinatupad ng isang kumpanya ang parehong system sa libo-libong empleyado, sabay-sabay na tasks ay biglang dadami. Lahat ng agent ay nagpa-parse ng output, nagpapatakbo ng code, at nagbabasa/susulat ng data, kaya ang dating kalat-kalat na CPU overhead ay nagiging malaking demand sa kapasidad. Kapag mabagal ang CPU, kailangan ng GPU na maghintay ng input para sa susunod na inference round.

Ang mga security check ay dagdag din sa workload na ito. Kung mas maraming permission ang agent, mas kailangang suriin ng system kung anong files ang binuksan, anong API ang tinawag, o kung may sensitive data na na-access. Ang rule matching, log analysis, at maliit na model auditing ay kadalasang tumatakbo sa CPU dahil ang mga tasks ay kalat-kalat, bantay sa delay, at ang pag-call lang sa GPU ay hindi praktikal. Kaya habang nagiging mas autonomus ang AI agent, mas maraming phase ang dapat suriin—at lalong lumalaki ang CPU burden.

Noong Hulyo ngayong taon, nagawa ng agent ng OpenAI na hindi sinasadyang tumakas mula sa sandbox at makapasok sa production system ng Hugging Face sa isang internal security evaluation, na naglalarawan kung gaano kahalaga ang mga security mechanism na ito—at kung gaano karaming dagdag na computing overhead ang dinadala nila sa tunay na deployment.

Isa pang madalas makaligtan na overhead ay ang tokenization.

Bago mag-process ang malaking modelo ng teksto, kailangang gawing Token ang salita. Ang prosesong ito ay may kasamang maraming string processing at condition branching, hindi ito tulad ng matrix operation na mas angkop sa GPU. Sa mga karaniwang chat, maikli lang ang input kaya walang nararamdamang delay mula sa tokenization; pero ang AI agent ay laging nag-iipon ng resulta ng tool, code, logs, at history ng operasyon, kaya maaaring umabot ang input sa libo o sampu-sampung libong Token.

Ayon sa panayam ng IEEE Spectrum kay Euijun Chung ng Georgia Institute of Technology, halimbawa, sa ilang implementation, kahit may 100,000 Token na context at magdagdag ng 1,000 Token na tool result, maaaring i-reprocess muli ng tokenizer ang buong input.Ang prefix caching at incremental tokenization ay pwedeng bawasan ang redundant work, kaya't hindi lahat ng system ay gagamitan ng ganitong paraan; ang CPU pressure mula sa mahahabang text ay nananatili pa rin.

Sa pinakahuling paper ng grupo ni Chung, tinest nila ang mga modelong tulad ng Llama 3.1 at Qwen3. Sa long sequence at large-batch settings, umaabot sa 80% ng initial token delay ay dulot ng tokenization. Kapag kulang ang CPU cores, mag-aagawan pa sa resources ang tokenization thread, task scheduling, at GPU kernel startup, kaya nagkakaroon ng CPU bottleneck, habang hindi puno ang GPU utilization. Nang dagdagan ang CPU core, ang initial token delay improvement ay 1.47–5.15 times, nang hindi nangangailangan ng dagdag na GPU.

Ang data ng industriya ay nagsisimula nang sumagot sa pagbabagong ito. Noong Enero 2026, ayon sa KeyBanc at supply chain survey, halos sold out na ang annual CPU server production capacity ng Intel, at halos puno na rin ang supply ng server CPU ng AMD, kaya't pareho silang nagkaroon ng room para magtaas ng presyo. Channel analysis ito at hindi opisyal na data mula sa manufacturers.

Ang sumunod na financial reports ng Intel ay nagsilbing partial confirmation. Sabi nila, ang demand para sa server CPU ay lumampas sa supply noong first quarter ng 2026, at ang limitasyon sa internal capacity ay inaasahang tatagal hanggang katapusan ng taon. Ang average selling price ng server products ay tumaas ng 27% year-on-year, ngunit bumaba ang shipments ng 5%; sinabi ng Intel na ang pagtaas ng presyo ay dahil sa mas maraming high-end products, demand pricing, at pagtaas ng costs.

Sa parehong panahon, umabot sa $5.8 bilyon ang data center revenue ng AMD, tumaas ng 57% year-on-year, na dulot pareho ng paglago ng EPYC server CPU at Instinct GPU. Hindi hiwalay na inulat ng AMD ang growth rate ng server CPU, kaya hindi masabing ang lahat ng 57% na ito ay dahil sa AI agent demand.

Ang pananaw ng mga kumpanya ay mas agresibo pa. Noon, tinatayang lalago ng 18% kada taon ang server CPU market ng AMD; ngunit noong Mayo 2026, tinaasan ito sa higit 35% kada taon, na tinataya nilang aabot sa $120 bilyon ang market size pagdating ng 2030.Ang dahilan ng AMD: kailangan ng AI agents ng dedicated CPU computing layer para sa orchestration, data processing, tool execution, at security checking.

Dati, karaniwan nang ang isang CPU ang namamahala sa 4—8 GPU sa data centers. Nakita ng AMD na ang AI agent systems ay nagdadala ng ratio na ito sa 1:1, at sa iba pang workloads, mas marami pa ang CPU per load. Ito'y pagtatasa pa rin ayon sa demand ng kliyente, kaya malaki ang puwang sa actual configuration depende sa workload. Gayunpaman, malinaw ang trend: hindi sapat ang magdagdag lang ng ilang CPU, kaya nagsisimula nang magtayo ang mga cloud provider ng dedikadong CPU racks para sa AI agents.

Ngayon lang noong Marso 2026, unang beses na nagbenta ang Arm ng sarili nitong data center CPU, hindi lang processor design. Ang AGI processor ay may hangganang 136 cores, na binuo kasama ang Meta. Tantya ng Arm, sa parehong power consumption, ang AI agent data centers ay mangangailangan ng CPU capacity na higit 4 na ulit ng kasalukuyang data centers.

Kasunod nito, naglabas ang Qualcomm ng Dragonfly C1000 na may mahigit 250 cores at pumirma ng multigenerational server CPU partnership sa Meta. Sila Intel, AMD, Arm, Qualcomm, at Nvidia ay ipinasok na ang “AI agent CPU” sa kani-kanilang product roadmap sa loob lang ng ilang buwan, tanda na lumalagpas na ang laban sa tradisyonal na x86 market papunta sa Arm servers, custom cores, at buong rack design.

Nasa espesyal na posisyon dito ang Nvidia. Nagtitinda ito ng parehong GPU na nagdudulot ng CPU pressure at ng Vera na nagbabawas ng pressure; mula processor, network, hanggang storage, buong stack ay pwedeng manggaling sa Nvidia.Kaya hindi lang simpleng pagpapalawak ng product line ang Vera, kundi paraan din para protektahan ang GPU utilization. Kada segundong hindi naghihintay ang GPU ay pwedeng maisalin sa mas maraming Token at mas mataas na kita kada rack.

Gayunman, habang sumusunod ang mga chip manufacturer kung saan may pera, palaging may kailangang magbayad ng presyo. Kagaya ng GPU at storage chips, malamang ang pagtaas ng production capacity ay tayo ring consumers ang sasalo.

Sa earnings call ng Intel para sa Q4 ng 2025, inamin nilang pinaprioritize nila ang internal wafer supply para sa data center habang dinaragdagan ang external foundry para sa client products; pero, dagdag ng management, hindi naman daw nila tuluyang iiwan ang client market. Pagsapit ng Q1 2026, ang average price ng Intel client CPU ay tumaas ng 16% year-on-year, bumaba ang sales ng 13%, at inasahan ng kumpanya na magpapatuloy ang supply constraints hanggang kalagitnaan ng taon.

Hindi lahat ng pagbabago sa client products ay dahil sa AI agent. Ang proseso ng Intel, panloob at panlabas na kapasidad, pati memory supply ay nakaapekto rin sa presyo at shipments. Pero sa limitadong kapasidad, mas maraming core at mas mataas ang presyo ng server chips, mas handang sumiguro ng long-term orders ang cloud provider, kaya natural lang na ilaan ng manufacturer ang produksyon sa data center.

Sa nakaraang tatlong taon, naranasan na ng karaniwang mamimili ang pagtaas ng presyo at shortage ng GPU. Sa susunod, maaari rin itong mangyari sa CPU.

Operasyon/Type-setting: He Chenlong

Tala: Ang cover/featured image ay inambag ng AI