涉及行业与公司 * 行业：人工智能（AI）基础设施、半导体设备（WFE）、内存（HBM/DRAM/NAND）、AI芯片设计、云计算（超大规模资本支出）[5][8][9][12][26] * 公司： * 超大规模资本支出方：Alphabet（谷歌）、Amazon、Meta、Microsoft [6] * 半导体制造与设计：TSMC（台积电）、Micron（美光）、Nvidia（英伟达）[8][12][15] * 半导体设备：ASML、BESI [21] * 新项目：Terafab（由Tesla和SpaceX合作）[8][20] * AI应用与代理：OpenAI（ChatGPT）、Anthropic（Claude）、OpenClaw [18][24] 核心观点与论据 1. AI资本支出（Capex）大幅上调，驱动半导体生态链增长 * 超大规模资本支出方（Hyperscaler）在2026年第一季财报后，2026年资本支出共识预期大幅上调约1500亿美元[5] * 图表显示，四大巨头（Alphabet、Amazon、Meta、Microsoft）2026年资本支出共识从财报前的约4800亿美元上调至约6210亿美元[6] * 半导体生态链公司纷纷上调资本支出或给出积极指引： * TSMC：将2026年资本支出指引上调至520-560亿美元，超出市场约500亿美元的预期，并预计未来3年资本支出将显著高于过去3年的1010亿美元[8] * Micron：将2026财年资本支出预期从200亿美元上调至250亿美元，主要用于洁净室产能扩张，并暗示增长势头将延续至2027年[8] * Nvidia：预期到2027年数据中心收入将超过1万亿美元，而2025-2026年期间为5000亿美元[8] * Terafab项目（Tesla & SpaceX）计划每年生产1太瓦（1，000 GW）算力，高盛估计每1GW数据中心产能对应约50-60亿美元资本支出，以及0.5-0.6亿美元的光刻设备需求[8][21] 2. 半导体设备（WFE）支出预测因内存需求强劲而上调 * 高盛美国半导体团队上调了晶圆厂设备（WFE）支出预测，主要受内存厂商在供需紧张环境下的产能扩张驱动[9] * 2026年WFE预测从1600亿美元上调至1740亿美元（增长9%），2027年预测从1320亿美元上调至1600亿美元（增长21%）[10] * 内存行业正进入强劲的设备投资周期，预计2026和2027年WFE增长均约为20%[27] * 具体内存WFE预测： * DRAM：2026年400亿美元（同比增长25%），2027年470亿美元（同比增长18%），2028年490亿美元（同比增长5%）[27] * NAND：2026年100亿美元（同比增长25%），2027年150亿美元（同比增长45%），2028年170亿美元（同比增长15%）[27] 3. AI加速器芯片与TSMC收入增长前景强劲 * AI加速器芯片收入预计将以中高个位数50%的复合年增长率（CAGR）增长至2029年[12] * 受AI加速器增长推动，TSMC将集团整体收入（以美元计）的CAGR指引从之前的20%上调至接近25%[15] * 图表展示了TSMC来自AI加速器的收入增长趋势，以及整体收入从2024年至2029年的增长路径[13][16] 4. AI应用多样化，代理（Agentic）AI与垂直用例兴起 * 生成式AI采用的关键用例：包括代码生成（谷歌>30%新代码使用AI）、内容推荐（Meta的FB/Instagram参与度提升7%/6%）、机器人手术（美国95%的特定癌症手术）、电影制作（AI用于演员减龄）等[18] * 代理（Agentic）AI的扩散：超越单次问答的大型语言模型，能够规划、执行和迭代多步骤任务，与工具/API交互，并保持记忆/上下文[24] * OpenClaw：增长最快的开源项目，作为“数字员工”执行端到端任务，早期用例偏向开发和技术工作流[24] * Claude：在法律/合规工作流（如合同审查）和财务分析（消化财报电话会议和宏观数据）中涌现垂直用例，其Claude Code产品在发布一年内达到10亿美元收入运行率[24] * GPT Agents：拥有9亿周活跃用户，成为全球最大的AI代理生态系统之一，具有广泛的横向用例[24] * 代理AI对资本支出的影响：代理工作流引入了迭代反馈循环和并行代理，显著增加了内存强度，并将AI从辅助性转向自主性，通过劳动力替代带来明确的投资回报率[24] 5. 内存（尤其是HBM）是AI发展的关键瓶颈 * 随着模型激增，内存带宽成为核心瓶颈，因为大语言模型需要在处理器和内存之间快速移动数据[27] * 高带宽内存（HBM）是AI计算的关键推动因素，可提供更高的带宽和电源效率，从而释放系统性能[27] * 供应持续紧张：HBM供应商今年已售罄，部分DRAM/NAND库存低至2-4周[27] * 洁净室可用性成为产能扩张的瓶颈，预计在2028年之前不会有大量供应上线[27] * 尽管个人电脑/智能手机需求今年预计下降约10%，但由于供应转向AI相关需求，内存价格仍在上涨[27] 6. 对欧洲AI赋能者（如ASML, Infineon）的积极影响 * ASML：被视为任何增量先进逻辑/内存需求的最大受益者，作为EUV工具的独家供应商，在逻辑和内存需求中均有显著敞口[21] * Infineon：凭借其广泛的硅（Si）、碳化硅（SiC）和氮化镓（GaN）功率半导体产品组合，有望从行业向更复杂电源解决方案的转型中受益，增加价值含量机会[21] 其他重要内容（风险与反驳） * 风险与缓解因素： * 成本过高风险：科技巨头等未来几年将在AI资本支出上花费超过1万亿美元[28]。 * 反驳论据：谷歌工程师因AI工具生产力提升约10%；微软在2026财年第一季度处理了约100万亿令牌，同比增长5倍，表明规模化企业应用并看到了切实的投资回报率[28]。 * 缺乏杀手级应用风险：不清楚AI的杀手级应用是什么[28]。 * 反驳论据：Meta因AI驱动的视频推荐使FB/Instagram使用时间增加7%/6%；模型正在生产环境中部署并创造价值[28]。 * 效率提升降低计算强度风险：模型效率提升（如DeepSeek）可能导致计算需求降低，AI需求增长可能不及预期；推理优化（如TurboQuant）降低了每次推理的内存和计算需求[28]。 * 反驳论据：更低的成本驱动更高的使用量，效率提升带来的单位成本下降可能导致总体消耗增加（杰文斯悖论），AI总计算需求仍将增长[28]。 * 幻觉/误用风险：不正确的AI预测或滥用可能损害声誉/采用[28]。 * 反驳论据：防护措施在进步（如RAG、微调、人类反馈、监管治理）；随着更高质量数据集的接入，AI系统的错误率有望持续降低[28]。 * 互联网泡沫类比风险：可能与互联网泡沫有相似之处[28]。 * 反驳论据：科技巨头资本充足、盈利且产生自由现金流，单位经济效益良好，需求可见；全球企业级采用表明AI正融入基础工作流[28]。