过去，AI芯片需求主要由超大规模云厂商拉动。如今，随着国家和公共部门加速推进“主权AI”，市场正在形成第二股重要需求力量，AI芯片的采购重心也由GPU进一步延伸至CPU、内存和封装等全栈环节。

所谓“主权AI”，是指国家或机构在本国法律和监管框架内，构建并掌握可独立运营、可自主控制的AI能力。随着欧盟《AI法》持续推进、美国《云法案（CLOUD Act）》的域外影响引发关注，各国对美国超大规模云平台的依赖正被视为潜在的结构性风险，这也推动越来越多国家加快自建AI基础设施。NVIDIA CEO Jensen Huang今年3月在GTC上提出“国家应直接拥有数据中心”，也被认为反映了这一趋势。

与此同时，Agentic AI的扩散正在进一步改写算力需求结构。token生成主要依赖加速器，即GPU；但在智能体相互调用、需要持续运行的环境中，token调度、编排以及服务管理等任务更多由中央处理器CPU承担。Arm CEO Rene Haas在发布面向AGI的CPU产品时表示，在Agentic AI环境下，CPU需求将增长4倍，“这还是保守估计”。而当主权AI建设上升到国家层面后，这类需求还将被进一步放大。

这一变化已经开始体现在市场预测和企业收入数据中。Kyobo Securities数据显示，NVIDIA 2026财年主权AI相关收入将同比增长逾3倍，超过300亿美元。市场研究机构Gartner预计，到2030年，全球AI云市场规模将达到2670亿美元，其中面向主权需求的新型云将占20%。另有分析指出，若要建设独立的AI技术栈，国家层面的基础设施投入至少需达到国内生产总值（GDP）的1%。

从半导体产业链角度看，这类新增需求与传统超大规模云市场并不相同。主权AI部署场景在电力、冷却和空间方面往往受到更强约束，因此相较于单纯追求极致算力，更重视能效表现；相较于单一加速器采购，CPU与内存的系统级整合需求也更为突出。

业内也逐渐形成一种判断：主权AI建设未必需要投入规模巨大的云级系统，更重要的是根据实际用途配置合适的基础设施。随着大语言模型（LLM）之后，视觉语言模型（VLM）等模型形态日趋多样，在基站、中继站等网络边缘部署中等规模模型的趋势也在增强。

需求由GPU向CPU、内存和封装延伸

NVIDIA在GPU之外加码自研定制CPU“Vera Rubin”，正反映出这一趋势。Arm也已公开自研服务器CPU“AGI CPU”，正式切入市场，并以“在相同功耗下性能提升2倍”为卖点，瞄准替代x86方案。Arm高管Mohamed表示，客户认为现有方案已无法充分满足需求，因此主动寻求支持。在电力和冷却条件更受限制的主权AI场景中，强调优化设计的服务器芯片吸引力正在上升，主权AI的扩张也在加快Arm进入服务器芯片市场的步伐。

在韩国，本土主权AI基础设施投资也正逐步传导至芯片需求。Kyobo Securities表示，韩国已编制9.9万亿韩元AI预算，并在第一阶段投入1.4万亿韩元采购1.3万块GPU。NHN Cloud、Naver Cloud、Kakao被选为项目参与方。其中，NHN Cloud预计，除民间使用部分外，对外供应将在未来5年带来约3000亿韩元营收。

第二阶段投资规模约为2.0805万亿韩元，目标是追加采购从Blackwell到Vera Rubin级别的最新GPU，并建立常态化GPUaaS体系。随着GPU采购持续推进，服务器CPU、内存和封装等全栈需求也有望同步扩大。

Gartner预计，到2030年，欧洲和中东地区将有超过75%的企业把工作负载迁移至本国解决方案。由此来看，这一趋势并非短期政策刺激下的阶段性需求，而更接近一场结构性转向。对于芯片产业而言，这意味着客户结构和产品组合都将迎来新的扩展窗口。

随着主权AI需求规模逐步逼近超大规模云厂商，AI半导体市场也将从过去以GPU为主的单一拉动，转向覆盖CPU、内存和封装的多层次需求结构。随着不同国家推进主权AI的路径逐渐分化，相关芯片需求特征也将进一步细分。业内普遍认为，最终竞争关键仍在于芯片与系统层面的深度整合能力。