智能代理型AI的转变不仅关乎更强的原始性能，更关乎更高的协调性，CPU在决定AI系统运行效率方面日益关键。AI基础设施的下一阶段是全栈更智能的资源分配，其中CPU、代工厂、内存、基板和设备将成为瓶颈。

■ 智能代理型AI将竞争格局扩展至GPU之外，CPU成为多步骤工作流与系统编排的控制平面。

■ 我们预计到2030年，智能代理型工作负载将带来325亿至600亿美元的增量CPU总可寻市场（TAM），占服务器CPU总TAM（超1000亿美元）的一部分。

■ 内存成为关键的盈利环节，智能代理型AI将驱动2030年前26%至77%的增量DRAM需求。

供应受限的赋能者（代工厂、ABF基板、BMC、互连）将在系统复杂度上升时获得超额经济收益。

受益方遍布全栈与全球，涵盖CPU、内存、基板、基础设施IC及设备。

智能代理型AI标志着从计算向编排的根本性转变：尽管GPU需求依然强劲，但每次模型调用现在需要更多协调、内存与系统级计算，使AI支出范围从加速器扩展至CPU及整个基础设施栈。随着AI从生成转向自主行动，计算瓶颈正向CPU和内存转移，推动通用计算强度的质变。

量化增量CPU TAM：我们引入新框架以评估计算与内存领域的机遇。CPU侧编排可占总工作负载延迟的50%-90%，显著提升系统层面的CPU强度。我们估计到2030年，增量CPU TAM达325亿至600亿美元，占服务器CPU总TAM（超1000亿美元）的一部分，同时带来15至45EB的增量DRAM需求。

架构转变推动系统级内容增长：智能代理型工作负载需要以CPU为中心或混合架构来管理多步推理、工具执行与内存编排。集群层面的CPU与GPU比例上升，内存也从被动存储层演变为活跃系统组件，支持持久上下文与持续学习。因此，CPU、DRAM及更广泛的基础设施栈（包括代工厂、ABF基板与互连层）的内容结构化增长。

对主题的暴露程度：该机遇超越单个芯片，延伸至整个AI系统。这一转变的受益方为全球且全栈——详见图1。

图2：智能代理型AI中AI从“生成”转向“自主行动”

图3：AI从推理转向行动时，集群层面的CPU:GPU强度上升

图4：智能代理型AI可能带来325亿至600亿美元的CPU机会……

图6：随着工作流更加行动导向，智能代理型AI将延迟瓶颈从GPU转移到CPU

图5：……以及到2030年15至45EB的DRAM需求

图7：我们估计，仅因CPU TAM扩大，到2030年智能代理型AI可能带来5%-10%的增量ABF基板需求增长

摩根士丹利的框架指出，到2030年，智能代理型AI将带来325亿至600亿美元的增量CPU总可寻市场（TAM），占服务器CPU总TAM（825亿至1100亿美元）的一部分；

CPU侧处理可占智能代理型工作负载端到端延迟的约50%-90%；

AI驱动的ABF基板增长将加速至2030年复合年增长率17.9%

AI进入新阶段。第一波生成式AI由强大芯片主导，执行单一任务，如回答问题或生成文本。下一阶段——智能代理型AI——更进一步。这些系统能够规划、推理、记忆过往行为，并与工具交互完成多步任务。因此，AI的经济价值正从单一芯片转向支持这些代理的整个系统。至关重要的是，智能代理型AI并未降低GPU需求，而是增加了围绕它们的工作量。规划、协调任务、管理内存和调用外部工具都严重依赖CPU、内存、网络和存储。

在智能代理系统中，CPU侧处理可占总工作负载时间的50%-90%。随着系统规模扩大，基础设施平衡发生变化，集群层面的CPU与GPU强度比上升。这对行业需求有重大影响。我们估计，智能代理型AI可能在2030年前创造325亿至600亿美元的增量总可寻市场（TAM）用于编排型CPU，占数据中心CPU市场（825亿至1100亿美元）的一部分。持久内存需求同样重要：我们的分析表明，智能代理型工作负载可能在2030年前带来15至45艾字节（EB）的额外DRAM需求，相当于2027年年度DRAM供应量的26%-77%。

智能代理型AI的转变远超主流AI芯片，以下列出最具暴露度的股票。受益方包括CPU厂商、内存供应商、存储公司、先进封装与基板提供商，以及代工厂、设备制造商和服务器制造商。简言之，智能代理型AI拓宽了AI投资版图，将关注点从拥有最佳加速器转向使智能代理正常运作的完整系统。

· Aspeed · Renesas · Montage · WPG

• ASML · ASMi · AMAT · Besi · KLAC

· Tokyo Electron · Ulvac · Wonik

我们正从回答问题的AI转向采取行动的AI。AI不再只是模型变大，而是构建能够持续运行、更智能、更独立并可规模化运作的AI系统。如今的AI计算受限于内存带宽、数据传输、互连延迟和系统协调性，而非原始算力（GPU）。数据中心已不再是单一芯片（GPU），而是完整的集成堆栈（系统架构），每一层都旨在消除计算、内存与数据流之间的瓶颈。

AI竞赛正从静态模型演变为代理系统——自主、目标驱动的实体，能够规划、推理并行动，其中编排（CPU）与内存的概念成为智能本身的核心。这一趋势正日益转向对AI工厂全栈的控制——包括计算、网络、推理、编排和软件，而不再仅限于原始算力（GPU）。大型语言模型（LLM）在语言生成方面表现出色，但它们是被动工具，需要人工提示，缺乏对先前行为、用户历史或环境解读的持续感知。代理式AI改变了这一范式，实现自主编排、多代理协作和上下文回溯。它引入了跨时间、上下文和代理持久存在的记忆系统，从而实现连续性、学习与适应。

构建AI代理在逐步增加对CPU和内存的需求。尽管AI硬件仍以GPU为主导，但在以推理、决策和自主性为核心的代理式AI世界中，CPU的共存变得至关重要。代理式AI代表企业自动化的下一个前沿，是从大规模处理静态数据转向执行动态、多步骤任务的转变。这些不断增长的工作负载已成为当前CPU架构的瓶颈，推动企业工作负载和云架构重新思考如何平衡GPU投资（训练/推理）与专为推理任务设计的CPU。

现代AI突破不仅关乎算法，更在于支撑这些模型训练的惊人算力基础设施。理解这一架构对于了解大规模AI的实际运作机制至关重要。代理式AI由三个相互依赖的层级构成：1）大脑（LLM）、2）系统（编排）和3）知识（记忆）。

• 大脑（LLM）是负责语言理解、生成和复杂推理的GPU。它处理信息与动作。LLM利用记忆层检索相关上下文，并将新的观察结果和结论写回记忆层进行长期存储。

• 系统（编排）是作为控制中心的CPU，管理代理的工作流程，定义动作序列（如：计划 → 搜索 → 检索 → 推理 → 行动），并连接LLM与外部工具和API。它

在将记忆输入LLM或CPU之前进行管理。

• • 知识库是记忆，是代理的外部大脑，负责存储、组织、优先排序和检索所有长期知识，包括用户档案、过往互动、所学事实和内部状态。它独立于LLM和系统。

通往更强大、更自主代理的道路，要求我们在AI架构上进行根本性转变，其中专用的记忆层将成为下一代代理所依托的基础。

整个数据中心现在被视为一个单一的计算系统。在代理式AI工作负载中，CPU瓶颈占执行时间的绝大部分（高达90.6%），这凸显了采用整体式CPU-GPU协同优化方法的必要性。这是纯推理与代理编排之间的区别，其中CPU负责管理多步任务，而GPU专注于计算密集型推理。GPU处理令牌生成，CPU则在工具调用（API调用）、数据清洗和管理长上下文窗口方面日益关键。随着AI进入生产阶段——尤其是代理系统——CPU正成为控制平面，不再仅作为GPU的辅助组件。AI成为一个协调的实时引擎，而不仅仅是训练问题。CPU正在协调数千个并发进程，管理实时推理和工具使用，并确保庞大的GPU集群始终处于满负荷运行状态。

认知预判型AI代理的诞生。随着代理变得更加自主，其记忆必须从一个附加功能提升为独立的基础层，与大型语言模型（LLM）和编排框架分离。对于记忆而言，当前代理式AI的三层架构——记忆、检索、演化——将新增第四层“意图”层，使被动记忆回溯转变为积极主动的AI，基于累积记忆预测答案，主动提出建议并在任何查询前准备答案。

未来AI计算属于CPU与GPU协同工作的系统。NVIDIA GTC 2026更新的路线图是一个紧密编排的系统，涵盖GPU、CPU、LPUs、网络、存储、光学和机架级设计。Vera Rubin将于2026年下半年发布，Rubin Ultra和Kyber NVL144平台将于2027年下半年推出，Feynman代次将在2028年搭载新的Rosa CPU和LP40 LPU。未来平台高度依赖于计算、内存、网络、安全和互连的协同设计。该路线图不仅是关于未来的AI芯片，更是关于物理AI工厂自身如何演变。

优化与效率。对CPU硬件（如Arm）处理边缘AI工作负载能力的关注度上升。使用CPU进行预处理可让GPU专注于计算任务，减少空闲时间。如今，企业客户在使用GPU投资进行训练和推理的同时，还需平衡针对代理式工作负载的新CPU需求。总拥有成本的计算变得更为复杂。

为下一次AI迭代奠定了基础。NVIDIA正精准布局这一转变，其每一块硬件和设计都有各自的优劣势，取决于具体用途，且没有一种方案适用于所有场景。NVIDIA在GTC大会上推出了专为代理式AI设计的CPU处理器，标志着其在纯GPU主导地位之外的新增布局。NVIDIA和AMD近期均表示，随着AI工作负载向以推理为重点的代理应用转移，对CPU的需求空前高涨。

CPU与GPU比例的变化。早期Hopper AI服务器配置常被描述为一个CPU服务约12个GPU。然而，最近对NVIDIA Rubin的估算显示，这一比例接近1:2，部分Rubin Ultra的预测甚至达到2:1。即使从1:12到1:8的变化，在超大规模部署中也代表处理器需求的重大增长。这种数量级的提升可能迅速收紧市场，尤其是在所有主要CPU供应商都在争夺相同高价值数据中心机会的情况下。

NVIDIA与Arm进入专业化CPU产品领域，使其与英特尔和AMD等传统玩家在处理器市场形成更直接的竞争。设计具有竞争力的CPU架构需要不同于GPU的不同专业知识、制造工艺和市场策略。代理式AI所需的CPU架构要求与未为此类工作负载设计的传统服务器CPU不同。这些系统需要能高效处理长上下文窗口、在长时间推理链中保持状态，并快速在不同类型计算任务间切换的处理器。

• • Vera是一款AI CPU——专为代理式和强化学习工作负载设计。它是GPU集群的控制与编排平面，随着代理式AI规模扩大，这一角色变得极其复杂且需求巨大。在Vera Rubin NVL72平台中，Vera CPU通过NVLink-C2C与GPU配对，并紧密集成于NVIDIA的Rubin GPU中，实现计算层之间更快的数据传输——这对动态在CPU编排与GPU执行之间切换的工作负载至关重要。单个机架配备256个Vera CPU，现在可同时运行22,500个AI代理。NVIDIA今年首次进入独立CPU市场，并已宣布Meta和CoreWeave为首批客户。公司预计独立CPU业务将随时间发展至数十亿美元规模。

• AMD凭借Venice进一步拉大与竞争对手的差距。AMD在数据中心CPU市场占据领先地位，部分原因在于x86生态系统的竞争优势以及每核性能优于英特尔。我们预计这一优势将在2nm Venice上进一步扩大，该产品增加了新的AI数据类型和AI流水线支持，最多可达256核（相比Turin的192核）。由于Intel的Coral Rapids要到2028-2029年才推出，而Arm仍处于早期发展阶段，我们认为AMD在市场高速增长方向上的位置将更加有利。

• Arm刚刚发布了其首款量产数据中心CPU。对Arm而言，从赋能者转向竞争者是一次重大战略转型，此举大胆而有力。与Meta的合作显然降低了发布风险，并表明超大规模客户对更垂直整合、AI优化计算平台有强烈需求。他们自己的芯片、自己的服务器机柜，宣称单位机柜性能是英特尔和AMD x86平台的两倍。

• 英特尔的路线图仍聚焦于x86的渐进式改进，但越来越强调AI相关特性。Granite Rapids和Diamond Rapids旨在通过增加通道数和MRDIMM支持来提升内存带宽，同时集成如AMX等AI加速功能。然而，英特尔的方法仍以进化为主，集中于改进通用CPU的现有路线图，而非为代理式工作负载重新设计。我们预计随着SMT重新进入路线图，将在Coral Rapids中听到更多关于英特尔如何缩小与AMD性能差距的消息。这可能会限制其在某些高度专业化的AI系统中的竞争力，直到那时为止，尽管其生态系统和现有安装基础仍是显著优势。与NVIDIA合作开发兼容NVLink的CPU将是英特尔在主节点领域的重要机遇。

• 高通是新兴参与者，利用其定制的Arm-based Oryon核心瞄准节能型AI计算。其路线图建立在移动和边缘AI经验之上，具备性能功耗比和定制CPU设计的优势。然而，高通在数据中心市场仍处于早期阶段，与现有厂商相比，其生态系统和部署规模有限。其在代理式AI基础设施中的角色可能需较长时间才能发展，随着Arm-based采用率的提升而逐步显现。

• Qualcomm is an emerging participant, leveraging its custom Arm-based Oryon cores to target power-efficient AI compute. Its roadmap builds on mobile and edge AI experience, with strengths in performance-per-watt and custom CPU design. However, Qualcomm remains early in the data center market, with limited ecosystem and deployment scale compared to incumbents. Its role in agentic AI infrastructure is likely to develop over a longer time horizon as Arm-based adoption expands.

图11：Vera CPU芯片架构包含88个定制的Arm-based "Olympus"核心，每个核心可通过NVIDIA空间多线程技术运行两个任务，LPDDR5X内存提供高达1.2 TB/s的带宽，第二代可扩展一致性结构支持多租户性能

在CPU供应链中，我们对内存、晶圆厂、基板、CPU与内存接口以及MLCC/CPU插座持乐观态度，这些领域均受益于内容增长、定价权以及2026年下半年和2027年面临显著产能约束，根据我们的渠道调研。以下是我们覆盖的全球公司名单，这些公司在这些领域有暴露，并将在全球视角部分进行更详细讨论。

• • 美国半导体。代理式AI驱动的CPU需求结构性地有利于AMD在云市场份额的增长，但我们更倾向于通过AI赋能者（NVIDIA、Micron）进行暴露，因为token增长和资本支出更直接转化为盈利增长。

• 美国半导体设备。计算和CPU TAM的增长推动了WFE需求的增量，DRAM及先进逻辑（<5nm/2nm）产能扩张支持了AMAT和KLA等设备公司的上行空间。

• 美国硬件。AI代理的普及是HDD需求的结构性利好，因为持久存储是捕捉不断增长的上下文、历史和系统级数据所必需的，约80%的云数据仍驻留在磁盘上。我们预计HDD需求将持续强劲（约30% EB CAGR），供应紧张将支持“更强更久”的定价背景，有利于希捷和西部数据。

• 欧洲半导体。Arm在代理式AI带来的增量CPU TAM中处于有利地位，得益于其低功耗指令集架构和新的AGI CPU设计；同时，更广泛的欧洲半导体（ASML）、EDA（Synopsys、Cadence）和模拟（STMicro）也受益于计算强度和设计复杂性的上升。

• 韩国科技。尽管我们继续认为三星和SK海力士是关键

• 大中华半导体。CPU总市场容量（TAM）上升，越来越多被台积电（约70-75%份额）捕获，得益于AMD、英伟达和潜在的英特尔在先进制程节点（2nm/3nm）上的迁移。对基于Arm的CPU的强劲需求将为GUC带来增量上行空间，其已在谷歌和微软平台获得设计胜出。Egis正通过基于Arm的CPU和芯片小片开发布局AI/HPC设计服务，而Aspeed则因更高的CPU服务器部署及BMC附加率提升和ASP上涨而受益。Montage则受益于每台服务器内存内容的结构性增长，更高的CPU和DRAM密度推动了对内存互连解决方案的需求。

• 大中华硬件。更高的CPU需求有利于服务器供应链，包括ABF基板（Unimicron）、PCB（GCE）、MLCC（Yageo）以及CPU插槽/连接器（FIT, Lotes）。在系统端，Wiwynn和联想从超大规模数据中心更强的一般服务器需求中获益。此外，代理型AI推动了更高功率和先进半导体设备的需求，这有助于Bizlink的电源互连和子系统组装业务，以及Hiwin和AirTAC的工厂自动化组件（如线性导轨、滚珠丝杠、气动元件）。

• 日本半导体。CPU复杂度增加和内存扩展推动了对先进半导体设备（东京电子、Ulvac）和内存接口解决方案的需求，使瑞萨成为更高DRAM带宽/容量要求的受益者。代理型AI也支持NAND需求（Kioxia），并扩大了日本半导体公司在数据中心领域的整体暴露。日益增长的AI驱动封装复杂性为Nittobo和MEC创造了增量上行空间，因为更高的ABF基板需求、更大的封装尺寸和更高的层数结构化地收紧了低CTE材料和粘合解决方案的供应。

• 日本硬件。代理型AI推动了对可靠电源交付和高性能组件的需求，使MLCC、电感器、BBU和ABF基板（村田、TDK、Ibiden）受益。更高的CPU/GPU强度也支持存储（NL HDD）和嵌入式组件的下一代封装。

代理型AI的兴起是一个长期的基础设施主题——且是全球性的。尽管部署由美国超大规模数据中心主导，但价值创造在全球范围内分布于CPU、内存、基板、代工厂和设备领域，亚洲在供应端至关重要，而欧洲在工业和基础设施赋能方面处于有利地位。在本节中，我们重点突出各地区和行业对广泛代理型AI主题的股票敞口。

AMD在云端代理驱动的CPU工作负载增长中处于有利位置。随着AI将服务器市场增长推高，这应给AMD带来超额收益。在超越英特尔成为x86云端份额领先者后，我们认为增量业务大多属于AMD，因为英特尔在持续供应限制和弱产品组合下难以交付产品。只要市场仍处于供不应求状态，英特尔应会看到积极顺风；但在捕捉云端对CPU需求持续增长的结构性持久顺风方面，我们认为AMD更具优势。

然而，我们对代理型AI增长的敞口偏好是那些在云计算支出放缓预期中定价的AI领导者——英伟达、博通、美光、SanDisk。虽然CPU是接触新代理型AI工作负载最清晰的故事，但我们认为英特尔（代工）和AMD（GPU）的股价表现还受到其他因素影响更大，因此我们对两者持等权重。我们更倾向于通过AI工作负载的关键赋能者来暴露于代理型AI，因为更多的代理意味着更多的token，而更多的token意味着更多的处理器需求。随着代理型AI工作负载的兴奋情绪涌现，超大规模数据中心的AI资本开支很可能继续上升，我们更倾向于通过英伟达和内存股（分别对应FY27e市盈率18倍和5-9倍）而非CPU（英特尔和AMD市盈率23-64倍）来暴露于这一主题。

更多计算意味着更多WFE。当半导体生产能力成为智能扩展的制约因素时，WFE将继续看到显著的向上修正，涵盖DRAM/NAND和逻辑。短期内，DRAM支出的拐点最为明显，这正是我们偏爱AMAT的原因。

我们预计代理型AI的好处将广泛存在，但更大的CPU TAM尤其可能超出2027年的当前预期。我们目前对2026年的预测是WFE支出增长23%至1430亿美元，由DRAM和代工逻辑引领；2027年增长27%，其中代工逻辑WFE从2026年15%的增长加速至28%。CPU TAM的增长可能转化为对<5nm节点更激进的产能扩张，特别是在英特尔和台积电的2nm节点。我们已指出这两个领域代表了KLA的独特顺风。

代理型AI的普及是HDD需求的结构性顺风。知识——代理型AI的三大核心支柱之一——依赖持久的数据存储来捕捉先前动作、用户历史和环境上下文。虽然这一动态有利于内存（闪存），但也支持HDD需求，因为约80%的云数据仍保留在磁盘上。尽管尚不确定代理型AI将如何实质性改变长期HDD艾字节（EB）增长轨迹，但新兴应用，包括代理型AI、自动驾驶和生产优化，正日益成为HDD需求的增量驱动因素。

我们重申“更长时期更强”的HDD论点，STX和WDC均处于有利位置。我们最近的调研显示，HDD行业单位产出可能比年初预期高出低至中个位数；然而，这一上行已被加速的超大规模数据中心需求所吸收。因此，我们仍预计2026年行业短缺约200EB（约占市场的10%），到2027年扩大至约250EB。通过代理型AI实现的更大自动化增加了计算强度，扩大了数据生成，并最终推动了增量存储需求。因此，我们预计HDD EB年复合增长率至少将跟踪长期数据生成增长率约30%，如果新兴应用证明是增量驱动，则供需失衡可能比预期持续更久。在我们看来，这一背景仍支持在理性寡头行业格局下的HDD定价。

Arm的AGI CPU处于这一机遇的有利位置。我们认为Arm是大型新CPU市场的首要受益者，这体现在其最近推出的芯片设计Arm AGI CPU（参见我们的笔记此处和此处）。这款3nm、由台积电代工的芯片专注于能效、单线程计算以及性能设计，以处理大多数代理任务并具备可扩展性。Arm基于RISC的指令集架构（ISA）及其多年来的高效CPU核心设计，使其能够直接从这一大市场中获益。

新市场。我们认为Arm向无晶圆芯片设计商的转型时机恰当，战略理由坚实。

欧洲半导体设备行业将从更大的CPU TAM中受益，因为更高的计算强度推动了先进节点上更高的层数和晶圆厂设备需求。在此背景下，ASML仍是关键瓶颈，因为增量CPU驱动的需求转化为光刻强度。我们强调这可能推动我们外年设备估计的边际上行。ASML也因其对随设备复杂度增加而扩大的先进沉积步骤的暴露而处于有利地位，这些步骤在先进节点上至关重要。此外，我们认为VAT Group是更高工艺强度和工具复杂度的关键受益者，真空阀作为沉积和刻蚀步骤中的使能组件；不过估值让我们保持等权重。在前端之外，Besi是CPU TAM增长的直接受益者，因为加速器需求增加推动了先进封装技术的采用。向芯片小片架构和异构集成的转变增加了对混合键合解决方案的需求，支持每芯片更高的封装强度。

模拟器件是计算需求增加的间接受益者。我们看到代理型系统具有多步骤工作流的发展可能带来外年数据中心估算的上行空间。CPU的大幅增长将反过来需要新的电源架构。虽然我们认为量化这一机会尚早，但这表明对英飞凌和意法半导体的外年数据中心收入估算存在上行空间。

我们还认为EDA领域存在潜在增量上行空间，因为CPU和加速器复杂度增加推动了更高的设计强度，尤其是在先进节点和芯片小片架构中。我们认为这可能暗示Cadence和Synopsys在验证和仿真等领域的工具采用率提升带来的额外增长；尽管我们对Synopsys持等权重，等待安赛斯整合后的盈利能力可见性。

做AI事情需要更多DRAM，而不是思考AI事情（HBM）。内存周期现在越来越由代理型推理的快速转变定义，OpenClaw正在加速这一进程。在代理型AI工作负载中，瓶颈正越来越多地转向CPU和内存层次结构，因为代理型AI将GPU生成的内容转化为行动。市场往往线性思考，但智能层（代理、推理）呈指数增长，其中内存成为最难的AI芯片瓶颈。

计算需求倍增，内存成为AI代理基础设施的架构优先事项。内存赋予我们上下文，因为AI代理需要跨对话的持久内存、用于编排和推理的异构计算，以及用于代理间通信的低延迟网络。它们依赖于分层架构，包括：1）短期工作内存的临时缓存；2）活跃事件的热存储，有利于DRAM；3）归档的冷存储，有利于HDD和NAND。存储需求远超生成式AI。

我们认为2027年将是可持续内存回报的证明之年。从这里看，对股票而言重要的是LTA协议何时开始定价、周期上行的持续性、FCF回报的可持续性、HBM份额以及可持续利润率相对于未来6个月近期内存商品价格（盈利）前景的位置——根据我们的核查，两者都可能更高。对于ABF基板，我们预计全年价格上涨，认为不再关乎竞争，而是公司能赚多少和卖多少。我们更青睐DDR5 DRAM和NAND闪存（三星、SK海力士）更高的定价权，ABF基板（三星电子机械）以及通过SPE（Wonik IPS）的资本开支利好，而非下游硬件面对的利润率压力。

台积电是主要的CPU代工厂商。我们预测代工CPU TAM将在2026年达到近330亿美元，2028年达到370亿美元。在该TAM中，我们估计台积电作为主要代工厂，2026年市场份额可达约70%，并在2028年继续增长至75%，其CPU所处的节点也将持续迁移，如同GPU和ASIC。例如，AMD（Venice）和英伟达（Vera）即将推出的服务器CPU将采用台积电的2nm和3nm先进制程，较前代仅迁移一个节点。我们还预计英特尔将于2027年下半年将其服务器CPU生产外包给台积电，因为它在服务器/数据中心CPU领域面临来自AMD的激烈竞争，而台积电则更能提供高质量的服务器CPU生产及时上市。

强劲的基于Arm的CPU需求可能从2026年起为GUC带来利好。在我们对大中华半导体的覆盖中，GUC的CPU需求收入占比最高。我们最近的行业调研显示，基于Arm的CPU在推理和通用服务器需求方面甚至更强，包括谷歌CPU。GUC还帮助微软的Cobalt 200 CPU，一款专为微软云定制的Arm架构设计。GUC管理层表示，它已从主要客户那里获得了下一代Arm架构CPU的设计胜出，包括谷歌CPU和微软Cobalt CPU。

Egis正定位自己为新兴的AI/HPC设计服务供应商，中期将增加对CPU和ASIC机会的暴露。我们认为其从传统指纹业务的战略转型正开始取得进展，得益于对InPsytech的投资和对Alcor Micro约20%的股份。这些举措扩展了其在CPU平台开发和异构计算方面的能力。特别是参与Arm的全面设计联盟和持续招聘，表明其明确意图抓住与AI和HPC工作负载相关的长期ASIC设计机会。尽管如此，由于缺乏近期大规模项目胜出的可见性，我们仍持等权重，新CPU平台的商业化时间表延伸至2027年。

Aspeed凭借其主导的BMC品牌，是代理型AI中CPU强度上升的关键受益者。随着更多编排密集型工作负载导致CPU需求增加，服务器管理与控制功能的需求也应成比例扩大，直接惠及Aspeed的BMC产品组合。凭借在CPU服务器BMC市场约70%的份额和强大的客户基础，包括Meta、AWS、阿里巴巴和微软等主要超大规模数据中心，Aspeed已做好把握这一增长的准备。我们预计其下一代AST2700平台将进一步带来上行空间，不仅支持在戴尔和谷歌等新增客户中获得份额，还通过规格升级带来40-50%的ASP提升。

蒙特奇科技凭借其在内存互连芯片领域的领先地位，受益于CPU和内存内容的周期性回升。随着代理型AI推动每台服务器的DRAM容量增加并加速技术迁移，对内存接口解决方案的需求将显著提升。蒙特奇在全球市场占有率约为36.8%，是这一趋势的关键受益者，得益于其技术领先优势以及与云客户的强劲合作关系。我们预计，云计算资本开支增长（2025-27年复合年增长率约30%）以及内存复杂度上升，将结构性地提升每台服务器的互连内容，从而持续驱动其超预期表现。

我们认为，由于Unimicron是Intel、AMD、NVIDIA数据中心CPU基板的关键供应商，因此将从代理型AI带来的CPU需求增长中获益。NYPCB也将受益，因为更多服务器将带来更高的网络需求，而NYPCB是Broadcom关键的ABF基板供应商。GCE同样是更高CPU服务器需求的明确受益者，因为它为大多数主要ODM生产服务器主控板PCB，其约70%的收入来自服务器（包括ASIC服务器）。

在我们的下游组件覆盖范围内，FIT和Lotes也显现出作为CPU受益者的潜力，因为它们是Intel和AMD的主要CPU插座供应商，拥有主导供应份额，并且还将从PCIe和DRAM连接器等外围应用中获得暴露；然而，Lotes当前估值对我们而言吸引力不足，因此维持中性评级。

我们还认为，Yageo将受益于被动元件总市场空间的扩大，包括MLCC、电阻器、电感器和钽电容器。作为涵盖所有这些被动元件的综合解决方案供应商，它是我们在大中华区覆盖范围内的关键被动元件受益者之一。

在我们的ODM/OEM覆盖范围内，我们认为Wiwynn从不断上升的CPU/通用服务器需求中获益最多，因为它为Microsoft、Meta和Amazon提供关键的通用服务器ODM服务。联想也应从更高的通用服务器需求中受益，因为它为Microsoft和Oracle提供关键供应；但鉴于其PC业务的成本压力，我们对联想维持中性评级。

对于硬件组件，我们认为Bizlink将从代理型AI的普及中受益，因为对更先进半导体设备资本支出的需求增加，将带动对其电源互连件和子系统组装件的需求，这些产品供应给Lam Research、KLA、Applied Materials、ASML等主要客户。此外，半导体设备资本支出的改善也对工厂自动化组件供应商如Hiwin和AirTAC构成利好，因为它们提供的线性导轨、滚珠丝杠、机器人系统、气动组件等广泛应用于各类设备中。

散热解决方案供应商如AVC和Auras将从对先进冷却方案（如热管、汽化腔和液冷组件）需求增加中受益，以应对不断上升的CPU/通用服务器需求。然而，由于目前对VR平台的暴露尚不清晰，我们对Auras维持中性评级。与此同时，数据中心层面的功耗上升，也支持了电源供应商如Delta和Lite-On的更强增长，因为它们也是顶级超大规模厂商通用服务器的主要供应商。鉴于Lite-On在其传统PC/IT业务面临压力，我们对其维持中性评级。

作为Delta和Lite-On，它们也是顶级超大规模厂商通用服务器的主要供应商。鉴于Lite-On在其传统PC/IT业务面临压力，我们对其维持中性评级。

日本半导体设备行业将进一步从不断上升的CPU需求中受益。设备复杂性的增加将推动对先进制程设备的增量需求。从客户结构来看，尽管东京电子通常被视为存储芯片相关企业，但它在逻辑芯片领域占有较高份额，并且在Intel的客户结构中占比显著（三年前曾是TEL的中高位客户）。若Intel资本开支因更强的CPU需求而复苏，将使TEL成为潜在的份额增长者。此外，Ulvac的MHM工具已在Intel获得稳固采用，这将为Ulvac的盈利前景带来增量积极影响，尽管相较于同行，我们仍认为其中期增长前景较低，维持中性评级。

Renesas通过其对CPU和DRAM面向的内存接口的暴露，有望成为代理型AI转型的受益者。内存接口器件如寄存器时钟驱动器（RCDs）和数据缓冲器，通过重新驱动时钟、命令、地址和数据信号，显著提升信号完整性，从而实现整个内存子系统的速度和容量扩展。随着代理型AI要求每台服务器具备更高的DRAM容量，且DRAM技术迁移加速，对内存接口器件的需求将显著增加。

我们估计，数据中心销售约占2025年第四季度营收的15%，其中50–60%归因于内存接口销售。我们还估计，内存接口业务的毛利率远高于工业、基础设施和物联网部门的整体毛利率（61%）。因此，内存接口销售的增长也将有助于公司整体盈利能力的提升。

我们还预计，KIOXIA将从代理型AI转型中受益。代理型AI所引用的数据库和文档（如RAG检索增强生成中使用的）需要高密度、高性能的SSD。该公司已开发出采用其第八代BiCS FLASH 2Tb QLC芯片的SSD，并按计划于2025年底交付122TB和245TB型号供客户验证。其目标是在2026年开始批量出货。

Nittobo供应用于半导体封装基板的低CTE玻璃布。代理型AI作为新终端市场出现，将推动对先进半导体封装基板的增量需求。尽管近期新进入者已增加低CTE玻璃布产能，但我们预计供需状况仍将紧张，因为AI相关应用带来的增量需求将新增结构性增长层。同时，ABF基板尺寸增大及布线层数增加的趋势，也将为MEC的CZ系列粘附促进剂提供需求推力。CZ系列通过化学方式改性铜布线层表面，以增强与绝缘树脂层的粘附性。由于其在确保金属与树脂结合材料可靠性的关键作用，这些材料具有不同的热膨胀系数，CZ系列已在下一代封装基板中确立主导地位，并成为不可或缺的材料。

在下一代封装基板中，CZ系列已确立主导地位，并成为不可或缺的材料。

我们预计，代理型AI的转变将提升主要日本电子元件制造商的盈利水平，因为这将推动对高度耐用且可靠的电子元件的更大需求。系统需要稳定可靠的电源供给至CPU和GPU，这预计将显著增加对以下几类产品的需求数量：

• 能在高温条件下保持稳定性能的MLCC和功率电感器；

• 垂直式供电系统；以及

• 用于电池备份单元（BBUs）的锂离子电池（LiB）。

• 在NL HDD方面，我们预计需求将持续增长，因其提供低成本且稳定的存储解决方案。

对于ABF封装基板，我们预计不仅因基板尺寸增大和层数增加而需求上升，还因嵌入MLCC和电感器于基板内部以确保向CPU和GPU稳定供电的基板需求上升。

我们预计，Murata Manufacturing（6981.T）将在现有稳定且高盈利基础上进一步扩张，其驱动力来自：(1) 高容积、高耐久性MLCC——公司在该领域占据全球领先地位——以及高可靠性功率电感器的销售增长；(2) 垂直集成电源系统，其量产发货预计将于2027财年第三季度启动；以及(3) 用于BBUs的锂离子电池。

我们还预计，TDK将在中长期从以下方面的销售增长中受益：(1) 功率电感器，公司在该领域占据全球领先地位；(2) 用于BBUs的锂离子电池；以及(3) HDD磁头和悬架业务。

我们预计Ibiden将继续扩大其盈利规模，受益于对高附加值ABF封装基板需求的上升。它似乎正与Murata Manufacturing及其他合作伙伴合作，开发并量产嵌入MLCC和电感器的ABF封装基板。通过整合ABF封装基板、MLCC和电感器的先进技术，我们认为Ibiden能够稳定供应极具竞争力的产品。然而，我们注意到近期内表现可能不及市场过高的预期——主要受T-Glass和CCL等材料采购限制的影响——市场共识可能下调，因此维持减持评级。

代理型AI引入多步骤编排——规划、检索、调用工具、执行、迭代——提升了集群的CPU:GPU强度，并将增量支出转向CPU。我们的分析表明，到2030年，服务器CPU总市场空间将新增325亿至600亿美元，占总市场空间超过1000亿美元。

我们认为，代理型AI将通过增加更多编排、内存和工具使用工作，提高AI系统中的CPU与GPU比例。这不会减少GPU需求，但会增加整体系统复杂性，并将增量基础设施支出转向CPU、网络和内存。在此环境下，优势不再在于拥有加速器，而在于掌控系统架构。

最初的生成式AI浪潮以GPU为中心的模型服务为主，控制平面开销较轻。代理型推理引入了多步骤工作流（规划、检索、调用工具、执行、迭代），对持久内存和外部工具/API依赖性更强，且编排复杂度更高（详见我们最近的Arm报告）。

综上所述，每个用户请求的工作量增加，且CPU、内存和网络强度高于第一阶段生成式AI。

在节点头部层面，我们预计变化有限。GPU服务器应继续保持加速器密集状态，配套CPU（如Grace、Vera）主要作为主机和编排层。

但在集群层面，我们预计将出现额外的CPU密集型基础设施。随着代理型工作负载的扩展，有效CPU/GPU比率应显著上升。

两大驱动因素支撑这一趋势：

• 多步骤工作流。代理型系统超越单次推理调用。它们增加了分支逻辑和对延迟敏感的控制流（规划、路由、工具调用），这些自然运行在CPU上。

• 经济性。随着GPU变得越来越昂贵，将其用于编排效率降低。激励是让GPU专注于令牌生成，将非LLM任务推至CPU。

我们认为，代理型推理在传统数据中心CPU之外创造了新的CPU TAM，由编排、工具使用和内存服务驱动。我们估计，到2030年，这一增量TAM约为325亿至600亿美元，占数据中心CPU市场的1000亿美元以上（与近期Arm管理层言论一致，链接）。换句话说，代理型驱动的CPU机会可能接近传统CPU市场的规模。

我们使用Mercury Research的数据估算2025年CPU服务器TAM为240亿美元。Mercury Research预测2030年TAM为454亿美元；然而，我们的自上而下市场估算表明，这一数据未考虑代理型AI的增量潜力，因为仅头部节点CPU TAM的估算就暗示了500亿美元的TAM。

图19：自2018年以来，服务器CPU TAM在收入和单位层面基本持平，但我们看到新的代理型风向将带来可持续增长。

作为自上而下的锚点，我们采用摩根士丹利对全球AI数据中心基础设施销售额在2030年达到约1.2万亿美元（2025年约为2420亿美元）的预测，涵盖GPU、ASIC和CPU。关键转变在于，CPU的角色从“主机处理器”扩展为控制平面、编排和数据引擎计算。

我们将CPU TAM分为三个部分：头部节点CPU、编排CPU和其他支持性CPU。

这些 CPU 与 GPU 系统（机架控制层）相连，通常与加速平台紧密耦合。它们托管 GPU 集群（例如 NVL72 或 TPU Pod），并运行调度、分发和 KV 缓存协调功能。

在推导主节点 CPU 的 TAM 时，我们认为到 2030 年全球基础设施销售额达到 1.2 万亿美元的估计意味着将部署约 500 万颗 AI 加速器。基于每颗 GPU 配备两颗高端 CPU 的假设，这表明总共需要 1000 万颗 CPU。如果这些是下一代 CPU（超越 Vera），且每颗 CPU 使用 100 到 150 个核心，则我们估算每颗 CPU 的平均售价（ASP）为 5000 美元以上。综合来看，这暗示到 2030 年总 TAM 约为 500 亿美元。

这是由代理工作流带来的增量 TAM。它涵盖：

• 代理运行时（规划）；

• 工具/API 链接（代码执行、浏览器代理）；

• 检索（以及 RAG 流水线）；

• 内存服务（KV 缓存、向量数据库）；以及

• 调度（策略、安全、可观测性）。

这一类别在代理型 AI 出现之前并不存在大规模应用。

我们假设 CPU 与 GPU 的数量比例随代理复杂度上升而增加。我们预计每颗 GPU 额外增加 2 至 3 个 CPU 密集型节点。这意味着到 2030 年，将有 1000 万至 1500 万颗核心数更高的 CPU。Arm AGI CPU 为 136 核，因此我们预计到 2030 年核心数将达到 200 至 300。定价方面，混合使用超大规模厂商的 Arm CPU（Graviton/Axion/Cobalt）和通用 CPU（AMD/Intel/Arm）。这暗示到 2030 年 ASP 为 3000 美元。综合计算，按总 CPU 单位数量乘以 ASP，这表明到 2030 年协调 CPU 的 TAM 为 300 亿至 450 亿美元。

此部分包括 AI 基础设施中其他位置使用的 CPU，例如存储节点（SSD 密集型集群）和某些网络节点。

假设每颗 GPU 额外配备 1 至 2 颗 CPU，这意味着将有 500 万至 1000 万颗 CPU。由于其 ASP 低于协调层级，我们采用 500 至 1500 美元的范围。这表明 TAM 为 25 亿至 150 亿美元。

我们对三个类别——主节点 CPU、协调 CPU 和其他 CPU——的估算表明，到 2030 年 CPU 的 TAM 将达到 825 亿至 1100 亿美元。

图 20：我们估计到 2030 年 CPU 的 TAM 将达到 825 亿至 1100 亿美元

我们可能低估了该市场的规模。NVIDIA 曾表示，AI 数据中心基础设施销售额到 2030 年将达到 3 万亿至 5 万亿美元。如果属实，这将显著高于我们对 CPU TAM 的估算。

如果我们假设全球 AI 数据中心基础设施销售额在 2030 年达到 3 万亿美元，这将意味着 2030 年将有 1250 万颗 AI 加速器。在这种情况下，我们对 CPU TAM 的下限估算为 2063 亿美元，上限估算为 2750 亿美元。

如果我们假设全球 AI 数据中心基础设施销售额在 2030 年达到 5 万亿美元，这将意味着 2030 年将有 2100 万颗 AI 加速器。在这种情况下，我们对 CPU TAM 的下限估算为 3440 亿美元，上限估算为 4580 亿美元。

图 21：假设全球 AI 数据中心基础设施销售额在 2030 年达到 3 万亿美元，我们估计 CPU TAM 为 2060 亿至 2750 亿美元

图 22：假设全球 AI 数据中心基础设施销售额在 2030 年达到 5 万亿美元，我们估计 CPU TAM 为 3440 亿至 4580 亿美元

“AI 真正的突破不在于更好的推理，而在于持久记忆，”OpenAI 联合创始人兼首席执行官萨姆·阿尔特曼

代理型 AI 将系统从被动聊天机器人转变为积极主动、多步骤的代理，但其持续性取决于记忆而非模型本身。持久记忆使跨时间的连续性、推理和改进成为可能。这推动了基础设施需求的根本性转变：我们估计到 2030 年将产生 15 至 45EB 的增量 DRAM 需求，由 1000 万至 1500 万颗增量协调 CPU 支持，每颗 CPU 配备约 1.5 至 3TB DRAM，相当于 2027 年 DRAM 行业供应量的 26% 至 77%。

代理的未来在于更优的推理与更优的记忆。代理时代已经到来，但记忆时代才刚刚开始。将 AI 从被动响应者转变为积极代理，仅靠巧妙提示无法实现，关键使能技术是记忆——这一次，记忆不再是附加项，而是决定哪些代理真正能够持续存在的核心层。代理型 AI 将分散的信息转化为互联智能，使每一次互动或洞察都能融入一个持续学习的生态系统。

竞争优势正在转向上下文，因为基础模型的性能逐渐趋同。一个聊天机器人就像单任务的副驾驶，而一个代理则更像自动驾驶系统，管理多步骤工作流且无需过多监督。为了有效运作，这些 AI 代理还需要记忆来跨会话保持上下文、安全凭证以与外部系统交互，以及持久的代理档案以记住用户。AI 代理依赖于记忆、偏好、文档、语气和任务历史来高效运行，收集的上下文越多，个性化程度越高。因此，在我们看来，真正的竞争优势来源于上下文，而非模型性能。

代理型 AI 不仅执行任务，还记得、推理并不断改进。在代理型 AI 系统中，记忆并非仅仅记住一次对话，而是使行为保持一致、可执行且经济上可扩展的机制。代理必须主动管理其记忆，确保最相关的信息被学习，这需要比简单历史记录更复杂的系统。记忆使代理具备意识，记住事实、偏好、计划、过往互动、世界状态和长期学习成果。但正如人类有选择地记住重要细节而让琐碎信息淡忘一样，AI 代理也需要聪明的策略来记住重要的内容，遗忘无用的部分。因此，记忆基础设施是一个多层次的检索与推理系统，而不仅仅是数据的存储与检索。

根本限制。语言模型具有固定的上下文窗口，一旦对话超出该窗口，旧内容就会丢失。然而，这对一个在多个会话中处理大型代码库的编码代理来说是个问题。

一个生产级代码库可能包含数千个文件、复杂的相互依赖关系以及数周或数月前做出但仍影响今日决策的决定。一个每次启动新会话就忘记所有内容的代理对于严肃工作几乎毫无用处。此外，还有其他实时关切的问题：

• 记住对话早期所做的决定；

• 理解已被修改文件的当前状态；以及

• 在无需用户逐一指明每个相关文件的情况下找到相关代码。

记忆使代理能够访问随时间发生的情况，而不仅仅是关于世界的真实情况。解决所有这些问题需要分层记忆解决方案，以实现持久记忆、短期导向和检索的结合。

代理倍增效应。代理型 AI 随时间积累知识，将一个代理的知识传递给其他通用代理或专业代理（知识不再孤立存在）。多代理系统由一系列代理组成，其中有一个协调代理，共同构成一种 AI 团队。协调代理负责理解复杂查询，并将工作流委派给其他代理，从而实现多步骤、多系统的查询。在与人类协作中，人类在升级、理解重大模糊性和创造性思维方面至关重要，多代理系统正成为数字优先劳动力的核心组成部分。

根本解决方案——持久记忆。在代理系统中，记忆不能是事后考虑的，因为根本问题不是提示质量（LLM），而是缺乏设计好的记忆层。在现实应用中，代理被期望：1）持续运行，2）服务多个用户，3）跨多个代理和任务进行协调，4）从过去互动中学习而不破坏未来行为。在这些环境中，记忆不再只是上下文，而成为长期状态、共享知识和行为基础。当系统能够保留、理解和组织其过往经验时，便获得了思想的连续性——而思想的连续性催生了解决方案。没有记忆，就没有持续思考，也没有真正的前瞻性。赋予 AI 自我决定感，意味着赋予它时间感、情境意识、对行动及其后果的更好控制。

持久记忆提升了输出质量，减少了冗余，并允许模型专注于其 token 预算，从而创建深思熟虑的生产就绪 UI，而不是重建上下文。代理不仅消耗记忆，还不断优化它。记忆塑造未来行为，而不仅仅是持久化状态。这是从执行任务的代理向持续改进的代理的转变。未来，记忆系统的复杂程度将定义 AI 代理的竞争能力。

代理型 AI 通过两种方式改变了内存 TAM：它提高了每请求的有效上下文，同时增加了每 AI 机架的 CPU 侧内存配置量。因此，边际内存需求从热 HBM 逐步转向主机 DRAM 和机架 SSD，这些地方保留的上下文、中间状态和温暖 KV 与 CPU 最接近。

采用自上而下的 TAM 模型，锚定在（i）与代理型 AI 相关的增量 CPU 出货量，以及（ii）代理角色下更高的服务器 DRAM 配置，我们估计代理型 AI 可能在 2030 年带来 15 至 45EB 的增量 DRAM 需求（尚未考虑企业 SSD、网络、边缘设备和 CXL 基础内存扩展带来的额外增长）。

采用自上而下的 TAM 模型，锚定在（i）与代理型 AI 相关的增量 CPU 出货量，以及（ii）代理角色下更高的服务器 DRAM 配置，我们估计代理型 AI 可能在 2030 年带来 15 至 45EB 的增量 DRAM 需求（尚未考虑企业 SSD、网络、边缘设备和 CXL 基础内存扩展带来的额外增长）。

代理型 AI 引入了更多中间状态和围绕 GPU 的更多“内存足迹”。两个机制最为关键：

• 代理并发性和工具 I/O 推动更大的 CPU 侧工作集（更多并行代理、更多缓存结果、更多进行中的上下文）。最近的佐治亚理工学院研究指出，CPU 侧的协调/工具处理是延迟的主要贡献因素，并将吞吐量瓶颈与 CPU 因素及 GPU 主内存容量/带宽联系起来。

• 上下文窗口和 KV 缓存管理越来越多地迫使系统将 DRAM 视为 HBM 的功能性扩展。vLLM 明确描述了一种 KV 缓存卸载功能，专门针对将缓存卸载到 CPU 内存（DRAM）以提高推理吞吐量并管理内存压力。NVIDIA 的 Rubin/Vera 平台资料进一步说明了 CPU-GPU 内存协同技术，如 KV 缓存卸载和多模型执行效率——实际上将 LPDDR/DDR 转变为 AI 服务的活跃层级。随着领先模型推进至约 100 万 token 的上下文窗口，这种相关性日益增强，机械上扩大了缓存/状态需求。

我们估算由代理型 AI 协调工作负载驱动的 2030 年增量 DRAM 位需求，重点关注 CPU 附带的内存。我们的框架有意简化且参数化：

= （增量协调 CPU 出货量） × （每 CPU 平均 DRAM）

• 增量 CPU 出货量：我们从 CPU TAM 分析中推导出增量协调 CPU 需求：基准情景为 1000 万单位，乐观情景为 1500 万单位。这些代表专门为代理型 AI 协调工作负载部署的增量服务器 CPU 插槽。

• 每 CPU（插槽）的 DRAM 容量：我们基于近期平台披露和架构趋势设定假设，例如 NVIDIA 的面向代理的 Vera CPU 平台可扩展至每 CPU 最高 1.5TB（每机架最高 400TB）。AMD 的 EPYC 9005 架构概述强调，平台容量可通过 CXL 显著扩展（示例：概念上最大内存容量为 8TB，即 6TB DDR + 2TB CXL）。虽然 x86 平台可扩展至每插槽多 TB（4-8TB+），但这反映了最大容量配置。对于代理型 AI 协调工作负载，我们预期混合使用：高容量 x86 系统（内存密集型协调、数据库）和更注重带宽的架构（例如 NVIDIA

基于LPDDR的系统。因此，我们假设在基准情景下每CPU内容为1.5TB，在乐观情景下为每CPU 3TB。

图23：我们预计增量DRAM需求将在2027年占供应量的26%-77%。

图24：主要AI CPU的DRAM规格

ABF基板正处于一个由人工智能驱动的强劲上升周期初期，将持续至本十年末，并支持更快的增长、定价能力以及利润率扩张。这一周期在结构上比以往由PC驱动的周期更强且更可持续，2025-2028年有望实现持续盈利增长。我们预计ABF需求将明显转向AI，到2030年，GPU、CPU、ASIC和网络芯片将占终端需求的75%以上。我们预测ABF价值增长将在2025-2030年间加速至16.1%的复合年增长率。首选投资标的为Unimicron、三星电子机械和南亚电路板。

由人工智能驱动的ABF基板上升周期将持续至本世纪末，推动增长加速并扩大利润率。在未来几个季度，我们预计ABF基板供应商将向最终客户提高价格以反映更高的成本；进入2027年后，我们认为可能因ABF基板产能短缺而进一步提价。股票已开始上涨，但这一周期将更强且更可持续——推动估值扩张。这一由人工智能驱动的周期在结构上截然不同且更为强劲，预计将推动2025-2028年显著的盈利增长。我们推荐的投资标的为Unimicron、三星电子机械和南亚电路板，最不看好的是Ibiden，这主要归因于估值过高或盈利预期过热。详见我们近期发布的ABF基板报告。

图25：进入智能体AI时代：ABF基板市场总可寻址市场规模随AI增长

在接下来五年中，随着需求向AI转移，ABF基板价值增长将加速。根据我们的自下而上分析，我们预计ABF基板将在本十年末前处于上升周期，行业供不应求将从2026年底至2027年开始显现。曾经以PC为主导的市场——2015年PC占比约70%——正在发生显著需求转变，根据我们的估计，到2030年，与AI相关的应用（GPU、ASIC、服务器CPU、网络等）将占据终端市场的75%以上。随着智能体AI带来的增量需求以及CPU总可寻址市场规模扩大，我们估计这将使ABF基板价值在2025-2030年间以17.9%的复合年增长率加速增长（若不考虑增量CPU TAM，则为16.1%），而2020-2025年仅为9.0%。

随着智能体AI和CPU TAM在2030年前增加1000万至1500万单位，这将导致服务器CPU ABF基板市场规模在2030年达到约47亿美元。实际上，由于需要更多网络需求来连接所有这些CPU，市场潜力可能略高。但仅服务器CPU ABF基板带来的约12亿美元增量需求，就相当于整体ABF基板总可寻址市场规模5%-10%的上行空间，其他条件不变。

对于ABF基板市场而言，如果没有新增产能，扩大的CPU TAM将加剧供需缺口。在我们二月份提出的场景中（详见此处），我们估计2030年供需缺口约为7%，但若2030年前CPU TAM增加1000万至1500万单位，这一缺口将扩大至约15%，这是一个显著差异，将推动所有ABF基板供应商的价格和利润率进一步提升。

图26：人工智能时代ABF基板市场增长更强

图27：我们估计，智能体AI可能仅通过扩大的CPU TAM就在2030年带来5%-10%的ABF基板需求增量

智能体AI的关键驱动因素。我们认为，需求主要由数据中心使用的CPU、GPU、ASIC和网络芯片支撑。由于计算需求增加，我们相信这些半导体的需求将在未来几年内增长或保持高位。

• 对于服务器CPU，通用计算和存储计算的需求与整体AI需求高度相关。因此，我们也预测服务器CPU需求将在未来几年上升。2015年，服务器CPU仅占ABF基板总需求的约10%，但我们估计其在2024年已增长至约37%，并在2030年占总ABF基板市场的约24%，仍是最大应用领域。

• 对于数据中心GPU单元——主要是英伟达GPU——我们预测AI GPU单元在FY26（2026年2月至2027年1月）将同比增长48%，并在FY27再增长2%。我们没有更远期的预测，但在后续年份采取保守模型，估计市场需求将保持高位但趋于平稳。

• 对于AI ASIC，短期内内部设计芯片的需求强劲，因此我们预计单位数量将在本十年剩余时间持续增长——我们还持续看到来自Meta、微软、Open AI、中国等的需求上升，尽管目前需求较小，但我们已纳入未来几年的一些增长预期。

• 最后，对于网络芯片，我们认为其与计算需求高度相关。随着GPU需求保持高位且ASIC出货量增长，我们相信网络芯片需求在未来几年将继续增长。

图28：终端应用的ABF基板需求，2015-2030年预测

图29：ABF需求由服务器、AI GPU、AI ASIC及网络相关ABF主导

更大的封装尺寸和更高的层数也是需求的助推因素。半导体电路规模和功能性的增加，已通过提升半导体晶片集成度和封装基板安装技术来应对。由于半导体晶片集成度和先进制程技术提升导致成本性能恶化，采用包含多个晶片的芯粒（chiplets）并置于同一封装基板上已成为提升整体半导体性能的必要手段。

背后的原因是，一旦多个功能被集成到单一半导体晶片中，晶片尺寸扩大，制造复杂性和成本上升。密切观察的在单个封装基板上安装多个半导体元件并提升整体半导体性能的方法包括：

• 3D——半导体晶片垂直堆叠，以及

• 2.5D——半导体元件通过封装基板上的硅或有机中介层连接。

更大的基板尺寸和更高的层数尤为明显，这是由于需要更多的电气连接以在AI加速器晶片和HBM内存堆栈之间传输数据、控制信号和电源。这一向更大基板尺寸和更高层数发展的趋势十分清晰，且短期内似乎不会逆转。因此，若考虑到基板尺寸和层数的增长，ABF基板需求的增长速度将快于单位增长。

图30：近期内ABF基板趋势指向更大的基板尺寸和更高的层数

This is another component that will benefit meaningfully from an enlarge CPU TAM, because every server CPU is accompanied by a CPU socket. Today, the server CPU market is mainly dominated by 3-4 suppliers, and we believe the enlarged server CPU TAM will mainly benefit FIT and Lotes under our coverage. We estimate FIT has around 40% global server CPU socket supply share, and Lotes ~35%.

On our estimates, every 1m CPU unit upside would drive 0.6% revenue upside to Lotes and 0.2% revenue upside to FIT, purely from increased sockets supplied; a 10-15m CPU unit upside would result in ~7% revenue upside to Lotes and ~2% revenue upside to FIT. However, we believe the revenue upside to these two companies should be even higher, because an enlarged CPU TAM means more general servers, DRAM connectors, more PCIe connectors, and other connectors and cables, all of which Lotes and FIT have exposure to. So we believe the overall revenue opportunity and upside to Lotes and FIT should be higher.

Exhibit 31: Every 1m CPU demand upside would imply 0.5% CPU socket revenue upside to Lotes

Source: Morgan Stanley Research estimates

Exhibit 33: Every 1m CPU demand upside would imply 0.2% CPU socket revenue upside to FIT

Source: Morgan Stanley Research estimates

Exhibit 35: We estimate FIT has ~40% global server CPU supplier share and Lotes ~35%

Exhibit 32: ...and 10-15m CPU unit upside would drive ~7% CPU socket revenue upside to Lotes

Source: Morgan Stanley Research estimates

Source: Morgan Stanley Research estimates

Exhibit 34: 10-15m CPU unit upside would drive ~2% CPU socket revenue upside to FIT

Source: Morgan Stanley Research estimates

MLCC and passive components are also placed in general servers everywhere, so an enlarged server CPU TAM would drive upside to MLCC and other passive component demand. Different server specifications have different layouts of passive components and different volume and value content, so it is also extremely hard to quantify the content. But for simplicity's sake, we estimate ~$30 MLCC content per general server, which houses on average 2x CPUs today. This was quantified in a report we published in 2024 (Global Technology: MLCC – Quantifying the Cloud & Edge AI Opportunity), where we quantified the MLCC market for different end segments.

In that report, we sized the general server MLCC TAM at $400-500m. This year, we estimate the total MLCC market globally is ~$15-16bn and, by 2030, we think it will reach ~$20bn (assuming it remains at 5% CAGR from here on out). This would imply that a 10-15m CPU unit demand upside by 2030 would drive incremental ~$500m MLCC value demand, or 2-3% upside to the overall MLCC market globally by 2030.

For Yageo specifically, we estimate that every $ \sim $1m CPU demand upside would result in 0.1% revenue upside, and a 10-15m CPU unit upside would result in a 1-2% revenue upside to Yageo, all else equal. However, Yageo also has exposure to inductors, resistors and tantalum capacitors, which are also all present in general servers, so the overall revenue upside should be higher.

Exhibit 36: Every 1m CPU demand upside would imply 0.1% MLCC revenue upside to Yageo

Exhibit 37: 10-15m CPU unit upside would drive 1-2% MLCC revenue upside to Yageo

Source: Morgan Stanley Research estimates

Source: Morgan Stanley Research estimates

The CPU plays a critical role in enabling agentic AI, serving as the central coordinator that executes instructions, manages system resources, and ensures reliable, real-time decision-making. While specialized hardware like GPUs and accelerators handle large-scale parallel computations, the CPU orchestrates the overall workflow – handling task scheduling, memory management, I/O operations, and the logic that underpins autonomous behavior. In agentic AI systems, which require continuous perception, reasoning and action, the CPU is essential for low-latency control loops, system stability, and integration across diverse components.

Therefore, we have been seeing strong server CPU demand since 2025, then with another jump in 2026. Besides server CPU demand, we have also seen the demand rebound for a few models of client CPU, such as Apple Mac Mini, to support the edge AI demand. As the result, we are forecasting overall CPU TAM for foundry to reach nearly $33bn in 2026 and then to $37bn by 2028. Within the TAM, we see TSMC, serving as the major foundry, as likely to reach around 70% of the market share in 2026 and continuing to grow to 75% in 2028 with the nodes for those CPU also continuing to migrate, like GPU and ASIC. For example, the forthcoming server CPU from AMD (Venice) and NVIDIA (Vera) are adopting TSMC's leading-edge 2nm and 3nm process, both one node migration from prior generation.

Lastly, we expect Intel will outsource its server CPU production to TSMC by 2H27, as it is facing fierce competition from AMD in the server/data center CPU space, whereas TSMC is more available to provide better time-to-market of its server CPU production with high-quality chips (suggesting better CPU performance).

Exhibit 38: Foundry addressable market size for CPUs

Exhibit 39: TSMC's market share in overall CPU manufacturing

Source: Company data, Morgan Stanley Research estimates (e)

TSMC's market share in overall CPU manufacturing

Source: Company data, Morgan Stanley Research estimates (e)

Source: Company data, Morgan Stanley Research estimates

Exhibit 41: TSMC revenue contribution from Arm-based CPU

Source: Company data, Morgan Stanley Research estimates

Within our Greater China Semiconductor coverage, GUC has the highest revenue mix from the CPU demand. In our January notes Benefiting from Google TPU/CPU demand upside and Stronger demand from automotive chips and Arm-based CPUs, we highlighted GUC's 2026 revenue upside from strong Google CPU demand. Our recent industry checks suggest that inference and general server demand for Arm-based CPUs is even stronger, including Google CPU. We now forecast Google CPU shipments to grow to 1.5mn units in 2026 (vs. 0.8mn units previously), which could contribute $1.2bn of revenue to GUC, or >50% of its 2026 revenue. Our checks also suggest that gross margin could also be 1-2ppts better than our previous anticipation of 5% given the better order scale at TSMC.

In the meantime, we note that GUC also helps with the Cobalt 200 CPU for Microsoft, an Arm-based design tailored for Microsoft Cloud. Our checks also indicate strong demand for Cobalt at >1mn units in 2027 and onwards. We therefore forecast $500-600mn revenue contribution from this in 2027-28.

Lastly, GUC management noted that it has secured next-gen Arm-based CPU design wins from its major customers, including both Google CPU and Microsoft Cobalt CPU. We therefore believe GUC can benefit from this agentic AI or inferencing demand at least until 2028.

Exhibit 42: GUC: Major customer breakdown

Source: Company data, Morgan Stanley Research estimates (e); Y/Y = year on year

Within our Greater China semiconductor coverage, among other design service vendors, Egis is working on diversifying into the AI and HPC supply chain. The company has made several investments into non-fingerprint business in the past few years, and these are now coming to fruition. We believe the two most important are its acquisition of InPsytech and a ~20% stake in Alcor Micro (not covered) (Exhibit 43). Egis has also expanded its staff and joined Arm's total design alliance with the aim of winning long-term ASIC business opportunities.

Alcor provides an Arm-based CPU platform, with two cores connected by UCI-E named Mobius 100 (Exhibit 44), which have been developed and built internally within the Egis alliance instead of licensing from a third party. According to Alcor, Mobius 100 could also provide heterogeneous chiplets (CPU with AI Acc/GPU/NPD). We think this could be suitable for neocloud or supercomputing clients outside of the US, given the ongoing data center buildout there (Exhibit 46), according to our supply chain checks. Alcor previously announced the timeline for its Arm-based CPU Mobius 100, with tape-out in 2Q26 and mass production in 4Q27. We are Equal-weight on Egis, however, as we are still waiting for future project wins.

Exhibit 43: Egis: Organizational structure

Source: Company data, Morgan Stanley Research

Exhibit 44: Alcor Arm-based CPU Mobius 100 (CCS V3) with CSA compliance

图45：Mobius 100规格摘要：单芯片与双芯片配置对比

6 × CCG，64B CXS 接口

图46：云服务提供商持续推进欧洲数据中心建设计划

基板管理集成电路（BMC）是服务器主板上的关键组件，用于实现对服务器固件系统的远程控制并维持数据中心的稳定性。此前，Aspeed指出，通用服务器和AI ASIC服务器在超大规模厂商的资本支出中表现出更高的效率（图47）。因此，随着CPU在推动代理型AI方面发挥关键作用，作为执行指令、管理资源并确保可靠实时决策的核心协调器，我们预计未来几年对CPU/通用服务器的需求增长将进一步提升Aspeed的BMC收入。

目前，Aspeed在CPU服务器BMC市场占有约70%的份额，主要客户包括Meta、AWS、阿里巴巴和微软等美国及中国超大规模厂商。然而，随着其向新一代BMC产品AST2700迁移，我们预计其将在戴尔和谷歌等客户中进一步扩大市场份额，这将有助于其收入增长，因为规格迁移同时带来40%-50%的ASP提升。

图47：通用服务器和AI ASIC服务器对BMC的资本支出效率最高

来源：公司数据，摩根士丹利研究。注：资本支出效率定义为每单位BMC需求所对应的服务器支出金额。资本支出效率越低，对Aspeed越有利。

Aspeed最近宣布，其BMC总可寻址市场（TAM）从2030年的4650万单位上调至6577万单位，主要由与AI相关的通用服务器需求驱动，我们认为代理型AI将是背后的主要驱动力。通用服务器增长预计在2025-2030年保持稳定，年均增速6%；而与AI相关的通用服务器占比预计为：(1) 2026年占总通用服务器需求的25%，(2) 2027年达45%，(3) 2028-2030年期间维持在20%（图48）。

在订单可见性方面，客户已开始提供相当于其单月收入7-8倍的预测。尽管Aspeed无法实现双重预订，但当前发货量远超客户需求。据公司表示，客户还预计2027年产能将翻倍。

● 我们认为，代理型AI工作负载和简单推理任务将带来巨大的AI相关通用服务器需求。

● 预计2030年BMC TAM将达到6577万单位。

注：1）通用服务器的BMC将按6%的复合年增长率增长。

2）2026年AI相关通用服务器的BMC预计为850万单位，2027年增长率为45%，此后保持20%。

3）2026年GPU服务器和AI ASIC服务器的BMC基于GPU和AI ASIC出货量及服务器架构估算。

4）假设GPU服务器的BMC在2027年增长45%，之后每年增长20%。我们也将ICMS的BMC包含在内。

5）假设AI ASIC服务器的BMC在2027年增长45%，之后每年增长20%。

通过整个ASPEED产品组合提供抗量子攻击的OCP Caliptra安全方案。

超级周期：Montage通过其主要内存互连业务成为云资本支出的代理。全球范围内，云资本支出行业预计在2025-2027年仍将以30%的复合年增长率保持高位，我们估计这得益于顶级云服务提供商的持续投资。从2025年下半年开始的内存超级周期也表明，每台通用服务器的内存接口内容增加。我们认为强劲的云/内存周期将加速技术迁移，这对技术领先者Montage是利好。截至2024年，该公司在全球内存互连芯片市场的营收份额为36.8%，位居第二的是Rambus（36.0%），第三是Renesas（20.5%）。Montage一直是该领域的主导者，并持续保持相对于竞争对手的技术优势。截至2025年，Montage的内存互连收入约为Rambus产品收入的1.7倍。

图50：不同类型的内存模块中内存互连芯片的应用与部署

来源：Frost & Sullivan。注：UDIMM：无缓冲双列直插内存模块；(2) CUDIMM：时钟无缓冲双列直插内存模块；(3) SODIMM：小型双列直插内存模块；(4) CSODIMM：时钟小型双列直插内存模块；(5) CAMM：压缩附加内存模块；(6) LPCAMM：低功耗压缩附加内存模块。

图51：内存互连芯片市场规模（按收入计），按产品类型划分，2020-2030年预测

来源：Frost & Sullivan（E = 估算）

我们对传统内存领域持谨慎态度：旧的内存超级周期始于DDR4。我们在2025年3月将Winbond上调至超配（链接），并在同年6月指出DDR超级周期（链接）。NOR和MLC NAND紧随其后，自2025年Q4起（链接）。旧的内存超级周期持续时间介于9个月至1.5年之间，略短于主流周期，因其市场规模较小。

DDR4——供需差距缩小：在供应端，Winbond表示2026年比特出货量同比增长100%（链接），而三星在2026年第二季度的DDR4出货量环比持平（备注）。此外，我们认为PSMC将在DDR4生产中引入1y甚至1z工艺，可能从2027年上半年开始投产。在需求端，3C产品需求持续萎缩。我们现预计2026年下半年供不应求情况将收窄至<20%，低于此前预期。进入2027年，CXMT可能新增10kwpm的DDR4产能（在其现有8kwpm基础上），以满足中国本地强劲需求，这可能对DDR4价格造成压力。CXMT在上海的DDR5（Gen4B）产能扩张也将在2027年加速。

传统闪存——可能是下一个DDR4：我们认为MLC和传统TLC NAND在下半年可能面临更严重的短缺，供不应求可能达到约40%。2GB至64GB NAND的全球产能几乎已消失。客户库存通常仅能覆盖接下来的6-9个月。Macronix是唯一能够填补缺口的供应商。我们预计MLC和传统TLC价格将从2026年第一季度到第四季度上涨超过200%。

有何变化？我们根据最新的渠道检查数据，更新了2026年ASP假设。由于大多数供应商正在与关键客户就3-5年长期协议（LTAs）进行谈判，这些协议为价格趋势提供了下行保护，因此我们预计价格将在2027年全年保持高位，而此前模型假设价格将在2H27开始下降。对于2028年，我们对DRAM/NAND ASP的年同比模型分别为-19%和-23%，反映了我们对产能何时跟上的谨慎看法。

因此，我们对SK海力士2026-28年的EPS预测分别上调24%、37%和78%，并将基于剩余收益的目标价上调31%至1,700,000韩元，相当于我们估计的2027年4倍市盈率，较当前股价有约50%的潜在上涨空间。我们将乐观情景估值上调61%至2,580,000韩元，反映更强的盈利增长势头，而悲观情景估值维持在400,000韩元不变，因为我们假设更弱的宏观条件可能减缓数据中心增长。

有何变化？我们根据最新的渠道检查数据，更新了2026年ASP假设。由于大多数供应商正在与关键客户就3-5年长期协议（LTAs）进行谈判，这些协议为价格趋势提供了下行保护，因此我们预计价格将在2027年全年保持高位，而此前模型假设价格将在2H27开始下降。对于2028年，我们对DRAM/NAND ASP的年同比模型为-14%，反映了我们对产能何时跟上的谨慎看法。

因此，我们对三星电子2026-28年的EPS预测分别上调45%、74%和121%，并将基于剩余收益的目标价上调44%至362,000韩元，相当于我们估计的2027年5倍市盈率，较当前股价有68%的潜在上涨空间。我们将乐观情景估值上调34%至430,000韩元，反映更强的盈利增长势头，同时将悲观情景目标价上调18%至120,000韩元，因为我们假设更弱的宏观条件可能减缓数据中心增长。

对于三星电子优先股，我们现在应用20%的折扣（基于过去两年平均），相较于之前15%的折扣（基于过去十年平均）。变化的原因是，大多数新的AI和存储细分领域的ETF/篮子产品仅包含普通股，导致结构性差异更大。我们更新后的目标价为289,600韩元，乐观和悲观估值分别为344,000韩元和96,000韩元。

有何变化？我们因更强的AI MLCC组合以及IT MLCC从此前低谷中复苏，将SEMCO MLCC利润率假设从中期两位数提升至中期高位两位数，覆盖2026-28年。由于行业整体紧张带来的更强ASP，我们将ABF收入增长率提升至2026-27年约50%水平，而在2028年，随着新产能投产，我们模型中的ABF收入增长率设定为57%。由于定价改善，我们将ABF 2026-28年利润率假设从中期20%提升至低位30%。因此，我们的2026-28年EPS预测分别上调0%、19%和31%。

随着MLCC和ABF对AI的敞口增加，市场倾向于在结构性利好下重新评估股票。因此，之前的周期峰值估值参考不再适用于SEMCO，我们已将方法论从剩余收益与P/B方法的平均值改为仅使用RI，以反映公司的内在价值。

我们将基于剩余收益的目标价上调42%至710,000韩元，相当于我们估计的2027年4倍市净率，约5%的潜在上行空间。这一变化反映了我们的盈利上调和更高的市净率倍数，鉴于SEMCO更强的增长前景。尽管我们乐观情景估值上调38%至730,000韩元，反映更强的盈利增长势头，但悲观情景仅上调9%至200,000韩元，因为我们假设MLCC本地化趋势加剧，更多中国供应商竞争导致定价压力上升。

2026年受AI支持的强劲商品超级周期

我们的基准情景目标价来自剩余收益估值模型。我们假设股权成本为11.5%（5%无风险利率，6.5%风险溢价，1.0贝塔）和3%的终值增长率。

■ 2026年及2027年，商品周期预计将保持强劲，我们认为这得益于AI推理需求的增长。

■ 我们认为现在不是从表现优异者如SK海力士中撤出的时候。

■ 我们的目标价暗示2027年预期市盈率为约4倍，与该股商品周期峰值一致。

我们看到DRAM和NAND的超预期商品周期，由AI推理需求推动，延续至2027年。我们的乐观情景估值暗示HBM贡献部分为14倍市盈率，商品内存部分为5倍市盈率，基于2027年预期EPS。

我们看到DRAM和NAND的超预期商品周期，由2026年及2027年AI推理需求推动。HBM竞争风险依然存在，但市场正日益认识到这一点。我们的目标价暗示2027年预期市盈率为3.8倍，由海力士在HBM领域的领导地位以及商品内存价格的急剧反弹支撑。

我们假设2026年AI计算消化期，导致HBM板块出现更激进的利润率侵蚀，原因包括竞争对手激进的产能扩张和定价竞争，以及需求恢复疲软导致DRAM价格更快下跌。在长期悲观情景假设中，我们假设HBM板块因竞争加剧而出现利润率侵蚀。我们的悲观情景估值暗示2026年预期市净率为1.3倍。

• DRAM和NAND的供需展望

• 数据中心产品（服务器DRAM，企业SSD）的全球需求

• 提前生产削减或中断

• 资本回报显著增加

• 终端需求比预期更弱

• DDR5竞争加剧，导致供应方过度支出。

• 云服务和中国智能手机客户的库存仍处于高位。

HBM改善 + 商品周期回升 = 股票重估

我们的基准价格目标基于剩余收入估值模型。在我们的价格目标下，2027年预期市净率约为2倍，与该股商品周期峰值的2.0倍一致。我们假设股权成本为11.5%，基于贝塔值1.0，终端增长率为3%。

■ 我们预计价格将远超历史均值回归水平，按每吉比特计价，这将为2026-27年的预测带来进一步增量利好。由于AI推理需求，商品周期好于预期。

■ 价格上涨、库存下降，加上供应削减和需求改善，对内存业务利润率恢复是积极因素。

■ 我们价格目标下的2027年预期市净率为2倍，与该股商品周期峰值的2.0倍一致。

高性能计算推动持续内存定价强劲及资本回报超出预期：我们假设内存和OLED需求持续强劲增长，宏观经济环境稳定，且中国未能成功进入内存半导体行业。我们的乐观情景估值基于14倍HBM、5倍传统内存和10倍P/E（集团其余部分盈利能力）。

我们预计有利的商品定价趋势将有利于三星股价表现，随着HBM市场份额提升和新产品执行进展顺利。我们的基准情景反映了今年HBM进展相对保守的看法，但2026年及以后的逐季改善支持三星盈利增长和股票重估，当前预期较低。2027年预期市净率约为2倍。

长期消费放缓与中国竞争：疲弱的宏观条件阻碍了近期全球IT产品消费。中国竞争扰乱了OLED和内存盈利能力。我们还假设服务器内容需求下滑，伴随数据中心增长放缓。2026年DRAM和NAND平均售价涨幅低于预期。我们的悲观情景估值为2026年预期市净率1.1倍，接近历史低点。

• 内存和OLED供需前景

• 智能手机市场份额和利润率

• 新技术发展，尤其是在内存和可折叠显示屏领域

• 由AI和超大规模数据中心增长带来的更持久内存上行周期

• 产品与内存周期，包括苹果及新中式智能手机竞争

• 半导体盈利增长集中

增持，普通股折价缩小

我们对优先股的价格目标基于对普通股的价格目标，并假设优先股相对于普通股折价20%，依据过去两年的平均水平。我们假设股权成本为11.5%，基于贝塔值1.0，终端增长率为3%。

■ 我们预计价格将远超历史均值回归水平，按每吉比特计价，这将为2026-27年的预测带来进一步增量利好。由于AI推理需求，商品周期好于预期。

■ 价格上涨、库存下降，加上供应削减和需求改善，对内存业务利润率恢复是积极因素。

普通股的2027年预期市盈率为5倍。我们假设优先股相对于普通股的折价为20%（过去两年平均值）。

普通股乐观情景价值的20%折价

高性能计算推动持续内存定价强劲及资本回报超出预期：我们假设内存和OLED需求持续强劲增长，宏观经济环境稳定，且中国未能成功进入内存半导体行业。

普通股基准情景价值的20%折价

我们预计有利的商品定价趋势将有利于三星股价表现，随着HBM市场份额提升和新产品执行进展顺利。我们的基准情景反映了对商品周期上行和股票重估的乐观看法，LTA可能有助于平滑内存行业的周期性。

普通股悲观情景价值的20%折价

长期消费放缓与中国竞争：疲弱的宏观条件阻碍了近期全球IT产品消费。中国竞争扰乱了OLED和内存盈利能力。我们还假设服务器内容需求下滑，伴随数据中心增长放缓。2026/2027年DRAM和NAND平均售价涨幅低于预期。

• 内存和OLED供需前景

• 智能手机市场份额和利润率

• 新技术发展，尤其是在内存和可折叠显示屏领域

• 由AI和超大规模数据中心增长带来的更持久内存上行周期

• 进一步缩小与普通股的折价

• 产品与内存周期，包括苹果及新中式智能手机竞争

• 半导体盈利增长集中

• 折价加深

注：该指标缺乏足够券商提供共识数据

双重AI机遇 – ABF与MLCC

我们的基准价格目标基于剩余收入估值模型。我们采用10.5%的股权成本（贝塔值1.0，股权风险溢价6.5%，无风险利率4%）和5%的终端增长率。我们的基准年份为2026年，预测期为2026-2035年。

■ 我们看到SEMCO运营状况长期改善——多层核心ABF产能被ASIC客户售罄，AI在MLCC中渗透加速，推动复杂度上升带来的显著内容增长。

■ 随着AI计算机遇以及从2026年下半年开始的周期性复苏前景，基于当前展望，盈利预期似乎明显滞后。

■ 我们认为股价将反映EPS估算修订的加速。

☑ NTM市净率低于其周期中值，表明在盈利基础上仍有估值提升空间。

■ 我们的价格目标暗示2027年预期市净率为4.0倍。

主要美国云服务提供商的ABF机会推动显著内容增长，我们预计未来ASIC内容和出货量将继续超过预期。客户多元化至非移动公司也降低了盈利波动性并提升了盈利能力。我们的乐观情景暗示2027年预期市净率达到历史峰值4.1倍。我们认为这一溢价得到了我们所认为的行业动态前所未有的超级周期的支持。

我们看到SEMCO未来有多个催化剂，包括在ASIC芯片胜出中的大型ABF机会和自由现金流拐点。尽管股价已上涨，但我们对通过ABF基板定制硅机会的长期信心已大幅增强。

MLCC本土化趋势加剧，更多中国供应商竞争导致定价压力增加。基板业务在疲弱宏观气候和低迷终端需求下仍显疲软。中国智能手机需求放缓，叠加美国加征关税引发的地缘政治紧张/宏观经济不确定性。我们反映MLCC和基板内容增长放缓。

• AI服务器、高速网络、汽车2.0及智能手机内容增长

• 客户多元化远离三星电子，瞄准主要云服务提供商

• 由MLCC短缺驱动的价格上涨

• 高于预期的智能手机需求

• 更好的良率和产品结构带来的更高MLCC利润率

• 中国消费友好政策带来的强劲顺风

• 三星旗舰手机产品周期显著回调及SEMCO市场份额下降

• 渗透中国智能手机客户的执行风险