AI Agent 时代的半导体设备与内存周期：从推理负载、库存放大到 WFE 拐点

AI Agent Semiconductor Equipment & Memory Cycle 趋势型深度研报

1.1｜一页决策驾驶舱

一句话 thesis

AI agent 会把 AI 硬件需求从“训练大模型”扩展到“企业业务事件触发的持续推理”，但这条需求不会直接变成半导体设备收入。它会先通过云厂商 capex、GPU/ASIC/HBM 采购、晶圆厂/存储厂/封装厂 capex，再传导到 WFE 和设备订单；在这个过程中，内存价格和库存是最早的周期温度计，设备订单和收入是更滞后的资本品验证层。

当前最重要的判断

公司分层

未来 6-8 个季度最重要的红黄绿灯

最短结论

AI agent 是长期需求源头，内存是最早的周期温度计，设备是滞后但更高质量的资本品链。最危险的误读有两个：第一，在 AI 需求真实时过早否定设备链；第二，在内存和设备周期后段把峰值利润、峰值毛利率或峰值订单当作长期复利。

2.1｜核心 thesis：agent 是需求源头，内存是温度计，设备是滞后资本品链

AI agent 时代和上一轮大模型训练周期最大的不同，不是“模型更大”，而是“推理进入业务事件”。训练模型主要对应一次性大集群建设和阶段性训练任务；agent 工作流则把模型调用嵌入客服、销售、代码、财务、合规、数据分析、IT 运维、审计、审批和自动化执行。

一次成熟 agent 任务并不是一次回答，而是一条执行链：识别意图、规划任务、检索数据、调用工具、执行动作、读取结果、校验、回滚、重试、总结、写入系统、生成审计记录。这意味着一个业务事件可以变成多次模型调用、多轮检索、多次工具调用和多轮验证。

传统聊天机器人的硬件需求可以粗略写成：

推理需求 = 活跃用户 × 提问次数 × 每次 token 消耗

企业 agent 的硬件需求更接近：

推理需求 =
业务流程数量
× 每个流程的事件频率
× 每个事件的 agent 调用次数
× 每次调用的上下文长度
× 工具调用和验证轮数
× 多模态输入强度
÷ 模型、缓存、路由、小模型和芯片效率提升

这个公式的关键是“业务事件频率”。企业事件频率远高于人工主动提问频率。客服工单、销售线索、代码提交、财务凭证、IT 告警、供应链异常、数据库查询、内部审批，都可能触发 agent。若 agent 成为默认执行层，推理需求会从“人类主动问问题”扩展到“系统自动触发任务”。

但这仍然不等于半导体设备公司可以直接把 agent 需求当作设备收入。中间至少有四道闸门：

1. agent 使用量是否真的转化为更多推理计算，而不是被模型效率、缓存、路由、小模型和蒸馏抵消；
2. 推理计算是否转化为云厂商和企业新增资本开支，而不是先消化既有 GPU/ASIC 产能；
3. 云厂商 capex 是否转化为 GPU/ASIC、HBM、网络和服务器订单，而不是被电力、土地、冷却、供应链和现金流约束；
4. 芯片和存储订单是否转化为晶圆厂、存储厂和封装厂的新设备订单，而不是只提高既有产能利用率。

因此，本报告的主线不是“agent 强，所以设备和内存都强”，而是：

agent 工作流渗透
→ 推理调用和上下文需求增长
→ 云厂商 capex
→ GPU/ASIC/HBM/网络/服务器采购
→ 代工厂/存储厂/封装厂 capex
→ WFE、先进封装设备、测试和过程控制订单
→ 设备公司收入、毛利率、FCF/share

内存在这条链里最敏感。它既受益于 HBM、长上下文、多轮推理和 memory bandwidth 需求，也最容易被价格、库存、客户预期和渠道补库放大。设备在这条链里更滞后、更资本品化，但也更容易通过控制点、装机基数、服务收入和毛利率形成长期质量差异。

2.2｜Agent 硬件负载：不要只看 token，要看执行链长度

企业 agent 的硬件需求不能只用 token 数量估算。Token 是模型推理的直接计量单位，但企业任务的真实硬件负载来自完整执行链。一个 agent 工作流可能由多个模型、多个工具、多个数据库、多个权限系统和多个验证环节组成。对硬件链来说，真正重要的是执行链长度、并发度、可靠性要求和上下文保持方式。

可以把 agent 工作流拆成七种负载：

把这七种负载合并，可以得到更接近企业 agent 的硬件负载公式：

Agent 硬件负载 =
规划推理
+ 检索与重排
+ 生成推理
+ 工具调用失败重试
+ 验证推理
+ 记忆读写
+ 审计记录
+ 并发冗余

这就是 agent 工作流比聊天机器人更可能持续拉动硬件的原因。但也要注意，七种负载并不都同等拉动高端 GPU。部分负载会迁移到 CPU、ASIC、小模型、存储和网络。因此，agent 时代的硬件受益会更分散，也更需要判断利润落在哪一层。

需求曲线和效率曲线

Agent 需求的上行来自三类放大器：

同时存在三类抵消器：

所以，2027-2028 年真正要比较的是两条曲线：

需求曲线：agent 任务数量 × 调用次数 × 上下文长度 × 责任校验
效率曲线：模型效率 × 芯片效率 × 缓存/路由 × 专用化

如果需求曲线跑赢效率曲线，硬件链继续受益。如果效率曲线跑赢需求曲线，AI 应用收入可能继续增长，但设备和内存 capex 斜率可能下降。这种情况对软件公司可能是好事，因为推理成本下降释放毛利；但对内存和设备公司不一定是好事，因为硬件强度下降会降低上游扩产需求。

2.3｜从 agent 到设备订单：半定量传导漏斗

这篇报告最重要的模型不是某个公司估值，而是从 agent 使用到设备收入的传导漏斗。它告诉投资者：什么时候 agent 需求真的进入设备周期，什么时候它只是上游叙事。

3.1 传导漏斗

企业 agent 任务数
× 每任务模型调用次数
× 每调用平均计算 / 内存消耗
÷ 模型和硬件效率提升
= 推理算力需求

推理算力需求
× 云厂商自建 / 租赁比例
× GPU / ASIC / HBM 采购强度
= AI 硬件采购

AI 硬件采购
× 代工 / 存储 / 封装产能缺口
× 客户 capex 纪律
= 晶圆厂 / 存储厂 / 封装厂 capex

晶圆厂 / 存储厂 / 封装厂 capex
× WFE 占比
× 公司份额
× 订单转收入时滞
= 设备公司收入

这条漏斗说明，agent 需求进入设备公司的过程中，每一层都可能出现放大，也可能出现抵消。最上游的 agent 使用量增长，不一定等于云 capex 增长；云 capex 增长，不一定等于 WFE 增长；WFE 增长，也不一定等于每家设备公司收入和 FCF/share 同步上升。

3.2 漏斗变量表

这个表不需要立刻填满具体数字。它的作用是把未来季度更新变成可验证模型：每一季看哪些变量变强、哪些变量抵消、哪些公司真正受益。

3.3 云厂商 capex 是第一道验证

云厂商资本开支是 agent 需求向半导体设备传导的第一道验证。2025-2026 年，Microsoft、Meta、Alphabet、Amazon 的资本开支都处于高位，且管理层把 AI、数据中心、GPU、CPU、网络和 agent 平台作为重要投入方向。这是设备链和内存链的正面证据。

原稿中的关键锚点如下：

高 capex 有两种含义：一种是需求太强、供应跟不上；另一种是投资太重、未来需要更高收入和利用率证明回报。对设备链来说，capex 上修是短期绿灯；对中期周期来说，FCF、折旧、利用率和 ROI 表述同样重要。

3.4 三段时滞

这个时滞解释了为什么设备股常常在收入和 EPS 最好时已经接近周期后段，也解释了为什么设备股可能在收入仍弱时提前反弹。投资者如果只看当季收入，会被周期错位误导。

3.1｜内存为什么更容易被周期放大

设备周期和内存周期都受 AI、资本开支和半导体终端需求影响，但它们不是同一种周期。设备周期主要是资本开支周期；内存周期同时是资本开支周期、库存周期、价格周期和渠道预期周期。

4.1 产品属性差异

设备不会像内存那样在渠道里被大量囤积。EUV 光刻机、刻蚀设备、沉积设备、检测设备、测试机不会被分销商在现货市场炒作。设备周期的下行更多来自客户 capex 冻结、订单推迟和项目延后。

内存不同。DRAM、NAND、DDR 模组、SSD 和部分存储产品具备更强的标准化、可存储、可转售和可融资特征。价格上涨时，下游和渠道会提前备货；价格下跌时，同一批库存反向释放，形成超额去库存。

4.2 五层库存

内存库存至少有五层：

内存上行周期通常按这条链放大：

真实需求改善
→ 合约价和现货价上涨
→ OEM/云厂担心缺货提前下单
→ 模组厂和渠道补库存
→ 分销商与投机资金加仓
→ 上游看到订单和价格继续上涨
→ 存储厂提高 wafer starts 和 capex
→ 设备厂收到 memory capex 订单
→ 价格上涨进一步强化缺货叙事

下行周期则反向：

终端需求放缓或供给增加
→ 现货价先跌
→ 渠道停止补货并抛售库存
→ OEM/云厂推迟采购
→ 合约价下调
→ 存储厂库存上升
→ 毛利率压缩，甚至出现 write-down
→ 存储厂削减 wafer starts 和 capex
→ memory equipment 订单下滑

4.3 Micron 是最清楚的周期样本

Micron 的历史数据提供了非常清楚的周期证据。原稿引用 Micron 2024 Form 10-K：FY2022 收入为 307.58 亿美元，毛利率 45%；FY2023 收入降至 155.40 亿美元，毛利率转为 -9%，并确认 18.31 亿美元库存 NRV write-down。公司披露 FY2023 DRAM ASP 下降高 40% 区间，NAND ASP 下降低 50% 区间。

到了 FY2026 Q2，Micron 又进入强上行。原稿引用 Micron FY2026 Q2 10-Q：FY2026 Q2 收入 238.60 亿美元，DRAM 收入 187.68 亿美元、NAND 收入 49.97 亿美元；第二季度 DRAM 收入同比增长 207%，NAND 同比增长 169%，合并毛利率从 FY2025 Q2 的 37% 提高到 FY2026 Q2 的 74%。

这两组数据说明：内存上行时利润弹性极强，下行时利润表可以快速坍缩。因此，内存股的财务指标要反周期读：

4.4 CapEx/D&A 是供给纪律指标

内存行业最危险的时点，通常不是需求刚转强，而是高毛利率刺激所有厂商同时扩产。CapEx/D&A 是一个简洁但有用的供给纪律指标。原稿给出的经验阈值是：CapEx/D&A 约 1.0x 附近，通常说明扩产仍相对纪律；若持续突破 1.2x，则过度投资风险上升。

这个阈值不是机械真理，但方向正确：资本开支持续高于折旧，说明行业在增加产能基础，未来供给压力会提高。在 HBM 周期中，CapEx/D&A 还要拆成两层：

1. 工艺升级和 HBM 产能转换：可能是合理投资；
2. 总 wafer capacity 扩张：更容易造成后续供给压力。

如果 capex 主要用于 HBM 技术迁移、先进封装和良率提升，周期压力较小。如果 capex 明确转向新增 wafer capacity，并且三大存储厂同步扩张，2027-2028 的供给风险会显著提高。

3.2｜HBM：周期延迟器，不是周期消除器

HBM 确实比普通 DRAM 更特殊。它和 GPU/ASIC 供应链绑定更深，客户更集中，认证更严格，封装复杂度更高，短期供给更难快速释放。AI 加速器性能受 memory bandwidth 约束，HBM 是系统级瓶颈之一。

5.1 HBM 的四个缓冲

这使 HBM 在近端更像“高责任内存”，不是普通 commodity DRAM。

5.2 为什么 HBM 仍是周期延迟器

HBM 并不会自动消除存储周期，原因有五个：

1. 价格高会诱导供给响应。Samsung、SK hynix、Micron 都在 HBM3E/HBM4/HBM4E 上投入；
2. AI capex 依赖云厂商 FCF 和 ROI。若 AI agent 收入增长不够快，云厂商可能调整采购节奏；
3. 先进封装和 CoWoS 产能可能从瓶颈变成平衡点，释放更多 HBM 供应；
4. HBM 占用 DRAM wafer capacity，会扰动传统 DRAM 价格和渠道库存行为；
5. 推理芯片可能使用不同 memory hierarchy，不是所有推理都需要最高规格 HBM。

更准确的判断是：

短期：HBM 提高内存周期质量，减轻普通 DRAM/NAND 过剩压力；
中期：HBM 高毛利刺激 capex，存储厂同步扩产；
长期：若 agent 推理量继续超过效率提升，HBM 维持结构性紧张；若效率/供给跑赢需求，HBM 也会出现周期。

2027-2028 年的关键问题是：HBM 新增供给进入市场时，企业 agent 工作流和多模态推理需求是否已经足够大。如果足够大，HBM 会从训练周期扩展为推理周期的长期瓶颈；如果不够大，HBM 会重演高价格诱导过度供给的经典内存逻辑。

3.3｜设备周期：更滞后、更资本品化，但质量分化更清楚

设备周期并不温和。WFE 历史波动很大，尤其在资本开支集体收缩时，设备订单会快速下降。区别在于，设备周期更像资本开支预算周期，不像内存那样被现货价格和渠道库存直接放大。

6.1 设备公司的五层缓冲

6.2 设备周期的三类硬风险

1. 客户 capex 冻结。若云厂商、晶圆厂或存储厂进入资本纪律阶段，设备新订单会先于收入下降；
2. 产品 mix 恶化。收入增长如果来自低毛利产品、客户定制或供应链成本高的业务，利润不一定同步增长；
3. 库存和应收恶化。设备公司为交付准备会增加库存，但若订单放缓，DIO 上升会从“备货”变成“累库”。

6.3 正确读法：斜率周期和控制点周期分开

斜率周期：WFE、客户 capex、订单和收入会随行业波动；
控制点周期：毛利率、份额、服务收入、FCF/share 是否保持，决定长期质量是否受损。

单纯 WFE 下行不一定打断 ASML/KLA 的长期逻辑；但如果 WFE 下行同时伴随毛利率下台阶、服务收入放缓、订单份额丢失、DIO/DSO 恶化和 FCF 转化下降，就不是普通周期，而是控制点弱化。

6.4 设备财务指标怎么读

4.1｜公司分层：谁是控制点，谁是周期放大器

7.1 ASML：最硬物理控制点，但订单仍有周期

ASML 控制先进制程图形化的物理可行性。EUV 和 High-NA EUV 的第二选择差距极大，客户几乎没有替代方案。AI agent 若继续推动先进逻辑芯片、GPU/ASIC 和先进 DRAM base die，ASML 会通过 TSMC、Samsung、Intel 和存储厂 capex 受益。

ASML 的周期不是没有，而是被 backlog、客户预付款、交付节奏和路线图平滑。最重要的领先指标不是当季收入，而是 order intake、High-NA 采用节奏、客户预付款、Installed Base Management 和地缘出口限制。

7.2 KLA：最像“软件型硬件控制点”的设备公司

KLA 的核心不是普通设备，而是过程控制、缺陷可见性、良率学习速度和制造反馈闭环。AI/HBM/先进封装提高了芯片错误成本，芯片越贵，客户越不能承受良率损失，过程控制价值越高。

KLA 相对 memory cycle 更钝。即使 WFE 放缓，先进制程和先进封装复杂度仍可能提升检测密度。真正的风险触发条件不是 WFE 下行，而是检测强度停止上升、先进封装增长稀释毛利、客户在量产线中采用低价替代工具。

7.3 Lam Research：高质量但 memory beta 最大

Lam 是刻蚀、沉积和存储相关设备中的高质量公司。3D NAND 高深宽比刻蚀、DRAM/HBM、GAA、advanced packaging 都提供结构性需求。Lam 的 CSBG 是重要装机基数资产，能缓冲系统设备周期。

但 Lam 的 memory beta 很高。HBM 和 DRAM capex 上行时，Lam 受益明显；一旦 HBM 供需反转、DRAM/NAND capex 下修、TEL 在关键刻蚀环节获得 production 份额，Lam 的订单和估值更敏感。

7.4 Applied Materials：广度提供缓冲，也分散控制点

AMAT 覆盖沉积、刻蚀、离子注入、PVD、CMP、先进封装和服务等多个环节。广度在下行周期提供缓冲，因为不同产品线不会完全同步下行。但广度不是自动护城河。真正需要验证的是：AMAT 是否在 AI/HBM/GAA/先进封装中拿到高价值钱包份额，而不是只作为广义 WFE beta。

AMAT 还需要看 CapEx/FCF。EPIC Center 和相关投资可能提升客户协同、材料工程和跨工艺能力，但在财务上会先压低 FCF。如果高 CapEx 不能转化为更高毛利、更高份额和更稳定服务收入，就不能把它简单视为高质量再投资。

7.5 Tokyo Electron：强竞争者和反事实变量

TEL 是 Lam 和 AMAT 的重要反事实。它在刻蚀、沉积、清洗、涂胶显影等领域有强竞争力。对 Lam 来说，TEL 在低温刻蚀和 NAND 通道刻蚀上的进展尤其重要。若 TEL 的工具从 evaluation 进入 Samsung/SK hynix/Micron 的 production line，Lam 的第二选择差距会下降。

TEL 的意义不仅是自身投资价值，也是校验美国设备公司护城河的压力测试。真正的设备 control point 必须在 production-grade 第二选择比较中成立，而不是只在产品发布会上成立。

7.6 ASM International：窄而深的 ALD/Epi 控制点

ASM 的 ALD/Epi 暴露于 GAA、先进逻辑、先进 DRAM 和部分 HBM 相关结构。它不像 AMAT 那样广，但窄控制点可能更深。AI agent 需求传导到 ASM 的路径是先进制程和新材料步骤增加，而不是简单 wafer volume。

ASM 的关键是订单持续性、毛利率稳定性和多客户化。如果增长来自少数节点或少数客户，需要防止一次性 capex 被当成长期复利。

7.7 Onto / Camtek / Nova：先进封装检测高弹性二阶受益者

AI/HBM 和先进封装提高了 2.5D/3D 封装、TSV、micro-bump、hybrid bonding、CoWoS 和先进基板的检测需求。Onto、Camtek、Nova 都有机会受益。原稿提到 Onto 披露 HBM volume purchase agreement，说明先进封装检测需求已经有硬订单，而不是纯叙事。

这组公司最需要防止“单客户、单产品、单周期”的误判。只有订单多客户化、产品多代际化、毛利率稳定、FCF 跟随，才能从高弹性周期标的发展为长期复利候选。

7.8 Teradyne / Advantest：AI 测试需求强，但测试设备也有周期

AI accelerator、HBM、chiplet、多 die 封装和高可靠性推理都提高测试复杂度。企业级 agent 对可靠性要求更高，硬件错误成本上升，测试价值提升。Advantest 和 Teradyne 会受益于高端 SoC、HBM 和系统级测试。

但测试设备订单可能比过程控制更周期化。新产品周期、客户集中、tester 采购高峰和后续消化，都可能让收入波动大。测试链的关键是 backlog、客户集中、利用率和下一代 tester ASP，而不是只看 AI 标签。

4.2｜2027-2028 分水岭：需求、效率、供给三条曲线谁跑得快

未来两年最重要的不是“AI 是否存在”，而是三条曲线的相对速度：

需求曲线：agent 工作流渗透、调用次数、上下文长度、多模态、企业执行责任
效率曲线：模型压缩、推理优化、缓存、路由、小模型、芯片能效
供给曲线：GPU/ASIC/HBM/CoWoS/设备产能释放

路径一：agent 超级推理周期成立

企业 agent 大规模进入生产级部署，模型调用从用户活跃度扩展到业务事件频率。推理需求增长超过模型效率提升。云厂商继续受产能限制，AI 收入和云收入支撑 capex。HBM 供不应求延续，DRAM/NAND 价格维持高位但不失控。存储厂 capex 上升主要用于 HBM、先进封装和技术迁移，而不是无纪律扩总产能。

这一情景下，ASML/KLA/Lam/AMAT/TEL/ASM/Onto/Camtek/Nova/Teradyne/Advantest 都受益。KLA、ASML 质量最好，Lam/ASM/Onto/Camtek/Nova 弹性更强，内存公司利润高位持续更久。

路径二：AI 应用增长但 capex 斜率放缓

AI 使用量继续增长，但模型效率、缓存、路由、小模型和自研芯片降低单位硬件需求。云厂商收入增长，但 capex 增速下降。HBM 从极度紧缺转为平衡，普通 DRAM/NAND 价格先松动。设备订单仍有 backlog 支撑，但新增订单放缓。

这一情景对软件公司可能不差，对硬件链估值不利。KLA/ASML 相对抗压，Lam/AMAT/TEL 和内存股更敏感。先进封装和测试公司若订单多客户化仍可保持增长，但单客户高弹性公司风险上升。

路径三：内存先过热后反转

HBM 紧缺带动 DRAM/NAND 价格上涨，渠道补库和投机库存放大缺货。存储厂毛利率极高，capex 加速。到 2027-2028，新产能释放、客户库存升高、价格预期转向，现货价先跌，合约价后跌，存储厂库存上升，capex 下修。

这一情景下，内存股先涨后跌，Lam/TEL/AMAT memory 相关订单承压，KLA/ASML 滞后受影响但长期控制点不一定破坏。投资者最需要避免在峰值毛利率和低 PE 时把内存股当长期复利。

路径四：AI ROI 受质疑，设备进入传统下行

企业 agent 采用慢于预期，AI 应用收入不足以支撑云厂商 capex。云厂商推迟数据中心项目，GPU/HBM 交期缩短，存储价格回落，晶圆厂和存储厂下修 capex，WFE 下行。

这一情景对整个设备链不利。区别在于，ASML/KLA 更可能保持控制点和服务收入，Lam/AMAT/TEL 收入弹性更大，小型先进封装检测和测试公司订单断档风险更高。内存公司利润回撤最明显。

5.1｜季度 tracker：把叙事变成可验证变量

9.1 Agent 需求领先指标

9.2 内存周期领先指标

9.3 设备周期领先指标

9.4 执行顺序

未来 6-8 个季度，最好的跟踪顺序是：

先看 agent 是否进入生产级企业流程；
再看云厂商 capex 是否有收入和 FCF 支撑；
再看 HBM/DRAM/NAND 价格和库存是否过热；
再看存储厂 capex 是否从工艺升级变成总产能扩张；
最后看设备公司订单、毛利率、DIO/DSO、服务收入和 FCF/share 是否同步验证。

这套顺序能避免两个相反错误：在 AI 需求真实时过早否定设备链，也能避免在内存和设备周期后段把峰值利润当成长期复利。

5.2｜最终判断

AI agent 时代的硬件需求真实存在，而且比聊天式 AI 更可能形成高频、持续、企业级推理负载。它会提高对 GPU/ASIC、HBM、先进封装、测试、过程控制和先进逻辑设备的需求。

但这条链条不应被简化成“agent 强，所以所有半导体设备和内存都长期上涨”。更准确的结构是：

agent 工作流渗透
→ 推理调用和上下文需求增长
→ 云厂商 capex
→ GPU/ASIC/HBM/网络/服务器采购
→ 代工厂/存储厂/封装厂 capex
→ WFE、先进封装设备、测试和过程控制订单
→ 设备公司收入、毛利率、FCF/share

内存在这条链里最敏感。它既受益于 HBM 和推理需求，也最容易被价格、库存和渠道预期放大。设备在这条链里更滞后、更资本品化，也更容易通过控制点、装机基数和服务收入形成长期质量差异。

因此，未来判断半导体设备和内存周期，要把两句话同时放在桌面上：

AI agent 是长期需求源头。
内存价格和库存是最早的周期温度计。

设备公司的长期赢家不会只是“接触 AI”的公司，而是能把 AI 复杂度转化为生产级控制点、毛利率、服务收入和 FCF/share 的公司。内存公司的机会不会只来自“HBM 紧缺”，而来自在高需求阶段仍保持供给纪律、避免高毛利率诱发过度扩产的公司。

如果只能保留一个判断顺序，就是：

先看 agent 需求是否真实进入业务事件频率；
再看云厂商 capex 是否有收入和 FCF 支撑；
再看 HBM/DRAM/NAND 价格和库存是否出现放大或反转；
再看存储厂 capex 是否从工艺升级变成总产能扩张；
最后看设备公司订单、毛利率、DIO/DSO、服务收入和 FCF/share 是否同步验证。

6.1｜附录 A：历史周期时间轴

A1. 2000-2002：互联网泡沫后的半导体资本开支坍缩

互联网泡沫时期，通信、PC、服务器和网络设备需求被高估，半导体行业扩产，设备订单强劲。泡沫破裂后，终端需求下降，芯片库存高企，晶圆厂资本开支大幅削减，WFE 出现深度下行。

这一阶段说明：设备周期可以非常大。即使设备不能被渠道囤货，只要客户资本开支集体冻结，设备订单就会快速下滑。但下滑机制来自客户 capex，而不是设备渠道库存。

A2. 2006-2008：DRAM 扩产竞争和价格崩塌

DRAM 行业早期典型周期来自供给竞争。2006-2008 年，DRAM 产业在需求看似强劲时出现激进扩产，行业参与者为了份额、规模经济和工艺迁移持续投资。韩国和台湾厂商之间的竞争带来明显的 race / chicken game 特征。

后果是，短缺快速转为过剩，价格暴跌，弱者被迫退出或重组。这个周期说明，内存行业的问题不是没有技术壁垒，而是技术壁垒无法阻止供给竞争和价格周期。

A3. 2018-2019：数据中心和智能手机库存反转

2017-2018 年，DRAM 和 NAND 价格强劲，数据中心、智能手机和服务器需求支撑内存厂利润。随后终端需求放缓、客户库存积累、价格下行，存储厂盈利和资本开支转弱。

这个周期验证了一个重要规律：当 memory price 转向时，投资者不应等待设备公司收入转弱才反应。存储价格和客户 capex 指引通常领先设备订单。

A4. 2021-2023：疫情需求、PC/服务器库存和存储崩塌

2020-2021 年，疫情期间 PC、云、数据中心和消费电子需求大幅上升，供应链紧张强化了提前下单和双重订货。进入 2022-2023 年，PC 和消费电子需求转弱，服务器客户消化库存，渠道库存过高，DRAM/NAND 价格快速下行。

Micron FY2022 到 FY2023 的收入和毛利率变化，是这轮周期最直观的样本。收入几乎腰斩，毛利率从高位转负，库存 write-down 进入财报。存储厂不能像软件公司一样快速削减成本，因为晶圆厂固定成本高、折旧高，产能利用率下降会进一步伤害单位成本。

A5. 2024-2026：AI/HBM 周期抬升，但也开始埋下供给响应

本轮和前几轮不同之处在于，HBM 成为结构性新需求。HBM 不是普通 DRAM。它通过垂直堆叠、TSV、先进封装和与 GPU/ASIC 的近距离连接来解决 memory wall，单颗价值高、认证复杂、客户集中、供应链紧密绑定。

这会降低 HBM 近端商品化程度，但不会完全消除存储周期。高价格会诱导存储厂扩产和转换产能；HBM 需求来自少数大客户和 AI capex；先进封装和 CoWoS 从瓶颈到释放，也会改变供需平衡。

6.2｜附录 B：内存渠道金融化机制

判断内存周期，不能只看生产商库存。真正领先的信号是价格、渠道、客户采购行为和 capex 指引。

B1. 真实短缺的特征

1. 合约价和现货价同时上涨；
2. 大客户长期合同锁量；
3. 交期拉长，供应商不愿接受低质量订单；
4. 客户愿意接受更高价格而不是取消需求；
5. 上游毛利率上升同时库存没有异常增加；
6. 终端产品价格可以部分传导；
7. 多个下游应用同时缺货，而不是只有渠道现货紧张；
8. 新产能需要 12-24 个月以上才能释放。

HBM 当前更接近真实短缺，因为认证、封装、良率和客户绑定提高了供应门槛。

B2. 表观短缺的特征

1. 现货价涨得远快于合约价；
2. 渠道库存上升但终端销量没有同步增长；
3. OEM 采购高于实际出货；
4. 分销商和模组厂开始囤货；
5. 价格上涨引发更多提前采购；
6. 管理层强调“客户担心缺货”多于“终端使用量增长”；
7. 价格一旦松动，订单迅速消失；
8. 下游客户开始修改设计减少内存用量。

最常见的是混合短缺：AI/HBM 端真实紧缺，普通 DRAM/NAND 端被挤出供应，渠道又进一步囤货。结果是所有内存价格一起上涨，但背后的质量不同。

B3. 放大层数

设备公司通常处在 2-3 层；内存常常处在 4-5 层。这就是它们周期形态不同的根本原因。

6.3｜附录 C：设备财务周期读法

C1. 设备库存的三种状态

ASML 的高库存更接近前两种，因为 EUV/DUV 设备制造周期长，客户预付款和 backlog 重要。Lam/AMAT/TEL 的库存更要看 memory capex，因为存储周期反转会更快影响系统设备需求。KLA 的库存要结合过程控制订单和服务收入，不能只看绝对 DIO。

C2. 应收周期的三种解释

设备 DSO 上升可能来自三种原因：

1. 收入确认集中在季度末，短期拉高应收；
2. 客户验收和付款节点变化；
3. 客户付款能力或议价条件恶化。

单独 DSO 上升不能直接下结论；如果 DSO、DIO、毛利率和订单一起转坏，才是周期确认。

C3. 递延收入和客户预付款

设备收入滞后，递延收入和客户预付款更早。客户愿意提前付款，说明设备稀缺、交付关键、第二选择差距大。但预付款也不是纯粹好事，因为它对应未来交付义务。

真正的红灯不是递延收入低，而是递延收入连续下降、订单低于收入、库存仍高、毛利率下降。

6.4｜附录 D：公司深拆检查表

6.5｜附录 E：最容易误读的十个信号

1. AI 应用收入增长等于设备收入增长。 AI 应用收入只是最上游变量，它必须穿过云 capex、芯片订单、晶圆厂 capex、WFE、设备份额和收入确认。
2. 云厂商 capex 越高越好。 短期是需求证据，长期要看 ROI 和 FCF。
3. HBM 紧缺打破存储周期。 HBM 改善周期质量，但不会消除供给响应。
4. 内存股低 PE 是便宜。 存储股低 PE 可能是峰值利润信号。
5. 设备库存高就是坏事。 设备库存要和订单、客户预付款、毛利率和 FCF 一起看。
6. 设备收入强说明周期早期。 设备收入滞后，订单和 backlog 更领先。
7. 过程控制只是 WFE beta。 KLA 等过程控制公司受益于复杂度和错误成本，不只是 wafer 数量。
8. 先进封装公司都是长期赢家。 高弹性公司必须通过多客户、多代际、多产品线、毛利率和 FCF 验证。
9. 设备公司比内存公司无周期。 设备仍有周期，只是周期来源不同。
10. 模型效率提升只利好软件。 模型效率提升会降低软件成本，也可能降低硬件需求斜率。

6.6｜附录 F：主要来源与数据台账

本版未新增来源，沿用原稿中的主要公司披露和资料链接。关键数据包括：

100BAGGERS.CLUB

© 2026 投资研究Agent. All rights reserved.