Morgan Stanley: Agentic AI to Drive $60 Billion Boost for CPUs and Memory

Morgan Stanley: Agentic AI to Drive $60 Billion Boost for CPUs and Memory

Morgan Stanley: Agentic AI to Drive $60 Billion Boost for CPUs and Memory

A new report from Morgan Stanley suggests that the rise of "Agentic AI"—systems capable of autonomous reasoning and multi-step task execution—is poised to shift the semiconductor value chain. 

While GPUs have dominated the initial wave of AI infrastructure, the focus is increasingly moving toward CPUs and high-performance memory. 

This transition is expected to create an incremental Total Addressable Market (TAM) of up to $60 billion for CPUs by the year 2030.

The shift is driven by the fundamental difference between simple generative AI and autonomous agents. 

While GPUs excel at the heavy parallel processing required for training models, Agentic AI requires significant serial processing and complex logic handling to manage workflows. 

As AI agents begin to "think" through sequences of actions and interface with various software tools, the demand for robust CPU performance becomes a critical bottleneck for system efficiency.

Memory architecture is also set to undergo a major transformation as these autonomous systems become more prevalent.

 Agentic AI requires rapid access to vast amounts of data to maintain context and execute real-time decisions, placing a premium on advanced memory solutions. 

Morgan Stanley anticipates that the synergy between more powerful CPUs and expanded memory capacity will be the primary engine for the next phase of AI hardware expenditure.

This market evolution provides a significant tailwind for traditional processor giants and memory manufacturers who were initially overshadowed by the "GPU gold rush." 

As enterprises move from experimenting with chatbots to deploying autonomous agents for business operations, the hardware requirements are becoming more balanced. 

The report indicates that the "reasoning" phase of AI deployment will rely heavily on the coordination capabilities that only advanced CPU architectures can provide.

Ultimately, the findings suggest that the semiconductor landscape is entering a period of broader diversification. 

While GPUs will remain essential for massive computational workloads, the $60 billion incremental opportunity highlights a "re-balancing" of the data center. 

For investors and tech leaders, this shift signals that the future of AI infrastructure will be defined as much by sophisticated logic and memory management as it is by raw graphical processing power.

मॉर्गन स्टेनली: एजेंटिक AI से CPU और मेमोरी को $60 बिलियन का बूस्ट मिलेगा

मॉर्गन स्टेनली की एक नई रिपोर्ट बताती है कि "एजेंटिक AI"—जो ऑटोनॉमस रीज़निंग और मल्टी-स्टेप टास्क एग्ज़िक्यूशन में कैपेबल सिस्टम हैं—का बढ़ना सेमीकंडक्टर वैल्यू चेन को बदलने के लिए तैयार है।

हालांकि GPUs ने AI इंफ्रास्ट्रक्चर की शुरुआती लहर पर दबदबा बनाया है, लेकिन फोकस तेज़ी से CPUs और हाई-परफॉर्मेंस मेमोरी की ओर बढ़ रहा है।

इस बदलाव से साल 2030 तक CPUs के लिए $60 बिलियन तक का इंक्रीमेंटल टोटल एड्रेसेबल मार्केट (TAM) बनने की उम्मीद है।

यह बदलाव सिंपल जेनरेटिव AI और ऑटोनॉमस एजेंट्स के बीच बेसिक अंतर की वजह से है।

जहां GPUs मॉडल्स को ट्रेनिंग देने के लिए ज़रूरी हेवी पैरेलल प्रोसेसिंग में बेहतरीन हैं, वहीं एजेंटिक AI को वर्कफ़्लो मैनेज करने के लिए ज़रूरी सीरियल प्रोसेसिंग और कॉम्प्लेक्स लॉजिक हैंडलिंग की ज़रूरत होती है।

जैसे-जैसे AI एजेंट्स एक्शन के सीक्वेंस के बारे में "सोचना" शुरू करते हैं और अलग-अलग सॉफ्टवेयर टूल्स के साथ इंटरफेस करते हैं, सिस्टम एफिशिएंसी के लिए मज़बूत CPU परफॉर्मेंस की डिमांड एक बड़ी रुकावट बन जाती है।

 मेमोरी आर्किटेक्चर में भी बड़ा बदलाव होने वाला है क्योंकि ये ऑटोनॉमस सिस्टम ज़्यादा आम हो रहे हैं।

एजेंटिक AI को कॉन्टेक्स्ट बनाए रखने और रियल-टाइम फैसले लेने के लिए बहुत सारे डेटा तक तेज़ी से एक्सेस की ज़रूरत होती है, जिससे एडवांस्ड मेमोरी सॉल्यूशन पर ज़्यादा ज़ोर पड़ता है।

मॉर्गन स्टेनली का अंदाज़ा है कि ज़्यादा पावरफुल CPU और बढ़ी हुई मेमोरी कैपेसिटी के बीच तालमेल AI हार्डवेयर खर्च के अगले फेज़ के लिए प्राइमरी इंजन होगा।

मार्केट में यह बदलाव पारंपरिक प्रोसेसर की बड़ी कंपनियों और मेमोरी बनाने वालों के लिए एक बड़ा सहारा है, जो शुरू में "GPU गोल्ड रश" की वजह से पीछे रह गए थे।

जैसे-जैसे कंपनियाँ चैटबॉट के साथ एक्सपेरिमेंट करने से बिज़नेस ऑपरेशन के लिए ऑटोनॉमस एजेंट डिप्लॉय करने की ओर बढ़ रही हैं, हार्डवेयर की ज़रूरतें ज़्यादा बैलेंस्ड होती जा रही हैं।

रिपोर्ट बताती है कि AI डिप्लॉयमेंट का "रीज़निंग" फेज़ उन कोऑर्डिनेशन क्षमताओं पर बहुत ज़्यादा निर्भर करेगा जो सिर्फ़ एडवांस्ड CPU आर्किटेक्चर ही दे सकते हैं।

आखिरकार, नतीजों से पता चलता है कि सेमीकंडक्टर लैंडस्केप बड़े डायवर्सिफिकेशन के दौर में जा रहा है।

 हालांकि GPUs बड़े कम्प्यूटेशनल वर्कलोड के लिए ज़रूरी बने रहेंगे, लेकिन $60 बिलियन का यह बड़ा मौका डेटा सेंटर के "री-बैलेंसिंग" को दिखाता है।

इन्वेस्टर्स और टेक लीडर्स के लिए, यह बदलाव यह इशारा करता है कि AI इंफ्रास्ट्रक्चर का भविष्य उतना ही एडवांस्ड लॉजिक और मेमोरी मैनेजमेंट से तय होगा जितना कि रॉ ग्राफिकल प्रोसेसिंग पावर से।

మోర్గాన్ స్టాన్లీ: ఏజెంటిక్ ఏఐ, సీపీయూలు మరియు మెమరీకి 60 బిలియన్ డాలర్ల మేర ఊపునివ్వనుంది

మోర్గాన్ స్టాన్లీ వారి ఒక కొత్త నివేదిక ప్రకారం, స్వయంప్రతిపత్తితో ఆలోచించగల మరియు బహుళ-దశల పనులను పూర్తి చేయగల సామర్థ్యం ఉన్న "ఏజెంటిక్ ఏఐ" వ్యవస్థల పెరుగుదల, సెమీకండక్టర్ విలువ గొలుసును మార్చడానికి సిద్ధంగా ఉంది.

ఏఐ మౌలిక సదుపాయాల తొలి దశలో జీపీయూలు ఆధిపత్యం చెలాయించినప్పటికీ, ఇప్పుడు దృష్టి క్రమంగా సీపీయూలు మరియు అధిక-పనితీరు గల మెమరీ వైపు మళ్లుతోంది.

ఈ మార్పు వల్ల, 2030 సంవత్సరం నాటికి సీపీయూల కోసం అదనంగా 60 బిలియన్ డాలర్ల వరకు మొత్తం అందుబాటులో ఉన్న మార్కెట్ (TAM) ఏర్పడుతుందని అంచనా.

సాధారణ జనరేటివ్ ఏఐకి మరియు స్వయంప్రతిపత్తి గల ఏజెంట్లకు మధ్య ఉన్న ప్రాథమిక వ్యత్యాసమే ఈ మార్పుకు కారణం.

మోడళ్లకు శిక్షణ ఇవ్వడానికి అవసరమైన భారీ సమాంతర ప్రాసెసింగ్‌లో జీపీయూలు రాణిస్తుండగా, వర్క్‌ఫ్లోలను నిర్వహించడానికి ఏజెంటిక్ ఏఐకి గణనీయమైన సీరియల్ ప్రాసెసింగ్ మరియు సంక్లిష్టమైన లాజిక్ హ్యాండ్లింగ్ అవసరం.

ఏఐ ఏజెంట్లు వరుస చర్యల ద్వారా "ఆలోచించడం" మరియు వివిధ సాఫ్ట్‌వేర్ సాధనాలతో అనుసంధానం కావడం ప్రారంభించినప్పుడు, సిస్టమ్ సామర్థ్యానికి బలమైన సీపీయూ పనితీరు ఒక కీలకమైన అవరోధంగా మారుతుంది.

ఈ స్వయంప్రతిపత్తి గల వ్యవస్థలు మరింతగా విస్తరిస్తున్న కొద్దీ, మెమరీ ఆర్కిటెక్చర్ కూడా ఒక పెద్ద పరివర్తనకు గురికానుంది. 

ఏజెంటిక్ AIకి సందర్భాన్ని కొనసాగించడానికి మరియు నిజ-సమయ నిర్ణయాలను అమలు చేయడానికి, విస్తారమైన డేటాకు వేగవంతమైన ప్రాప్యత అవసరం. అందువల్ల, అధునాతన మెమరీ పరిష్కారాలకు అధిక ప్రాధాన్యత లభిస్తుంది.

మరింత శక్తివంతమైన CPUలు మరియు విస్తరించిన మెమరీ సామర్థ్యం మధ్య ఉండే సమన్వయమే, AI హార్డ్‌వేర్ వ్యయం యొక్క తదుపరి దశకు ప్రధాన చోదక శక్తిగా ఉంటుందని మోర్గాన్ స్టాన్లీ అంచనా వేస్తోంది.

ఈ మార్కెట్ పరిణామం, ప్రారంభంలో "GPU గోల్డ్ రష్" నీడలో మరుగునపడిన సాంప్రదాయ ప్రాసెసర్ దిగ్గజాలకు మరియు మెమరీ తయారీదారులకు ఒక ముఖ్యమైన సానుకూల వాతావరణాన్ని అందిస్తోంది.

సంస్థలు చాట్‌బాట్‌లతో ప్రయోగాలు చేయడం నుండి వ్యాపార కార్యకలాపాల కోసం స్వయంప్రతిపత్తి గల ఏజెంట్లను మోహరించడం వైపు పయనిస్తున్న కొద్దీ, హార్డ్‌వేర్ అవసరాలు మరింత సమతుల్యంగా మారుతున్నాయి.

AI మోహరింపు యొక్క "తార్కిక" దశ, కేవలం అధునాతన CPU ఆర్కిటెక్చర్‌లు మాత్రమే అందించగల సమన్వయ సామర్థ్యాలపై ఎక్కువగా ఆధారపడి ఉంటుందని నివేదిక సూచిస్తోంది.

అంతిమంగా, సెమీకండక్టర్ రంగం విస్తృత వైవిధ్యీకరణ దశలోకి ప్రవేశిస్తోందని ఈ పరిశోధనలు సూచిస్తున్నాయి.

భారీ గణన పనులకు GPUలు అత్యవసరం అయినప్పటికీ, అదనంగా లభించే $60 బిలియన్ల అవకాశం డేటా సెంటర్ యొక్క "పునఃసమతుల్యత"ను హైలైట్ చేస్తుంది.

 పెట్టుబడిదారులకు మరియు టెక్ నాయకులకు, ఈ మార్పు ఒక సంకేతాన్ని ఇస్తోంది: AI మౌలిక సదుపాయాల భవిష్యత్తు కేవలం ముడి గ్రాఫికల్ ప్రాసెసింగ్ శక్తిపైనే కాకుండా, అధునాతన తర్కం మరియు మెమరీ నిర్వహణపై కూడా ఆధారపడి ఉంటుంది.