近來市場對人工智慧（AI）是否已經「過熱」議論不休，一派憂心資本支出過猛、投資報酬跟不上腳步；但摩根士丹利最新的產業報告提出另一個觀察角度：與其聽各方隔空論戰，不如直接檢視供應鏈的排隊實況。從雲端業者的資本支出，到晶圓代工、先進封裝與測試設備的產能調度，只要這條隊伍還沒有明顯縮短，就很難說 AI 需求已經退燒。
報告指出，若不計主權 AI 相關支出，全球前十四大上市雲端服務商，到 2027 年的雲端資本支出將逼近 1.3 兆美元。
這筆錢並非停留在財報數字，而是會層層轉化：先進到伺服器與資料中心的採購，再化為 GPU、ASIC、CPU 與 HBM 的訂單，最終落到台積電 (2330-TW) 的先進製程、CoWoS 封裝與測試設備產能上。
在這樣的需求支撐下，摩根士丹利預估台積電 2026 年資本支出將達 560 億美元，2027 年再攀升至 750 億美元；2 奈米需求依然強勁，N2 產能在 2026 至 2028 年間可能出現約七成的年複合成長。
值得留意的是，台積電並非靠降價搶單。報告提到，2027 年先進製程報價可能還會上調 5% 至 10%。漲價的同時仍持續擴產，反映出客戶要的不只是一片晶圆，而是先進 AI 晶片穩定交付的保證。
隨著 AI 晶片走向運算晶片、HBM、互連元件與基板得一起塞進同一顆封裝，前段晶圓製造完成後，能否順利把 GPU、ASIC 與 HBM 整合封裝，反而成為交貨與否的關鍵，這也讓 CoWoS 與 SoIC 先進封裝技術的重要性水漲船高。
依報告估算，台積電 CoWoS 產能將從 2025 年底的月產約 7 萬片，擴增至 2026 年底的 12 萬片，2027 年底更可能上看 20 萬片；SoIC 產能同步攀升，預估 2026 年底達月產 1.4 萬片，2027 年底 4 萬片，2028 年底達 7 萬片。
晶片面積愈做愈大，封裝隨之放大，測試時間也愈拉愈長，測試設備市場預估在 2024 至 2027 年間將以約 35% 的年複合成長率擴張。換言之，AI 晶片能否如期問世，往往不是卡在算力，而是卡在任何一道製程環節。
若只緊盯輝達，恐怕會低估這波 AI 半導體熱潮的廣度。報告顯示，Google(GOOGL-US) 的 TPU、亞馬遜 (AMZN-US) AWS 的 Trainium、微軟 (MSFT-US) 的 Maia、Meta(META-US) 的 MTIA，以及超微半導體 (AMD-US) 的 MI 系列與各家客製化 ASIC，都在爭搶先進製程與封裝產能。
摩根士丹利預估，到 2027 年 AI 運算相關的晶圓消耗金額可能突破 460 億美元，輝達仍是最大需求方之一，但 Google、超微、AWS、微軟與 Meta 也各自佔有一席之地。
這股趨勢也反映在台積電自身的營收結構上。AI 半導體業務占台積電總營收比重，2026 年可能超過 30%，2024 至 2029 年 AI 相關營收年複合成長率估計約 60%。
這也說明雲端業者並非押注單一路線，而是同時佈局：
- 通用 GPU 持續追求最強訓練與推理效能；
- 客製化 ASIC 力求壓低自家工作負載的成本；
- AI CPU 則負責調度與資料搬運。
- HBM 和先進封裝，把這些晶片真正連起來。
隨著 AI 應用從單純「回答問題」走向「執行任務」，CPU 的角色也愈加吃重。報告將 CPU 協同運算市場基本情境上修至 790 億美元，樂觀情境甚至上看 2380 億美元。
AI 伺服器不只需要強大算力，也需要充足記憶體。報告估算，2027 年 HBM 消耗量最高可能達約 506 億 Gb，輝達依舊是最大買家，但 Google、超微半導體、AWS 等業者同樣分食供應。
此外 NAND 快閃記憶體需求也被 AI 拉緊，NOR Flash 到 2026 年恐面臨供不應求，DDR4 短缺情況則可能延續至 2026 年下半年。
另一方面，中國的 AI 算力發展則走出不同路徑。報告預估，中國 AI GPU 市場規模到 2030 年可能達到 910 億美元，其發展邏輯並非單純追求單顆晶片的效能突破，而是把晶片、封裝、機櫃、叢集與整體成本一併納入考量。
單顆 die 效能不足，就封裝更多 die；單顆晶片不夠力，就擴大機櫃與叢集規模；製造產能有限，就持續擴產。
在推論應用場景中，中國業者更看重總體擁有成本與每 token 成本表現，報告估算中國 AI 晶片的 TCO 可能比輝達方案低 30% 到 60%，每 token 成本甚至可能與輝達方案相當或更具優勢。
AI 是否存在階段性過熱疑慮，市場上確實不乏質疑聲音，資本支出過高、投資回收太慢、算力使用率不足，都是真實存在的擔憂。
然而，從供應鏈端傳出的訊號相對樸實。台積電持續加碼資本支出、CoWoS 與 SoIC 月產能持續擴張、HBM 與 NAND 及測試設備供給仍在追趕需求、中國算力產業也以自己的一套系統打法向前推進。
換句話說，要判斷 AI 熱潮是否降溫，不能只看單一顆 GPU 的銷量，也不能只憑一句「算力過剩」的說法下定論，更值得觀察的，是先進製程、先進封裝、HBM、測試設備與資料中心機櫃這些關鍵環節的排隊情況是否真的鬆動。至少就目前而言，這張隊伍依然很長。
