真正的熱度，不在喊聲裡，在排隊名單裡。
AI現在最擰巴的地方是：一邊有人說算力要過剩，另一邊台積電、CoWoS、HBM和測試裝置還在排隊。摩根士丹利這份材料給出的不是一句“繼續看好AI”，而是一張更具體的路線圖：錢從雲廠商的資料中心預算出發，穿過GPU、ASIC、CPU和HBM，最後卡在先進製程、先進封裝和測試環節。只要這些隊伍還沒明顯變短，AI需求就很難說已經退潮。
01｜雲廠商沒有退場，台積電就先忙起來
AI有沒有泡沫，先別急著看二級市場的情緒，先看大客戶的錢有沒有撤。材料裡有一個很扎眼的數字：前14家全球上市雲服務商，不含主權AI，2027年雲資本開支接近1.3兆美元。
這筆錢不會憑空消失，它會一級一級往下走：
先變成資料中心和伺服器；
再變成GPU、ASIC、CPU、HBM；
最後變成台積電先進製程、CoWoS封裝和測試裝置的訂單。
所以台積電看到的，不只是某一家客戶的短期採購，而是一整批雲廠商把AI預算繼續往硬體裡塞。摩根士丹利預計，台積電2026年資本開支為560億美元，2027年進一步到750億美元；2nm需求仍強，N2產能在2026到2028年可能有約70%的複合增長。
更有意思的是，台積電不是靠降價留住客戶。材料提到，2027年先進節點價格可能上調5%-10%。能漲價還要擴產，說明客戶買的不是一片普通晶圓，而是先進AI晶片的確定性交付。
02｜真正讓人著急的，是封裝線不夠寬
AI晶片越來越像一座小型城市：計算die、HBM、互連、基板都要擠進同一個封裝裡。前道晶圓做完，只是第一步；能不能把GPU、ASIC和HBM穩穩放到一起，才決定晶片能不能真正交出去。
這就是CoWoS和SoIC的重要性。台積電CoWoS產能從2025年底約7萬片/月，提升到2026年底12萬片/月，2027年底可能到20萬片/月。SoIC也在往上走：2026年底約1.4萬片/月，2027年底4萬片/月，2028年底7萬片/月。
這組數字背後，其實是AI晶片變大的代價：
晶片面積更大，封裝也要更大；
封裝更大，測試時間更長；
測試更複雜，socket針腳數和測試裝置也要升級。
材料預計，測試裝置市場在2024到2027年複合增長約35%。很多時候，AI晶片不是輸在算力不夠，而是輸在每一道工序都不能掉鏈子。
03｜這場AI訂單，不唯寫著輝達的名字
如果只盯輝達，很容易把AI半導體看窄。材料裡真正熱鬧的，是客戶名單變長了：Google TPU、AWS Trainium、MicrosoftMaia、MetaMTIA、AMDMI系列，還有各種定製ASIC，都在爭先進製程和封裝產能。
到2027年，AI計算晶圓消耗可能超過460億美元。輝達仍然是最大需求方之一，但Google、AMD、AWS、微軟和Meta都開始在這張表裡佔位置。台積電自身的收入結構也跟著改變：AI半導體收入到2026年可能佔台積電收入30%以上，2024到2029年AI相關收入復合增速約60%。
這意味著雲廠商不是只押一條路，而是在同時下註：
通用GPU，繼續追求最強訓練和推理能力；
定製ASIC，把自家工作負載做得更省；
AI CPU，負責調度、編排和資料搬運；
HBM和先進封裝，把這些晶片真正喂飽、連起來。
AI從“回答問題”走向“執行任務”以後，CPU也不再只是配角。材料把CPU orchestration基礎情景上調到790億美元，樂觀情景達到2380億美元。GPU越忙，旁邊那個負責組織全域的CPU也越難閒著。
04｜儲存被一起捲進去，中國算力也在另算一筆帳
AI伺服器不是只吃算力，也吃儲存。材料估算，2027年HBM消耗最高可達約506億Gb，輝達仍是最大買家，但Google、AMD、AWS等也會拿走不少供應。NAND也被AI儲存需求推緊，NOR Flash到2026年可能供不應求，DDR4短缺會延續到2026年下半年。
另一條線，是中國AI算力。摩根士丹利預計，中國AI GPU市場空間到2030年可能達到910億美元。這裡的故事不只是“追一顆更強GPU”，而是把晶片、封裝、機櫃、叢集和成本放在一起算。
材料裡的工程思路很直白：
單顆die不夠強，就把更多die封進一個晶片；
單顆晶片不夠強，就做更大的機櫃和叢集；
製造能力不夠，就繼續擴產能。
在推理場景下，國內AI晶片更強調TCO和每token成本。材料估算，中國AI晶片TCO可能比輝達低30%-60%，每token成本可以接近甚至超過輝達方案。這不是簡單複製海外GPU路線，而是在現有供應鏈條件下，把系統成本重新算一遍。
結尾｜別只聽爭論，去看隊伍有沒有散
AI會不會有階段性過熱？當然會有人爭。資本開支太高、投資回報太慢、算力利用率不夠，這些擔心都不是空穴來風。
但供應鏈給出的訊號更樸素：
台積電還在擴資本開支；
CoWoS和SoIC還在擴月產能；
HBM、NAND和測試裝置還在被往前推；
中國AI算力也在用另一套系統帳本往前走。
所以看AI熱不熱，不要只看一顆GPU，也不要只看一句“算力過剩”。更該看的是：先進製程、先進封裝、HBM、測試裝置、資料中心機櫃，這些隊伍有沒有真的散開。至少現在，很多人還站在隊裡。 (半導體產業報告)