2026年3月5日，摩根士丹利发布亚洲半导体行业研究报告：

《Greater China Semiconductors – Bullish on Cloud, Memory and Optical Outlook; Accumulating Ahead of GTC》。

报告认为，当前半导体行业的核心驱动仍然来自人工智能基础设施建设，但市场关注点正在发生变化。

如果说2023–2024年的AI周期主要集中在GPU，那么进入2025–2026年之后，AI需求开始向更广泛的半导体产业链扩散，包括：

• 存储（Memory）

  
  

• 先进封装（Advanced Packaging）

  
  

• 定制ASIC芯片

  
  

• 数据中心网络

  
  

摩根士丹利的结论是：

AI算力投资仍在扩张阶段，而半导体行业正在进入新一轮结构性需求周期。

一、云厂资本开支仍在扩张

AI半导体需求的核心仍然来自云计算厂商。

摩根士丹利统计显示：

2025年第四季度，全球四大云厂（Amazon、Microsoft、Google、 ）的资本开支同比增长64%。

如果扩大到全球前十大云厂，摩根士丹利预计：

2026年全球云计算资本开支将接近6850亿美元。

而在更长期的预测中，英伟达CEO黄仁勋曾提出：

全球AI基础设施投资规模在2028年前可能达到1万亿美元。

这一趋势意味着：

AI基础设施建设仍处于扩张周期，而不是市场担忧的见顶阶段。

二、AI推理正在改变存储需求结构

摩根士丹利认为，本轮AI周期中最容易被低估的环节是存储需求。

AI推理模型需要保存大量上下文数据（Context Memory），
因此正在推动新的存储架构需求。

报告提出一个概念：

ICMS（Inference Context Memory Storage）

即专门用于AI推理的上下文存储系统。

按照摩根士丹利测算：

到2027年，AI推理需求将额外消耗13%的全球NAND存储需求。

与此同时，NOR Flash市场也可能进入供给紧张状态。

报告认为：

AI存储需求可能重新触发存储行业的上行周期。

三、HBM成为AI算力的关键瓶颈

AI芯片性能提升的核心依赖之一是高带宽存储（HBM）。

摩根士丹利预计：

2026年全球HBM需求可能达到约320亿Gb。

在需求结构中：

NVIDIA仍然是HBM最大的消耗者。

AI GPU与AI ASIC芯片对HBM的需求快速增长，使HBM成为AI算力供应链中的关键资源。

这一趋势也解释了为什么：

• SK Hynix

  
  

• Micron

  
  

• Samsung

  
  

在AI周期中表现突出。

四、先进封装成为AI芯片产能瓶颈

AI GPU不仅需要先进制程，还高度依赖先进封装。

摩根士丹利预计：

台积电CoWoS先进封装产能到2026年可能扩大至125k wafers per month。

需求主要来自：

• NVIDIA

  
  

• AMD

  
  

• 各大云厂自研AI芯片

  
  

先进封装因此成为AI芯片供应链的重要瓶颈。

五、AI ASIC正在快速崛起

除了GPU之外，云厂正在大规模开发自研AI芯片。

目前主要项目包括：

• Google TPU

  
  

• Amazon Trainium

  
  

• Microsoft Maia

  
  

• MTIA

  
  

  
  

  
  

摩根士丹利预计，未来几年AI ASIC出货量将持续增长。

例如：

AWS Trainium系列芯片的出货量在未来几年将持续提升。

这意味着未来AI算力市场将呈现：

GPU + ASIC并行发展的格局。

六、中国AI GPU替代正在推进

报告也对中国AI芯片产业进行了预测。

摩根士丹利预计：

中国GPU自给率将从2024年的34%提升至2027年的50%。

同时，中国AI云市场规模预计在2027年达到：

约480亿美元。

这意味着全球AI算力产业链正在出现一定程度的区域化结构。

我的理解

如果把整份报告总结为一句话，其实很简单：

AI半导体周期正在从“算力”扩散到“整个供应链”。

早期市场关注的是GPU。

但随着AI基础设施规模扩大，需求正在扩散到：

• 存储

  
  

• 先进封装

  
  

• 网络芯片

  
  

• 定制ASIC

  
  

  
  

  
  

这意味着：

AI不再只是一个单一芯片周期，而是整个半导体产业链的结构性需求周期。

对于半导体行业而言，
真正的变化不是GPU需求，而是算力基础设施的长期建设。