KOL Digest
財報狗 · 2026.05.07 週四 · Podcast

財報狗 - 掌握台股美股時事議題 — 520.【財經時事放大鏡】機器人 x 矽晶圓

5 個主題 · 12 個標的/題材

機器人產業:VLA 模型更新與落地進展

  • NVIDIA 黃仁勳提到生成式 AI 從理解場景進階到模擬動作,機器人概念股重新受關注。今年機器人訓練的軟體套件有較大更新,包含 VLA(Vision Language Action)智能引擎,將更多物理世界元素納入模型訓練。
  • 傳統工業機器人需逐一以 PLC 控制編寫動作;未來藉由 VLA 大模型,機器人可從自然語言理解目標並自主執行,減少人工編程需求。不過訓練資料需大量標註,數位世界(Digital Twins)的建置是前期門檻。
  • 目前較快落地的仍是專業型機器人,如 AMR、倉庫巡檢車,無人機巡檢也越來越多。$$NVIDIA 近期發表相關論文和工具,但實際落地狀況仍待觀察。泛用型人形機器人仍需時間。
$NVDA 看多 長期

推動 VLA 大模型與機器人訓練工具更新,是產業生態主導者。泛用型人形機器人是長期趨勢,NVIDIA 的軟硬體生態是關鍵核心

機器人 看多 長期

VLA 模型與訓練套件今年有重大更新,專業型機器人(AMR、巡檢無人機)量開始上升。泛用型機器人仍需時間,但長期趨勢明確

AI算力 看多 中期

機器人訓練需大量數位世界模擬與視覺感知運算,AI 算力需求持續擴大。NVIDIA 的生態系統決定了機器人產業發展節奏

機器人台灣供應鏈:Sensor 與精密機械

  • 機器人大腦訓練主要由機器人公司主導;Sensor 方面日本最強,台灣優勢較多體現在 IPC、工控領域的 Domain Know How(如得來速點餐、麥當勞點餐機等應用)。
  • 過去機器人討論多聚焦關節、軸承、減速器等肢體零件,但『看見後做出動作』(VLA 的橋樑)是更難的題目。這需要將視覺感知(CNN)與控制器(LLM)整合,精度要求在微米級。
  • 台灣精密機械廠能做半導體機台的細微控制,轉做機器人精度綽綽有餘,但目前產能優先投入半導體設備。Sensor 被視為機器人產業的入口,但短期實際獲利仍來自既有高精度產業。
機器人 看多 中期

台灣在精密加工、馬達、螺桿、減速器等肢體零件有競爭力,但與廠商交流後發現 Sensor 才是當前入口。短期獲利仍來自半導體設備等既有優勢產業,機器人貢獻尚小

半導體 看多 中期

能生產半導體機台的精密機械廠,轉做機器人精度綽綽有餘,但目前產能優先投入半導體設備。半導體設備仍是更確定性的短期獲利來源

半導體成熟製程回溫:晶圓代工與電源管理

  • 聯電、世界先進等晶圓代工廠法說會確認 12吋產能已緊,8吋成熟製程也開始回溫並有機會調價。這與先前電源管理晶片廠(德儀、NXP)法說釋出的正面訊號一致。
  • AI 需求透過 HVDC(高壓直流)帶動電源控制元件需求,而高階產能優先拿去服務 AI,間接減少 8吋供給,形成緊俏。電源管理晶片是目前 8吋回溫的主要驅動力,工業與車用尚在築底階段。
  • 晶圓代工利用率拉高已發酵一陣子,接下來市場目光應從台積電轉向後段封測及上游材料。成熟製程的全面復甦正在進行中
$2303.TW 中期

12吋產能已緊,8吋也開始回溫,利用率節節上升並有調價空間。成熟製程的復甦訊號明確,聯電將直接受惠

$5347.TWO 中期

8吋產能利用率拉升,營收已持續成長。成熟製程回溫、12吋已滿,世界先進是直接受惠者

半導體 看多 中期

AI 透過 HVDC 帶動電源管理需求,成熟製程從谷底明確復甦。晶圓代工利用率已滿到可調價,產業全面緊俏

矽晶圓產業:從谷底翻身的長鞭效應

  • 矽晶圓是半導體循環的最後一棒。21年大擴產導致過去幾年供需失衡,如今晶圓代工利用率已滿到可調價,需求開始傳導到上游晶圓。
  • 12吋矽晶圓已緊,特殊晶圓(如矽光子應用)也超緊,8吋尚未能調價但結構性改善可望推升價格。環球晶等廠商過去幾年毛利率差、不敢擴產,如今供需開始好轉。
  • 中國晶圓廠滿單的速度極快,從第一季就出現變化。半導體產業變化快,股價反應更快,正向消息可能瞬間帶動漲停。矽晶圓產業剛走出谷底,Forward PE 相對可接受,但 Historical PE 已達 50 倍以上該關注。
$6488.TWO 中期

全球領先的矽晶圓廠,過去幾年因擴產過剩營運低迷。12吋已緊、有調價空間,矽晶圓產業剛走出谷底,環球晶是直接受惠者

半導體 看多 中期

AI 需求全面帶動半導體,成熟製程回溫的長鞭效應已傳導至最上游的矽晶圓。晶圓產業走出谷底,Forward PE 雖不便宜但趨勢明確

記憶體需求爆發:HBM 不夠,Agentic AI 推升用量

  • 記憶體需求持續緊張,美光在 Podcast 中提到 Agentic AI 每呼叫一次 Agent 就要讀一次上下文,多層 Agent 架構會大量消耗 HBM 記憶體。
  • GPU 不夠 → 記憶體不夠 → CPU 不夠,三者已形成一環扣一環的供需壓力。HBM 產能受 Reticle Size 限制,要增加容量只能疊更多 HBM 或加大板子,否則需卸載到外部記憶體平台。
$MU 看多 中期

美光明確指出 Agentic AI 會大量消耗記憶體,每層 Agent 呼叫都需讀上下文。HBM 供需持續偏緊,記憶體仍是 AI 浪潮中確定性最高的受惠板塊

記憶體 看多 中期

HBM 需求因為 Agentic AI 多層呼叫而持續爆發,GPU→記憶體→CPU 的供需連鎖效應正在發酵。記憶體仍是 AI 浪潮中最確定的受惠環節 ,Seagate、三星等法說也持續上調展望}