每 1GW 算力需要多少晶圓：AI 設備需求的底層測算

核心觀點

過去兩年，市場對 AI 硬件的定價主要集中在 GPU、HBM 和先進封裝。進入 2026 年後，產業約束開始向更上游遷移：數據中心電力容量擴張最終需要轉化為更多 GPU 集羣，而 GPU 集羣並不只消耗先進邏輯晶圓，還會同步拉動 HBM、服務器 DRAM 和數據中心 NAND 需求。

伯恩斯坦基準模型顯示，每新增 1GW AI 計算能力，約需要 4.6 萬片/月新增晶圓產能。若 2030 年較 2026 年新增 50GW AI 容量，對應增量晶圓廠設備投資約 3760 億美元。疊加全球半導體行業原有的擴產、設備升級和維持性支出，2027—2029 年全球晶圓廠設備支出可能分別達到 2000 億、2450 億和 2910 億美元，三年累計約 7360 億美元。

這一模型真正值得關注的不是 7360 億美元這一單一數字，而是設備支出結構發生的變化：先進邏輯不再是唯一增量來源，HBM、DRAM 和 NAND 合計可能貢獻約四分之三的 AI 相關設備投資。

一、338GW 規劃容量，不能直接等同於設備訂單

截至 2026 年 6 月，全球數據中心在運容量約 50.7GW，較一年前增加約 11.4GW；同期規劃中的數據中心容量由約 121GW 擴大至 338GW，新增規劃管線超過 200GW。

規劃容量增速遠高於實際投運容量，説明超大規模雲廠商、Neocloud 和數據中心運營商仍在加快鎖定土地、電力和機房資源。但 338GW 更接近潛在需求上限，而不是確定性算力交付。

一個數據中心項目從規劃進入投運，至少需要通過四道約束：電網接入、融資安排、芯片交付和最終客户需求。部分項目雖然已經申請土地與電力資源，但尚未簽署長期購電協議；部分機房仍缺乏明確的 GPU 採購計劃；部分規劃容量還可能包含重複申報和長期儲備項目。

因此，不能用 338GW 直接乘以單位 GW 晶圓需求，得出未來設備訂單。伯恩斯坦採用的基準情景明顯低於規劃管線總量：假設 2030 年較 2026 年新增 50GW AI 容量，相當於 2027—2030 年年均新增約 12.5GW，並使 AI 數據中心容量擴大至 2026 年的約 3.5 倍。

AI 算力擴張如何傳導到晶圓廠設備支出：從數據中心容量、GPU 集羣部署，到晶圓產能和 WFE 訂單的完整路徑。

二、每新增 1GW 算力，為什麼需要 4.6 萬片月產能

市場討論 AI 硬件時，注意力通常集中在 GPU。但一套 AI 計算系統消耗的半導體遠不止先進邏輯芯片。

GPU 承擔主要計算任務，CPU 和網絡芯片負責系統調度與互連，HBM 承擔高帶寬數據交換，傳統 DRAM 提供 CPU 側內存，NAND 則用於存放模型文件、訓練數據、檢查點和本地緩存。新增算力實際上同時拉動先進邏輯、HBM、DRAM 和 NAND 四類晶圓需求。

基於 Vera Rubin 級別機架配置，伯恩斯坦測算，每新增 1GW AI 計算能力，約需要 4.6 萬片/月新增晶圓產能，其中 DRAM 約 2.5 萬片/月，NAND 約 9000 片/月，HBM 約 8000 片/月，先進邏輯約 5000 片/月。

關鍵認知

從晶圓數量看，AI 基礎設施最大的增量需求不是先進邏輯，而是存儲。DRAM、HBM 和 NAND 合計佔新增晶圓需求接近九成。

不過，晶圓數量不能直接等同於設備收入。先進邏輯工廠的單片晶圓資本強度明顯高於存儲。伯恩斯坦估算，每新增 1 萬片/月產能，先進邏輯設備投資約 34 億美元，HBM 及 DRAM 約 14 億美元，NAND 約 13 億美元。

因此，先進邏輯晶圓數量佔比雖然較低，但光刻、沉積、刻蝕、離子注入和量檢測設備價值量更高。存儲則依靠更大的晶圓規模、更多的堆疊層數和更復雜的工藝步驟形成設備需求。

三、3760 億美元增量設備投入，存儲佔據主導

在 50GW 新增 AI 容量情景下，伯恩斯坦測算相關增量晶圓廠設備投入約 3760 億美元。其中先進邏輯約 900 億美元，HBM 與 DRAM 約 2280 億美元，NAND 約 580 億美元。

HBM、DRAM 和 NAND 合計貢獻約 76% 的增量設備投入。AI 設備週期因此不只是先進邏輯和光刻的故事，刻蝕、沉積、熱處理、清洗和過程控制等存儲密集型設備同樣處於支出中心。

HBM 首先是一項先進 DRAM 前道製造業務。在形成堆疊產品之前，每一層 HBM 都需要獨立完成 DRAM 晶圓製造、測試和篩選。隨着產品由 8 層、12 層向 16 層及更高層數演進，單顆可售 HBM 所需的裸片數量繼續增加，良率損耗和冗餘產能需求也隨之上升。

DRAM 需求則來自兩條路徑。一是 HBM 佔用更多先進 DRAM 晶圓，擠壓傳統服務器 DRAM 產能；二是 AI 服務器本身仍需要大容量 CPU 側內存。在兩類需求同步增長的情況下，存儲廠商僅靠產品結構切換難以滿足供給，淨新增晶圓產能成為更直接的解決方案。

NAND 的設備邏輯更容易被低估。訓練和推理並非所有數據都存放在 HBM 中，大量模型文件、向量數據庫、訓練數據和檢查點仍需要本地或近線存儲。AI 推理由雲端向企業數據中心滲透後，數據中心級 NAND 需求可能脱離傳統消費電子週期。

每新增 1GW 算力對應的晶圓需求結構，以及 50GW 情景下約 3760 億美元增量設備投入的分佈。

四、2027—2029 年 WFE 為何可能邁向 3000 億美元

AI 相關增量產能只是全球設備支出的一部分。晶圓廠還需要投入成熟製程、模擬、功率、汽車與工業芯片，同時維持原有產線升級、設備替換和工藝遷移。

納入這些支出後，伯恩斯坦預計全球 WFE 將由 2026 年的約 1480 億美元，提升至 2027 年的 2000 億美元、2028 年的 2450 億美元和 2029 年的 2910 億美元。2027—2029 年三年累計約 7360 億美元，年均約 2450 億美元。

7360 億美元不能全部歸因於 AI。更準確的理解是，AI 需求可能將全球 WFE 的中樞由過去約 1000 億至 1500 億美元，提高到 2000 億至 3000 億美元。

這與傳統存儲設備週期存在兩點差異。第一，需求持續時間可能更長。若 2027—2029 年設備支出逐年上升，行業面對的不是單年擴產高點，而是連續三年的產能建設。第二，中週期盈利中樞可能提高。若 AI 算力、內存和存儲需求使 WFE 維持在更高平台，設備公司的中週期收入、服務收入和自由現金流也會相應上移。

問題在於，市場已經為這一情景支付了較高價格。主要海外設備股雖然較階段高點出現不同程度回撤，但年內漲幅和遠期估值仍處於較高水平。下一階段，WFE 上修只能提供行業基礎，無法保證全部設備公司獲得超額收益。

五、刻蝕與沉積是存儲擴產的第一順位

DRAM、HBM 和 NAND 均屬於刻蝕與沉積密集型產品。高層數 NAND 需要在厚堆疊結構中完成高深寬比刻蝕；先進 DRAM 需要構建更復雜的電容、字線和接觸孔；GAA 晶體管、背面供電和新型互連結構也會增加原子層沉積、選擇性刻蝕和新材料處理步驟。

因此，在 50GW 基準情景下，Lam Research 與 Applied Materials 對新增 WFE 的收入敏感度相對較高。Lam 的優勢集中於高深寬比刻蝕和薄膜沉積，對 DRAM 和 NAND 資本開支變化更敏感；Applied Materials 的產品覆蓋更廣，在邏輯、存儲、離子注入、CMP 和先進封裝之間具備更均衡的敞口。

Applied Materials 截至 2026 年 4 月的財季收入達到 79.1 億美元，同比增長 11%；非 GAAP 毛利率為 50.0%，非 GAAP EPS 為 2.86 美元，同比增長 20%。收入增速低於伯恩斯坦對 2027—2029 年 WFE 的預測斜率，意味着後續股價表現仍取決於客户資本開支能否繼續上修，以及公司能否保持產品份額。

Lam Research 的設備結構更偏存儲。若 HBM、DRAM 和 NAND 成為設備投資主力，其盈利增速可能高於行業；但同樣因為存儲暴露更高，一旦客户延遲擴產，其盈利預測也更容易向下調整。

六、量檢測的收入彈性更平滑，現金流質量更高

KLA 的設備數量未必像刻蝕和沉積一樣隨晶圓產能線性增長，但製程越複雜，晶圓廠對缺陷檢測、關鍵尺寸量測和良率管理的依賴越高。

先進邏輯由 FinFET 轉向 GAA，HBM 由單層 DRAM 轉向多層堆疊，先進封裝由傳統凸點轉向混合鍵合，都會提高缺陷成本。產品在後段工藝發現失效時，前段已經投入的晶圓、封裝和測試成本可能全部損失，因此過程控制支出通常隨單片晶圓價值量提高。

KLA 截至 2026 年 3 月的財季收入 34.15 億美元，GAAP 攤薄 EPS 為 9.12 美元，非 GAAP EPS 為 9.40 美元；季度自由現金流達到 6.22 億美元，過去 12 個月自由現金流約 40.1 億美元。

KLA 的核心優勢不在於某一類存儲產品放量，而在於邏輯、存儲和先進封裝的工藝複雜度同時提升。即使最終新增數據中心容量低於 50GW 基準情景，單位晶圓的過程控制強度仍可能提高。

七、ASML 提供技術壟斷，但並非本輪最高彈性資產

ASML 仍是先進邏輯和先進 DRAM 不可替代的設備供應商。其核心邏輯來自 EUV 滲透率提升、High-NA EUV 導入，以及龐大裝機基礎帶來的服務和升級收入。

ASML 2026 年第二季度收入約 93.3 億歐元，毛利率 54.0%，每股收益 7.59 歐元；公司將全年收入指引提高至 430 億至 450 億歐元，毛利率指引提升至 54% 至 56%。管理層同時釋放出 2027 年 EUV 產能接近充分預訂、2028 年可能進一步擴產的信號。

ASML 的訂單可見度和技術壁壘在設備行業中處於最高水平，但其對本輪 AI 增量 WFE 的敏感度並非最高。原因在於，50GW 模型中的最大支出池來自 HBM、DRAM 和 NAND，而 NAND 對 EUV 的依賴相對有限。

八、海外設備股：確定性與彈性需要分開定價

若投資目標是盈利確定性，ASML 和 KLA 更佔優勢。若投資目標是 WFE 上行階段的利潤彈性，Lam Research 更直接。Applied Materials 處於兩者之間，既能受益於先進邏輯和存儲擴產，也能從先進封裝、CMP 和服務業務獲得增量。

九、A 股設備鏈已進入收入質量驗證階段

全球 WFE 擴張為國內設備公司提供需求基礎，但 A 股設備公司的收入增長還同時受到國產替代、客户驗證和產品份額提升驅動。

與海外成熟設備公司相比，國內廠商仍處於產品線擴展期。新產品從研發、驗證、批量採購到收入確認，需要經歷較長週期，並伴隨更高的研發、人員和供應鏈投入。收入增長、扣非利潤與經營現金流可能明顯不同步。

北方華創：平台屬性最完整，利潤釋放是下一階段關鍵

北方華創覆蓋刻蝕、薄膜沉積、熱處理和清洗等多個設備環節，是 A 股中產品平台最完整的半導體設備公司。

2026 年第一季度，公司收入 103.23 億元，同比增長 25.80%；歸母淨利潤 16.35 億元，同比增長 3.42%；經營活動現金流淨額 7.48 億元。收入增速明顯高於利潤增速，説明研發、人員擴張、產品結構或費用投入仍在壓制盈利釋放。

北方華創的核心矛盾已經從 “設備能否進入客户產線” 轉向 “新增產品能否形成規模收入，並轉化為利潤和現金流”。

中微公司：與存儲 WFE 結構的匹配度最高

中微公司的核心資產是等離子刻蝕設備。先進邏輯、DRAM、HBM 和高層數 NAND 均需要更高深寬比、更精細和更具選擇性的刻蝕工藝。

2026 年第一季度，公司收入 29.15 億元，同比增長 34.13%；歸母淨利潤 9.30 億元，同比增長 197.20%；扣非淨利潤 4.78 億元，同比增長 60.09%。歸母利潤中包含出售股權形成的投資收益，因此主營經營質量應更多觀察收入、扣非利潤和現金流。

公司後續估值上限取決於兩點：刻蝕份額能否繼續提高，薄膜沉積及其他新產品能否形成第二收入來源。

拓荊科技：增長斜率高，估值容錯率低

拓荊科技聚焦 PECVD、ALD 和 SACVD 等薄膜沉積設備，並向先進製程、混合鍵合和三維集成相關設備延伸。

2026 年第一季度，公司收入 11.12 億元，同比增長 56.97%；歸母淨利潤 5.71 億元，扣非淨利潤 1.02 億元，經營現金流淨額為負 5.20 億元。歸母利潤與扣非利潤差異較大，説明非經常性項目對當期利潤貢獻明顯。

拓荊的產業邏輯較強，問題在於當前定價對訂單確認、驗收進度和利潤率要求嚴格。

華海清科：先進封裝映射直接，風險收益比相對均衡

華海清科的核心產品包括 CMP、減薄和濕法設備。CMP 受益於先進邏輯互連層數增加，減薄設備則直接映射 HBM 堆疊、Chiplet 和先進封裝。

與薄膜沉積公司相比，華海清科的收入斜率可能更平滑，但市場對遠期業務的定價也相對剋制。若減薄和其他新產品逐步形成收入，其估值與增長匹配度可能優於已經計入較高增長假設的設備公司。

盛美上海：清洗基本盤穩定，新設備決定增長斜率

盛美上海以清洗設備為核心，同時擴展電鍍、爐管、塗膠顯影和先進封裝設備。

2026 年第一季度，公司收入 14.76 億元，同比增長 13.06%；歸母淨利潤 1.04 億元，同比下降 57.66%；扣非淨利潤 1.06 億元，同比下降 57.24%。利潤下降主要受到匯兑和財務費用影響，但收入增速也低於中微、拓荊等設備公司。

盛美上海後續估值空間取決於電鍍、爐管、塗膠顯影和先進封裝設備能否形成批量收入。

十、A 股設備股不能只按收入增速排序

對國內設備公司而言，比收入增速更重要的是四項指標：扣非淨利潤能否接近收入增速；合同負債與存貨結構是否健康；經營現金流能否跟隨利潤改善；第二、第三產品線能否形成批量收入。

按照光刻、刻蝕、沉積、清洗、量檢測及 CMP/減薄等設備環節，梳理海外龍頭與 A 股公司的對應關係。

十一、模型兑現仍受三項約束

1. 電力接入可能早於芯片供給成為硬約束

50GW 新增算力需要長期、穩定且低成本的電力供應。數據中心即使已經獲得土地，也可能因變電站建設、輸電線路審批和發電資源不足而延遲。如果電力接入速度低於預期，GPU 部署和晶圓需求都會向後推遲。

2. 單位算力的晶圓消耗可能下降

若單位芯片性能增長快於算力需求，達到相同有效算力所需的 GPU 和內存數量可能下降；反之，若模型參數、推理調用和上下文長度繼續增長，晶圓需求也可能高於當前測算。每 GW 對應 4.6 萬片/月更適合作為產業測算框架，而不是固定常數。

3. 存量設備複用可能降低新增採購額

存儲廠商並不一定完全依賴新建晶圓廠滿足需求。製程遷移、設備升級、產品組合調整和良率提升，都可能增加存量產線的有效產出。如果存量設備複用程度高於預期，新設備採購額將低於模型。

十二、買方結論：行業仍在擴張，但設備股已經進入兑現階段

AI 基礎設施投資正在從 GPU 採購向晶圓製造能力擴散。每新增 1GW 算力，不僅需要先進邏輯芯片，還需要更大規模的 HBM、服務器 DRAM 和數據中心 NAND。由此形成的晶圓需求，正在推動半導體設備行業由單一先進邏輯週期轉向邏輯與存儲同步擴產。

伯恩斯坦測算的 2027—2029 年 7360 億美元 WFE 不是確定性結果，但其支出方向具備產業合理性。即使 50GW 基準情景只部分兑現，全球 WFE 中樞仍可能高於過去週期。當前真正需要警惕的不是行業需求突然消失，而是設備股已經提前計入較強的 2027—2029 年增長預期。

海外設備股中，ASML 和 KLA 的核心價值是技術壁壘、訂單可見度和現金流質量；Lam Research 是存儲資本開支回升的高彈性資產；Applied Materials 提供邏輯、存儲和先進封裝的綜合敞口。

A 股設備鏈中，北方華創仍是平台型核心資產，但需要利潤率和現金流重新匹配收入增長；中微公司與存儲設備支出結構的契合度最高；拓荊科技擁有較高增長斜率，但現有定價對業績兑現要求嚴格；華海清科在 CMP、減薄和先進封裝方向具備相對均衡的風險收益比；盛美上海需要依靠清洗以外設備改善增長斜率。

投資框架

設備股下一階段的超額收益不會來自 “AI 資本開支增長” 這一共識本身，而來自三個更具體的變量：誰佔據設備支出增長最快的工藝環節，誰能夠在客户擴產中提高份額，誰能夠把訂單轉化為扣非利潤和自由現金流。

風險提示

本文涉及的產業測算依賴數據中心新增容量、機架配置、晶圓消耗、設備資本強度及晶圓廠擴產節奏等假設。實際結果可能受到電力接入、資本開支調整、芯片架構變化、良率提升、設備複用、出口限制及宏觀週期影響。文中涉及公司及數據僅用於產業研究，不構成任何投資建議。