Asian Tech Stocks Plunge 25-30% as Market Prices in 'EPS Cuts or Capex Reductions'! JPMorgan Predicts the Opposite

亞洲科技股在本輪 AI 驅動上行週期中經歷了第三次逾 20% 的深度回調，市場定價已隱含 EPS 即將下調或超大規模雲服務商（hyperscaler）削減資本開支的悲觀預期。摩根大通認為，現實走向恰恰相反。

據追風交易台，摩根大通在 8 月 5 日發佈的亞洲科技策略報告中表示，亞洲科技股及費城半導體指數（SOX）近期累計下跌 25% 至 30%，但基本面並未出現任何預示未來 6 至 12 個月實質性走弱的信號。該行明確表示，EPS 預期在未來數個季度內仍將持續上調，修正廣度將進一步擴大，超大規模雲服務商 2027 年資本開支指引亦呈上行趨勢。

摩根大通在報告中宣佈，當前是買入亞洲科技股的時機，該行認為，估值經過此輪修正後已趨於合理，亞洲科技股（剔除存儲）目前交易於 10 年平均市盈率上方約一個標準差水平，並非過度昂貴。

AI 擴展定律完好，算力需求加速兑現

摩根大通強調，本輪上行週期的核心邏輯——AI 擴展定律（Scaling Laws）——依然成立。"投入 10 倍算力訓練模型可帶來約 2 倍智能提升"的經驗法則基本延續，多家前沿 AI 實驗室正競相推進模型能力突破，部分廠商已就遞歸自我改進（RSI）方向取得進展，有望加速前沿模型演進節奏。

公有云收入數據印證了 AI 算力消費的強勁勢頭。谷歌、微軟、亞馬遜及甲骨文四大雲廠商合計公有云收入同比增速已連續多個季度加速，2026 年第二季度單季新增收入約 150 億美元，較第一季度近乎翻倍。與此同時，三大公有云廠商的合同積壓規模持續擴張——谷歌雲積壓訂單已超 5140 億美元，亞馬遜 AWS 達 4960 億美元，微軟商業剩餘履約義務為 6780 億美元——為超大規模雲服務商維持高強度資本開支提供了堅實支撐。

開源大模型的崛起並未被視為利空。該行認為，前沿模型競爭格局日趨激烈、領導地位頻繁更迭，反而有利於科技硬件需求和 AI 算力資本開支的持續擴張。

超大規模雲服務商資本開支 2027 年仍將強勁，融資或帶來短期波動

2027 年超大規模雲服務商資本開支將保持強勁增長。據該行分析師 Doug Anmuth 和 Samik Chatterjee 的預測，亞馬遜、微軟、谷歌、Meta、甲骨文、Coreweave 及 SpaceX 七大超大規模雲服務商合計資本開支 2026 年預計同比增長約 103% 至約 9010 億美元，2027 年將進一步增長 65% 至約 1.49 萬億美元。SpaceX 亦被視為新興重量級資本開支主體，有望與傳統雲服務商並駕齊驅。

對於市場擔憂的資本開支可持續性問題，超大規模雲服務商自由現金流將在 2026 年下半年及 2027 年轉負，但報告認為其資產負債表整體仍屬健康——截至 2026 年第二季度，超大規模雲服務商合計淨債務與股權比率約為 12%。該行預計，相關企業將通過股權及債務融資渠道補充資金，不會在 2027 年收縮 AI 算力投資。

在庫存層面，未發現任何 AI 關鍵組件（GPU、ASIC、存儲等）出現庫存積壓跡象，與 2022 年汽車零部件或 2017 年雲服務商 DRAM 芯片的週期頂部特徵截然不同。該行預計，未來 12 個月內 AI 芯片需求將持續超出供應鏈供給能力及數據中心電力預算上限。

半導體設備與 IC 基板最具配置價值，存儲敍事存在隱患

在子板塊配置上，摩根大通認為半導體設備（SPE）是未來 12 個月內最具優勢的細分領域。該行預計台積電及主要存儲廠商資本開支預期將出現顯著上調，設備與潔淨室空間有望成為 2027 至 2028 年的下一個瓶頸。

IC 基板被列為組件板塊中基本面最為紮實的細分領域，受益邏輯包括：AI 加速器封裝尺寸持續增大、服務器 CPU 需求強勁、EMIB-T 封裝技術自 2027 年底起加速滲透，以及 CPO 相關解決方案帶來的增量需求。供給端集中度高，未來兩年內難以出現大規模產能擴張，利潤率仍遠低於前期峯值，EPS 上調空間充裕。

存儲板塊則是態度相對審慎的例外。儘管供需基本面健康，供給缺口預計延續 2 至 3 年，但英偉達和 AMD 計劃推出低 HBM 密度加速器（Vera Rubin 和 MI455 的 8HBM4 堆疊方案），並削減 2027 年 Vera CPU 的 SoCAMM 內存配置以應對 DRAM 供應緊張和成本壓力，這與歷史週期中的降配行為高度相似，可能對存儲股估值形成天花板效應。經歷逾 40% 的深度回調後，存儲股未來 6 個月或有較強反彈，但短期內難以收復 2026 年 5 月的前期高點。

互聯效率與電力供應或成下一階段關鍵變量

報告還就中期潛在瓶頸轉移提出前瞻性判斷。當前 GPU 和 ASIC 集羣的模型算力利用率（MFU）普遍偏低，僅為 20% 至 40%，部分大型集羣甚至低於 20%。隨着資本開支攀升、電力預算趨緊及芯片供應受限，AI 基礎設施提供商和模型實驗室將更加重視集羣效率提升，互聯技術——包括 CPO 與光學連接、網絡開銷優化等——有望成為下一個關鍵瓶頸，並推動 3DSoIC 先進封裝、SRAM 存儲層級擴展及 CPO 在中介層上的加速應用。

在更長時間維度上，報告認為，2026 年至 2027 年大部分時間內，AI 芯片仍將是算力基礎設施的主要瓶頸，但在未來 18 至 24 個月內，隨着半導體供給持續爬坡，數據中心部署延遲及電力供應（包括電網接入和表後電源方案）或將取代芯片，成為制約 AI 算力擴張的核心變量，這一風險因素預計將在 2027 年下半年至 2028 年進入更清晰的視野。