面向未来AI基础设施的半导体深度研究：GPU、ASIC、光芯片与中国芯片并行扩张

概览

本报告是Morgan Stanley对大中华区半导体产业的深度研究，主题是面向未来AI基础设施的CPU、GPU、ASIC、光芯片及中国芯片。报告从云资本开支、AI服务器、AI半导体、先进封装、HBM、CPO、测试设备、功率半导体和中国AI GPU供应链等维度，分析AI基础设施扩张对半导体产业链的拉动。

核心观点

核心观点是AI仍是半导体产业最强的结构性驱动。云厂商资本开支保持强劲，AI服务器和AI半导体市场规模持续扩大；NVIDIA GPU仍占主导，但云厂商自研ASIC和非NVIDIA GPU也将形成重要增量。先进封装、CoWoS/SoIC、HBM、CPO和测试耗材因封装复杂度提升而受益。中国方面，DeepSeek带来的低成本推理需求、本土供应链能力提升和先进节点产能扩张，有望支持本土AI GPU市场扩大。

分析框架

报告采用产业链数据驱动框架，自上而下估算云资本开支、AI服务器资本开支和AI半导体TAM，再自下而上跟踪TSMC先进封装产能、NVIDIA GB200/300机柜供需、HBM消耗、晶圆需求、CSP定制ASIC项目、中国先进节点产能和本土AI GPU厂商竞争格局。

方法论与常识提炼

• 市场规模测算TAM与资本开支分层

  从Cloud Capex、AI Server Capex到AI Semi TAM逐层拆分

  图表显示2025e云资本开支约US$400bn、AI服务器资本开支约US$300bn、AI Semi约US$235bn，其中云AI ASIC与非NVIDIA GPU约US$30bn。

• 供应链跟踪先进封装与晶圆需求跟踪

  CoWoS/SoIC、领先制程晶圆、HBM与机柜供需

  通过TSMC CoWoS产能、NVIDIA GB200/300机柜、HBM Gb消耗和领先制程晶圆需求，判断AI基础设施扩产对上游制造与封装资源的约束。

• 竞争格局GPU与ASIC替代/互补分析

  Custom ASIC vs. AI GPU

  报告认为强大的NVIDIA AI GPU并不消除CSP自研芯片需求，成本、工作负载优化和供应链安全仍推动Trainium、TPU及更多ASIC项目。

• 本土化分析中国AI GPU与先进节点产能映射

  本土需求、产能与厂商格局

  报告将DeepSeek带来的推理需求、中国先进节点扩产、本土代工能力和Cambricon、MetaX、Iluvatar等厂商比较结合起来，评估中国AI GPU增长空间。

标的映射与对比

研报将主题/逻辑映射到具体标的时的结构化摘要（优势、劣势、对比与风险）。

• AI半导体供应链

  核心受益资产群

  优势

  受云资本开支、AI服务器、GPU、ASIC和HBM需求共同拉动，市场规模预计快速扩张。

  劣势

  技术通胀带来晶圆、OSAT和存储成本上升，可能压缩芯片设计公司利润率。

  对比

  相较非AI半导体，AI半导体在供应链资源配置中优先级更高。

  风险

  预算约束、能源限制、产能瓶颈、监管与出口管制。

• TSMC与先进封装

  AI GPU和ASIC扩产的关键制造与封装环节

  优势

  CoWoS/SoIC产能扩张直接受益于NVIDIA及CSP AI芯片需求。

  劣势

  产能建设周期长，若需求波动可能导致资本开支效率风险。

  对比

  先进封装相较传统制程更接近AI算力瓶颈。

  风险

  设备、材料、良率、电力和客户需求节奏不确定。

• NVIDIA生态

  AI Semi TAM主要贡献者

  优势

  AI GPU在训练与推理基础设施中仍处于主导地位，GB200/300机柜供需是关键跟踪指标。

  劣势

  高成本与供给约束促使CSP继续开发自研ASIC和非NVIDIA GPU。

  对比

  GPU通用性强，ASIC在特定工作负载上可能具备成本和能效优势。

  风险

  客户自研替代、出口管制、供应链瓶颈。

• CSP自研ASIC

  AI基础设施的增量替代与补充方向

  优势

  可针对内部工作负载优化成本、能效和供应安全，Trainium与TPU预测被单独跟踪。

  劣势

  研发周期长，生态和软件适配难度高。

  对比

  相对NVIDIA GPU，ASIC更依赖单一客户规模和应用场景。

  风险

  项目延期、性能不达预期、需求预测偏差。

• 中国AI GPU与本土半导体

  国产替代与本土AI推理需求受益方向

  优势

  DeepSeek推动低成本推理需求，本土代工供应链能力提升，Cambricon、MetaX、Iluvatar等厂商受到关注。

  劣势

  先进节点、软件生态和高端制造能力仍存在约束。

  对比

  与全球领先GPU相比，中国供应链通过多芯片封装、集群扩展和制造产能扩张缩小感知技术差距。

  风险

  出口管制、U.S. Executive Order相关限制、先进节点产能不足、监管不确定。

关键数据

• 2025e云端AI Semi TAM牛市假设US$235bn来自供应链数据驱动的牛市情景假设，主要由NVIDIA AI GPU贡献。
• 2025e云资本开支US$400bn图表中外层Cloud Capex估算。
• 2025e AI服务器资本开支US$300bn图表中AI Server Capex估算。
• 云AI ASIC与非NVIDIA GPU约US$30bn图表中作为AI Semi内部子集列示。
• AI半导体收入增长2023-30e CAGR 38%AI semi revenue breakdown by application图表标注。
• TSMC CoWoS潜在产能2027年可能达到165kwpm报告章节标题指出TSMC可能因AI需求持续强劲而扩张CoWoS产能。
• 中国AI GPU TAM2030e US$67bn报告章节标题显示Morgan Stanley预计中国AI GPU TAM到2030e增长至US$67bn。
• 中国先进节点产能支持的AI加速器收入2030年US$58bn报告正文标题提到中国先进节点产能可能支持2030年US$58bn AI accelerator revenue。

影响与含义

对投资而言，AI基础设施扩张不仅利好GPU和领先晶圆代工，也向先进封装、HBM、后道设备、测试耗材、CPO、功率半导体和本土AI GPU扩散。产业瓶颈从单一算力芯片延伸到封装产能、内存带宽、机柜供电、测试时间和区域监管，因而供应链中具备稀缺产能、复杂封装能力或本土替代地位的公司更可能获得估值与盈利弹性。

风险

• 技术通胀导致晶圆、OSAT和存储成本上升，压缩芯片设计公司利润率。
• AI对部分非AI需求产生挤出效应，供应链可能优先分配资源给AI半导体。
• 增长限制包括预算、美国能源约束、中国芯片产能约束和监管。
• DDR4短缺可能延续至2H26，但现货价格上行空间可能受限。
• 中国相关实体和证券可能受到美国行政令、出口管制和投资限制影响，投资者需自行确认合规。

后续跟踪

• 主要CSP云资本开支是否继续维持强劲。
• TSMC CoWoS/SoIC扩产节奏与2026-2027年产能利用率。
• NVIDIA GB200/300机柜供需、出货与供应份额变化。
• HBM消耗量和存储价格变化，尤其是2026e HBM Gb需求。
• Trainium、TPU及其他CSP ASIC项目推进情况。
• 中国AI GPU需求、先进节点产能扩张和Cambricon、MetaX、Iluvatar等厂商产品进展。
• CPO、测试设备和测试耗材受AI封装复杂度提升带来的订单弹性。