英特尔

台积电

智通財經APP獲悉，試圖進軍芯片代工領域挑戰“芯片代工之王”台積電近乎壟斷份額的美國老牌芯片巨頭英特爾(INTC.US)，已聘請三星電子公司資深高管Shawn Han，以協助推動英特爾爭取到像高通、英偉達以及AMD這樣的大型代工客户們。Han的加入有望大舉提升英特爾整體芯片製造工藝管理體系以及客户代工服務聲譽，對於英特爾未來的芯片代工創收前景，以及支撐英特爾今年以來股價瘋漲超85%的核心看漲邏輯——即數據中心CPU需求供不應求，可謂都將帶來顯著強化效應。

這位來自韓國芯片巨頭三星的執行副總裁將於下月加入英特爾，並向這家美國芯片製造商的晶圓代工業務部門負責人Naga Chandrasekaran彙報。根據英特爾週四發佈的一份聲明，Han將出任晶圓代工服務總經理。

Shawn Han在三星電子的商業晶圓代工領域擁有超過10年工作經驗，自1996年起即從事芯片製造工藝相關工作。英特爾首席執行官陳立武領導下，正尋求在經歷多年運營虧損問題後重振其芯片製造業務。英特爾的晶圓代工(Foundry)業務部門正致力於為其下一代14A芯片製程爭取大型客户。

力爭成功塑造英特爾旗下的晶圓代工業務(Foundry)——即為外部客户製造/代工芯片的業務，是英特爾現任首席執行官陳立武主導的一項扭轉業績增長頹勢計劃的核心支柱。目前，晶圓代工市場由台積電主導，三星電子則位居第二，但是市場份額相比於台積電而言小得多。

幾十年來，英特爾一直將其芯片製造工廠網絡專門用於生產自家芯片。但該公司的內部芯片設計業務已無法再支撐維持和擴張這些大型製造設施所需的巨大成本。

這意味着，英特爾必須説服其他Fabless芯片設計巨頭——其中許多甚至還是競爭對手，讓英特爾成為它們的芯片代工廠商。但這取決於英特爾能否證明自己擁有芯片製程技術層面的重大優勢——而這正是該公司近年來已經失去的東西。

Chandrasekaran在一份聲明中表示：“這項最新的任命反映出英特爾晶圓代工業務持續強調與客户們的緊密互動，以及以客户為導向的執行力。”“Shawn在三星晶圓代工業務部門任職期間積累了超過10年的商業晶圓代工領導經驗，他不久後將把這些經驗帶到英特爾。”

從芯片代工客户爭奪戰到服務器CPU漲價潮，英特爾雙引擎反攻時刻來臨?

這條最新的任命動態消息，無疑首先是聚焦於大幅推進英特爾的14A芯片代工業務版圖，其次則是對英特爾數據中心服務器級別CPU優勢的間接加固。

英特爾晶圓代工業務在2025年仍錄得約103.2億美元經營虧損，且營收僅僅小幅增長，説明英特爾現在最缺的不是“再講一個宏大的芯片代工故事”，而是真正把客户拉進來。因此，這次從三星挖來有十多年商業代工經驗的高管，市場最直接的解讀就是英特爾正在補全“大客户獲取、客户溝通服務、先進製程管理層面高效率執行”這塊短板，想把18A/14A從技術口號變成訂單能力。

間接層面則鞏固英特爾服務器CPU的綜合優勢。AI數據中心建設進程如火如荼可謂推動英特爾數據中心CPU陷入供不應求態勢，英特爾部分需求最火熱的高性能CPU交期最長拉到6個月，服務器CPU價格今年以來則普遍上漲10%，Han的加盟，對英特爾是“代工商業化能力增強”的正面信號;它與數據中心CPU景氣度共振後，會讓英特爾的投資邏輯從單線反彈，升級為“Xeon需求改善+Foundry增長預期上修”的雙主線看多。 但是這套邏輯若要真正站穩，還得看後續幾個季度能否同時兑現CPU供需不平衡帶來的強勁利潤和外部代工客户簽約。

在AI智能體時代，CPU:GPU配比可能會從傳統AI數據中心的1:4至1:8，向1:1至1:2大幅重估。在智能體鏈路中，大量工作負載不僅耗費在GPU上的token生成，還消耗在Python解釋執行、網頁抓取、數據庫檢索、RAG索引訪問、詞法處理、任務隊列調度、RPC/IPC通信、KV狀態更新等CPU主導環節，這意味着決定用户體驗的，越來越不是單顆GPU的峯值算力，而是CPU是否有足夠的核心數、線程併發、緩存層級、內存帶寬、PCIe/CXL/互連調度能力去支撐高頻工具調用與高密度任務切換。一旦CPU核心、內存子系統或I/O調度不足，GPU即便名義算力充裕，也會因數據準備、任務協調和系統等待而出現利用率塌陷。

AI算力架構的瓶頸正在從以矩陣乘加吞吐為核心的GPU，徹底轉向以控制流、任務編排、內存/IO協調為核心的數據中心CPU，這一變化的根源在於工作負載範式已經發生了本質遷移。早期大模型推理以“單次請求—單次生成”為主，CPU更多承擔數據搬運、請求路由與基礎調度，屬於典型的輔助控制面;但進入AI智能體與強化學習時代後，系統負載不再是單一前向推理，而是演變為包含任務規劃、工具調用、子代理協同、環境交互、狀態管理與結果驗證在內的複雜閉環。上述“編排層”(orchestration layer)本質上是強控制流、強分支判斷、強系統調用、強內存訪問的CPU密集型任務，無法被GPU高效替代，因此CPU正從過去的“配角”變成決定系統吞吐、時延與資源利用率的新瓶頸。