AI infrastructure technology supply chain：JPMorgan认为AI基础设施交易正处于十字路口，但预计资本开支和供应链需求仍将保持韧性。

概览

JPMorgan考察了当投资者质疑算力变现、AI安全监管和超大规模云厂商融资时，AI基础设施行情能否延续。其结论偏积极：当前AI经济性和供应链状况仍支持强劲的资本开支增长，半导体设备、先进封装、载板和近封装光互连尤其受益。

核心观点

JPMorgan围绕AI基础设施交易的下一阶段提出三个问题：AI模型和垂直AI供应商购买算力是否仍具备良好经济性；安全与监管担忧是否会减缓算力需求；以及在许多超大规模云厂商转入负自由现金流之际，它们能否为新一轮资本开支融资。报告的回答总体积极。其认为，硬件和云生态中销售算力仍具有高盈利能力，而当前token经济性表明购买算力也可能具备可持续性。报告引用部分前沿模型的推理毛利率达到60-80%，并估算假设模型供应商每GW每年可从AI tokens获得US$20-40bn收入，高于2025年的每GW每年US$10bn。报告还指出，超过80家垂直AI公司据称已在很短时间内实现超过US$100m的ARR，这体现了算力销售下游的价值创造。 报告认为，开源模型将扩大而非削弱硬件需求。其预计，在受算力短缺和agentic AI推动的1H26异常之后，开源将推动token成本重回历史上80-90%的成本下降趋势。在算力受限的市场中，JPMorgan预计专有前沿模型和开源模型都将实现强劲的token消费增长。更低的token成本应扩大AI采用，并催生更多解决特定领域问题的垂直应用；同时，开源进步也将持续推动前沿模型实验室加快训练和改进模型，以维持竞争优势。 对于监管，JPMorgan将近期AI安全担忧视作短期扰动，而非训练活动结构性放缓的证据。报告认为，包括递归自我改进在内的快速模型进步，意味着AI扩展和技术演进仍在持续。新的模型发布可能受到对齐限制约束，但报告不预计前沿模型训练速度会放缓。其认为，持续进步可能在未来1-2年开启新的可服务市场，类似于过去18个月中编码和agentic工作流的扩展。 融资是报告认为投资者最关切的领域。JPMorgan指出，许多超大规模云厂商正进入负自由现金流状态，越来越需要外部资金来支持额外资本开支。不过，报告认为支出仍有进一步增长空间，因为大型超大规模云厂商的净债务权益比仅为13%，公共云增长正在加速并可提升经营现金流，且超大规模云厂商和下游算力买方均可进行股权融资。公共云积压订单数据也显示增长延续至2Q26：Google Cloud为US$514bn，AWS为US$496bn，Microsoft商业剩余履约义务为US$678bn。报告警示，利率上升以及部分AI基础设施融资领域风险认知提高，使融资仍是需要追踪的问题。 在亚洲科技供应链中，JPMorgan认为半导体生产设备到2027年尤其具有吸引力。随着半导体厂商扩大产能，设备有望成为关键瓶颈。报告预计TSMC将在未来几年显著增加对N2、N3和A14的投资，Intel、Samsung Foundry、Terafab和成熟制程晶圆厂也将提高资本开支。随着洁净室产能投放、工艺迁移加快以及厂商履行客户LTA，DRAM和NAND资本开支预计将在2027-28年快速增长；中国存储投资也预计在未来两年显著加速。设备产能紧张、投入成本上升和多家厂商的加急订单已在支持设备价格上涨。JPMorgan的设备首选包括Advantest、Tokyo Electron、Chroma、Grand Process Technology和ASMPT。 报告将IC载板和先进封装视为持续的AI瓶颈。包括Unimicron和Ibiden在内的一级载板厂商产能高度集中，新产能建设最长需要约2.5年。领先OSAT厂商也受到洁净室可用性的限制。AI加速器封装中更高的载板含量和更高的先进封装强度，预计将扩大供需缺口；由agentic AI带动的服务器CPU需求以及自2027年末起采用载板密集型EMIB-T封装，可能带来进一步上行空间。因此，JPMorgan偏好Unimicron和Ibiden等载板供应商，以及先进封装龙头ASE。 在AI互连方面，报告预计GPU、CPU、存储器和存储设备之间的数据传输将成为集群效率的关键约束。其在未来两年偏好NPO，因为这是一种较简单的近期解决方案，并预计Google、AWS和NVIDIA将采用基于NPO的方案。CPO被描述为长期方向，但供应链成熟仍需时间，尤其是在scale-up应用中。 存储基本面仍偏积极，但投资者争议更多。JPMorgan预计供需平衡至少到2028年仍将偏紧，价格将持续上涨至2027年。然而，报告强调HBM规格下调、降低单位功能存储使用量的算法效率提升，以及将更多KV cache存储转向DDR或NAND的担忧。在新一轮模型进步显著提高单位功能存储需求之前，报告预计投资者支持度将相对温和。 最后，JPMorgan预计2027年晶圆代工，特别是8英寸成熟制程晶圆代工、OSAT、载板、半导体设备和高端CCL的价格涨幅百分比将强于2026年。报告预计TSMC将在2027年上调所有工艺节点价格，而2026年仅上调先进制程节点；并预计8英寸成熟制程晶圆代工涨价幅度为10-15%，2026年为8-10%。存储和PCB材料则是价格上涨速度可能放缓的例外。

分析框架

JPMorgan先分析AI算力的单位经济性及开源模型的影响，随后评估监管和融资约束对超大规模云厂商资本开支的影响。报告再将需求前景传导至半导体价值链，识别产能瓶颈、预期投资周期、定价状况和偏好的亚洲供应链环节。其还运用公共云积压订单、资本开支、经营现金流、杠杆、盈利预测修正和估值比较来支撑行业观点。

方法论与常识提炼

• 行业/产业分析框架供需框架

  对AI算力、半导体产能、载板、封装、存储和设备进行供需分析。

  报告将AI算力需求和受限的制造产能与科技供应链中的预期资本开支、瓶颈和定价结果联系起来。

• 行业/产业分析框架产业链上中下游传导

  AI算力经济性从模型供应商和云服务商传导至半导体设备、封装、载板和光学环节。

  JPMorgan通过从token需求和超大规模云厂商支出到上游亚洲科技供应商的链条，识别潜在受益者。

• 估值方法PE/PEG 估值

  对不含存储的亚洲科技采用远期P/E比较。

  报告将远期P/E作为其认为科技硬件估值仍具吸引力的参考之一。

• 估值方法PB 估值

  对亚洲科技采用远期P/B比较。

  报告将远期P/B作为亚洲科技行业整体估值的另一项参考。

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）。

• Advantest (6857.T)

  首选标的，也是受益于晶圆代工和存储资本开支增长的半导体设备厂商。

  优势

  预期的设备瓶颈和趋紧的工具产能。

  对比

  被列入首选半导体生产设备供应商。

  风险

  资本开支融资或需求放缓可能削弱设备订单。

• Tokyo Electron (8035.T)

  首选标的，也是受益于晶圆代工和存储投资扩大的半导体设备厂商。

  优势

  随着产能扩张加快，预期将受益于广泛的设备需求。

  对比

  被列入首选半导体生产设备供应商。

  风险

  资本开支融资或需求放缓可能削弱设备订单。

• ASMPT (0522.HK)

  首选标的，与半导体设备和封装产能紧张相关。

  优势

  受益于设备需求以及洁净室产能受限。

  对比

  被列为JPMorgan偏好的设备供应商之一。

  风险

  资本开支融资或需求放缓可能削弱订单。

• Unimicron (3037.TW)

  偏好的一级IC载板供应商。

  优势

  载板产能集中、建设周期长，以及AI封装中的载板含量上升。

  对比

  与Ibiden同被列为偏好的一级载板供应商。

  风险

  AI硬件效率提升或加速器增长放缓可能影响需求。

• ASE Technology Holding (3711.TW)

  偏好的先进封装龙头。

  优势

  先进封装仍受产能约束，且AI封装强度正在提高。

  劣势

  洁净室可用性限制行业产能。

  对比

  被认定为先进封装龙头。

  风险

  AI加速器需求或封装投资可能放缓。

关键数据

• 假设的每GW AI token年收入US$20-40bn annuallyJPMorgan对模型供应商的粗略估算，而2025年为每GW每年US$10bn。
• 据报道的前沿模型推理毛利率60-80%报告引用的区间。
• ARR超过US$100m的垂直AI公司数量80+报告引用Sapphire Venture资料，作为下游AI价值创造的证据。
• 历史token成本降幅80-90%报告引用的每token成本历史降幅。
• 大型超大规模云厂商净债务权益比13%报告认为该水平仍足以为资本开支增长保留融资能力。
• 2Q26公共云积压订单Google US$514bn; AWS US$496bn; Microsoft US$678bn公司披露的积压订单或剩余履约义务指标。
• 载板产能建设周期Up to ~2.5 years支撑载板持续紧张的因素。
• 2027年预期8英寸成熟制程晶圆代工涨价幅度10-15%报告预计2026年为8-10%。

影响与含义

JPMorgan认为，未见迫在眉睫的资本开支下行信号、亚洲科技EPS预测稳定上修以及供应受限，共同支撑AI基础设施生态，尽管市场情绪疲弱。其认为半导体设备、载板、先进封装和短期NPO光学的供应链格局最强；存储基本面仍正面，但需要对未来需求强度有更高信心。

风险

• AI安全或对齐限制可能推迟新模型发布，即使训练仍在继续。
• 随着自由现金流转负、利率上升以及AI基础设施融资风险认知加大，超大规模云厂商融资是关键风险领域。
• 开源竞争以及模型层变现的不确定性仍是市场担忧。
• HBM规格变化、算法效率提升或将KV cache存储转向DDR或NAND，可能降低存储需求。

后续跟踪

• 模型层和应用层持续变现的证据，这是报告指出的关键催化剂。
• 超大规模云厂商经营现金流增长、债务和股权发行作为额外资本开支的融资来源。
• AI模型进步速度，以及任何针对部署的安全或对齐限制。
• 设备瓶颈、洁净室产能、载板供应，以及NPO和EMIB-T的采用时间表。
• 未来AI模型突破是否会显著提高单位功能的存储需求。