Przez lata branża IT żyła w rytmie jednego mantra: więcej GPU, szybciej, drożej. AMD właśnie mówi: chwila, to nie jest cała prawda. Dan McNamara, starszy wiceprezes i główny menedżer ds. infrastruktury obliczeniowej i biznesowej AI w AMD, opublikował analizę, która wywraca do góry nogami wiele planów infrastrukturalnych tworzonych przez liderów enterprise IT. Teza jest prosta, ale jej konsekwencje daleko idące: agentic AI tworzy strukturalną zmianę w architekturze centrów danych, której nie da się rozwiązać przez dołożenie kilku procesorów do istniejącego racka.
Kluczowe fakty:
- AMD prognozuje zmianę proporcji CPU do GPU w infrastrukturze AI z tradycyjnego stosunku 1:4 lub 1:8 w kierunku 1:1, a w niektórych scenariuszach agentowych nawet więcej CPU niż GPU.
- Wartość rynku procesorów serwerowych może przekroczyć 120 miliardów dolarów do 2030 roku przy średniorocznym tempie wzrostu ponad 35%, co stanowi znaczną korektę w górę względem wcześniejszych szacunków AMD na poziomie 18%.
- Agentic AI wymaga dedykowanej, skalowalnej warstwy obliczeniowej CPU do obsługi orkiestracji, planowania zadań i koordynacji przepływów pracy, co stanowi strukturalną zmianę w architekturze centrów danych.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Agentowa rewolucja zmienia rachunek
Dotychczasowy model był prosty. Kupujesz serwer AI, dominantą jest GPU, a CPU pełni rolę pomocniczą jako node hostujący. Proporcje? Przez lata standardem był stosunek 1:4 lub 1:8 (CPU do GPU). Agentic AI to zmienia fundamentalnie.
CEO AMD Lisa Su potwierdziła podczas wynikowego call za Q1 2026, że nowe wdrożenia AI zaczynają przesuwać akcent z GPU na CPU. Wzrost agentowego AI tworzy więcej zadań dla procesorów centralnych, co przekłada się na wzrost proporcji CPU-to-GPU w infrastrukturze.
I co najciekawsze: Su powiedziała wprost, że proporcje zbliżają się do konfiguracji 1:1, a w scenariuszach z dużą liczbą agentów można sobie wyobrazić infrastrukturę, w której CPU będzie więcej niż GPU.
Dlaczego agenci potrzebują CPU?
Odpowiedź tkwi w tym, jak faktycznie działają systemy agentowe. Model językowy wciąż potrzebuje GPU do wnioskowania. Ale cała reszta, czyli planowanie zadań, wywoływanie narzędzi, koordynacja przepływów pracy, zarządzanie pamięcią i danymi, obsługa równoległych procesów, to domena CPU.
W nowoczesnych klastrach AI procesory centralne wykonują krytyczną pracę systemową, która utrzymuje akceleratory w ruchu: harmonogramowanie, przygotowanie danych, zarządzanie pamięcią i I/O oraz kontrolę przepływu.
McNamara podkreśla, że mamy do czynienia nie z ewolucją, lecz ze zmianą strukturalną. Agentic AI wymaga osobnej, skalowalnej warstwy obliczeniowej CPU dedykowanej obsłudze agentów, obejmującej orkiestrację, integrację systemów i kontrolę operacji. To nie jest optymalizacja istniejącej architektury. To nowa warstwa, której wcześniej po prostu nie było.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Skala prognoz robi wrażenie
AMD nie poprzestaje na opisie zjawiska. Firma stawia konkretne liczby. Jeśli prognozy się potwierdzą, wartość rynku procesorów serwerowych może przekroczyć 120 miliardów dolarów do 2030 roku, przy średniorocznym tempie wzrostu przekraczającym 35%. To istotna korekta w górę względem wcześniejszych szacunków AMD, które zakładały wzrost rynku serwerowych CPU na poziomie 18% rocznie.
Zmiana założeń wynika wprost ze zmiany charakteru workloadów. Kiedy planujesz infrastrukturę pod modele, liczysz GPU. Kiedy planujesz infrastrukturę pod agentów, musisz liczyć inaczej.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl: Warto czytać ten komunikat z odpowiednim dystansem. AMD jest producentem zarówno GPU (seria Instinct), jak i CPU (EPYC), więc narracja „potrzebujesz więcej CPU” jest dla nich po prostu korzystna biznesowo. To nie znaczy, że jest nieprawdziwa. Architektura agentowa rzeczywiście wymaga innego balansu zasobów niż klasyczne wdrożenia LLM. Pytanie, które powinien zadać każdy CTO, brzmi: w jakim tempie te proporcje naprawdę się zmieniają i czy moje obecne plany infrastrukturalne to uwzględniają? Bo jeśli budujesz rack pod kątem modeli z 2024 roku, możesz odkryć za rok, że masz bottleneck w zupełnie innym miejscu, niż się spodziewałeś. A prognozy wzrostu rynku na poziomie 35% rocznie brzmią imponująco, ale pamiętajmy, że producenci mają tendencję do optymistycznego patrzenia na rynki, na których sami działają.
Lisa Su: to addytywne, nie kanibalistyczne
Kluczowy przekaz ze strony AMD brzmi: wzrost popytu na CPU nie odbędzie się kosztem GPU. Su opisuje popyt na CPU jako w dużej mierze addytywny względem rynku GPU. Akceleratory pozostają niezbędne dla modeli fundamentalnych, podczas gdy agenci tworzą dodatkowe zadania CPU wokół tych modeli.
Su wskazała też, że AI napędza wzrost AMD w segmencie chmurowym, gdzie główni dostawcy rozszerzają footprint procesorów EPYC dla ogólnego compute, przetwarzania danych, węzłów zarządzających klastrami akceleratorów oraz workloadów agentowych.
Dla AMD to oczywiście komfortowa pozycja. Firma sprzedaje obie kategorie produktów i ma interes w tym, żeby klienci planowali GPU i CPU jednocześnie. Co nie zmienia faktu, że same dane z wdrożeń potwierdzają trend.
Nowa architektura centrum danych
To nie jest kwestia dodania większej liczby CPU do serwerów GPU. To strukturalna zmiana w architekturze centrum danych. Agentic AI napędza popyt na całkowicie nowe racki serwerów CPU, które działają obok infrastruktury GPU i obsługują pracę agentów.
McNamara zwraca uwagę, że myślenie o infrastrukturze AI wyłącznie przez pryzmat GPU serverów to błąd, który już teraz popełniają zespoły IT przy planowaniu kolejnych wdrożeń. Infrastruktura musi być projektowana z myślą o „cyfrowej sile roboczej” agentów, a nie pojedynczych modelach. To wyraźne odejście od dotychczasowych koncepcji enterprise AI.
Nowa architektura wymaga:
- osobnych racków CPU dedykowanych orkiestracji agentów,
- przemyślanej warstwy sieciowej łączącej zasoby CPU i GPU,
- oprogramowania rozumiejącego nowy podział pracy między procesorami,
- planowania z wyprzedzeniem, bo retroaktywna zmiana infrastruktury jest kosztowna.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
EPYC kontra NVIDIA Grace
AMD nie omieszkało przy okazji dorzucić kilku liczb porównawczych. W opublikowanych danych system oparty na procesorach AMD EPYC 5. generacji osiąga szacunkowo do 2,1x wyższą wydajność na rdzeń w porównaniu z porównywalnymi systemami opartymi na układzie NVIDIA Grace Superchip.
Słowo „szacunkowo” warto zapamiętać. Benchmarki producenta zawsze należy weryfikować w warunkach własnych wdrożeń.
Co to oznacza dla planistów IT?
Branża AI nadal potrzebuje więcej GPU, ale potrzebuje też więcej CPU, żeby utrzymać większe systemy AI w porządku i wydajności.
Jeśli planujesz infrastrukturę AI na najbliższe 12-24 miesiące i zakładasz, że workloady agentowe będą rosnąć, powinieneś:
- zrewidować założenia dotyczące proporcji CPU-to-GPU,
- uwzględnić dedykowaną warstwę obliczeniową dla orkiestracji agentów,
- nie traktować CPU jako „reszty” po zakupie GPU,
- śledzić, jak szybko te proporcje faktycznie zmieniają się w rzeczywistych wdrożeniach, nie tylko w prognozach producenta.
Erę dominacji GPU nikt nie przekreśla. Ale era CPU jako obywatela drugiej kategorii w infrastrukturze AI wydaje się dobiegać końca.
