Dogłębna analiza sprzętu półprzewodnikowego: Każdy nowy 1GW wymaga miesięcznej zdolności produkcyjnej 50 000 wafli, jak AI może popchnąć WFE do poziomu 300 miliardów dolarów

Za długie - nie czytam

1.Bernstein przedstawił ilościowe powiązanie od energii elektrycznej do zysków. Każde dodatkowe 1GW rocznej mocy budowy centrum danych wymaga około 46 000 miesięcznie nowych zdolności produkcyjnych wafli 300 mm, zaokrąglając do 50 000 miesięcznie; przeliczając według różnych intensywności kapitałowej sprzętu dla różnych procesów, każde 1GW odpowiada około 7,5-8 mld USD nowego wydatku na sprzęt fabryk wafli (WFE).

2.Scenariusz 50GW oznacza zwiększenie rocznej zdolności w 2030 o 50GW względem bazowego poziomu z 2026. Bazowy poziom w 2026 wynosi około 20GW, więc w 2030 roczny przyrost wynosi około 70GW; skumulowany przyrost centrów danych w latach 2027–2029 może osiągnąć 130–140GW, znacznie przekraczając 50GW. Zamówienie, instalacja i walidacja sprzętu fabryk wafli muszą rozpocząć się wcześniej.

3.300 mld USD pochodzi z „AI wzrost + nie-AI podstawy”, to nie jest tylko slogan. Scenariusz 50GW odpowiada 376 mld USD nowiego AI WFE w latach 2027–2029, dodając 360 mld USD nie-AI podstaw w ciągu 3 lat, daje to około 736 mld USD; roczny przebieg to około 200 mld, 245 mld i 291 mld USD. Dokładniej nazywając, w 2029 roku prawie osiąga 300 mld USD, a nie średnio 300 mld rocznie przez 3 lata.

4.89% nowych wafli będzie pochodziło z pamięci – dlatego Applied Materials jest głównym wyborem Bernsteina. Z każdego 1GW zapotrzebowania DRAM stanowi 53%, NAND 20%, HBM 16%, zaawansowana logika tylko 11%. Cykl sprzętu AI to nie tylko opowieść o procesorach graficznych i zaawansowanej logice – centralne procesory poza rackami i ich DRAM są największym przyrostem wafli według modelu.

5.Czy obecne ceny akcji mogą dalej rosnąć? Decydują zyski nadążające za wyceną, a nie tylko całkowite WFE. W scenariuszu 50GW zyski na akcję Applied Materials, Lam Research i KLA w 2029 są odpowiednio wyższe niż spodziewane: o 59,5%, 54,4% i 37,1%, z odpowiednią wyceną 14,9x, 18,4x i 21,2x. 75GW i 100GW to bardziej optymistyczne testy obciążeniowe. Zamówienie na energię, moc infrastruktury, efektywność chipów, ilość pamięci, dostawy sprzętu i przepływy gotówki z zapasów – pogorszenie dowolnej z tych kwestii może spowodować obniżenie oczekiwanego scenariusza.

Bernstein przekalibrował ekspansję AI centrów danych na energię elektryczną, przeliczając to na zapotrzebowanie na wafle i sprzęt: to, czy projekty w GW przełożą się na miesięczną produkcję, zamówienia i przepływy gotówki, naprawdę decyduje o górnym limicie spółek sprzętowych.

Rzeczywisty paradoks spółek sprzętowych: ceny akcji spadły, wycenia nie są tanie

Spółki z sektora półprzewodników mają teraz jednocześnie „głęboki spadek” i „duży wzrost” – dwa pozornie sprzeczne fakty. Według Bernsteina, na podstawie danych z 17 lipca 2026 r., ASML, Tokyo Electron, Applied Materials, Lam Research i KLA odnotowały średni spadek z 52-tygodniowych szczytów o około 23,9%, z czego 3 amerykańskie firmy po około 28–31%. Jednak od początku roku średni wzrost tych pięciu firm wynosi 84,1%, a pojedyncze firmy od 67% do 106%.

Rozszerzenie wyceny nie zniknęło wraz ze spadkiem cen. Raport pokazuje, że wskaźniki ceny do zysku na następne 12 miesięcy KLA oraz Lam Research wzrosły z około 28x i 27x na początku roku do 42,2x i 36,8x, a wyceny Applied Materials, Tokyo Electron i ASML również wyraźnie wzrosły. Inwestorzy muszą zatem odpowiedzieć na dwa kluczowe pytania: ile realnej mocy trzeba jeszcze dodać do centrów danych AI oraz czy zapotrzebowanie na chipy związane z tą mocą pozwoli na wzrost przyszłych zysków szybciej niż absorbcję wyceny.

Po stronie popytu nie widać jednoczesnego osłabienia. Po 29 czerwca 2026 roku moc centrów danych w USA wynosiła 50,7GW, wzrost o 11,4GW w ciągu roku, czyli 29% r/r; zaplanowana moc projektów osiągnęła około 338GW, wzrost o 216,6GW r/r i 179%. Jednak 338GW to tylko plan, a nie faktyczna moc operacyjna, która uzyskała energię, finansowanie, grunt, przyłączenie do sieci i zamówienia od klientów. Bernstein nie traktuje pełnej planowanej ilości jako przychód, lecz pyta: jeśli w latach 2030 r. budowa wzrośnie o 50GW, 75GW lub 100GW rocznie, ile zdolności musi wcześniej przygotować produkcja półprzewodników?

Dotychczas rynek często używał 250 mld USD jako dalekosiężną granicę supercyklu WFE. Nowy model Bernsteina zamienia ten limit w rozkładalne zmienne pośrednie: najpierw rzeczywisty GW, potem miesięczna produkcja wafli, na końcu zamówienia na sprzęt i zyski.

Jak przeliczyć model od 1GW do 46 tys. wafli miesięcznej produkcji?

Pierwszym krokiem jest przeliczenie 1GW na racki i chipy. Bernstein przyjmuje rack Vera Rubin jako przybliżenie architektury obliczeniowej na 2030 r.: pojedynczy rack ma moc około 220kW, więc 1GW mocy obliczeniowej to około 4545 racków; każdy rack pochłania około 64,6 wafli 300 mm (zaawansowana logika, HBM, DRAM i NAND). Tylko wewnątrz racków, 1GW odpowiada około 294 000 wafli jednorazowego zapotrzebowania.

To jeszcze nie wszystko. Systemy AI potrzebują nie tylko procesorów graficznych, głównych CPU i HBM wewnątrz racków, ale także CPU poza rackami do zarządzania inteligentnymi agentami, wywoływania narzędzi, dostępu do danych i usług systemowych. Bernstein zakłada, że scenariusz 70GW w 2030 r. wymaga około 95,2 mln CPU – przeliczając na 1GW jest to około 1,36 mln CPU; po odjęciu głównych CPU racków, na 1GW przypada nadal około 9027 wafli zaawansowanej logiki. Każdy CPU poza rackiem otrzymuje 0.5TB DRAM – przy założeniu wydajności 80% na 1GW przypada około 195 000 wafli DRAM. Model zakłada też, że zewnętrzny NAND centrów danych będzie miał roczną złożoną stopę wzrostu 30% w latach 2028–2030.

Drugim krokiem jest przeliczenie rocznego zapotrzebowania na chipy na stabilną miesięczną produkcję. Łącząc zapotrzebowanie wewnątrz i poza rackami, każde dodatkowe 1GW rocznej zdolności budowy wymaga około 46 000 miesięcznych zdolności produkcyjnych: DRAM 24 400, NAND 9 200, HBM 7 300, zaawansowana logika 5 300. Najważniejszy wniosek: pamięć stanowi łącznie 89% liczby wafli, zaawansowana logika tylko 11%.

Trzeci krok to przeliczenie miesięcznych zdolności produkcyjnych na wydatki kapitałowe na sprzęt. Bernstein szacuje, że każde 10 000 wafli zaawansowanej logiki miesięcznie wymaga około 3,4 mld USD sprzętu, HBM i DRAM około 1,4 mld USD, NAND około 1,3 mld USD. Po zważeniu według tabeli każde 1GW odpowiada około 7,44 mld USD, w raporcie zaokrąglone to do 7,5–8 mld USD. Zaawansowana logika ma najwyższą intensywność kapitałową na jednostkę, ale pamięci jest znacznie więcej, więc to właśnie pamięć daje około ¾ nowego AI WFE.

Ten algorytm lepiej działa niż prosty opis „wzrost wydatków kapitałowych chmur = wzrost sprzętu”, bo każdy poziom można zweryfikować rzeczywistymi danymi. Zmiana zużycia energii na rack, powierzchni każdego chipu, wydajności, konfiguracji serwerów, pojemności DRAM i tempa wzrostu NAND – wszystko wpływa ostatecznie na poziom WFE.

Trzeba rozróżnić „zużycie wafli” od „miesięcznej produkcji wafli”. 64,6 wafli dla racka Vera Rubin to jednorazowe zapotrzebowanie wyprodukowanej serii chipów; 46 000 miesięcznie to zdolność produkcyjna potrzebna do utrzymania rocznego przyrostu 1GW centrów danych. Pierwsze odpowiada na pytanie „ile wafli potrzeba, by zrobić tę partię maszyn”, drugie „jak bardzo trzeba rozbudować fabrykę”. Jeśli jednoetapowo przeliczy się 294 000 wafli na GW jako miesięczną produkcję lub przeliczy się 46 000 miesięcznie na liczbę racków, dojdzie do podwójnego liczenia WFE.

Model czasowy jest równie istotny. Najpierw chmura określa obciążenie i budżet, potem projekt centrum danych rozwiązuje energię i budowę, potem fabryka wafli rozbudowuje halę, zamawia sprzęt, instaluje i certyfikuje, potem podnosi wydajność, a na końcu chip trafia do serwera. Przychód WFE wyprzedza końcowe uruchomienie mocy obliczeniowej, ale nie wszystkie warunki projektowe; tylko GW, gdzie zaszło już uzyskanie energii, finansowania i zamówień klientów, mają dużą szansę trafić do zamówień sprzętu.

50GW to nie suma budowy, 300 mld USD to nie średnia z trzech lat

Najłatwiej pomylić się, czytając definicję 50GW w raporcie. Bazowy poziom na 2026 zakłada około 20GW rocznego przyrostu; „scenariusz 50GW w 2030” to roczny przyrost zdolności wyższy o 50GW względem tej bazy, czyli roczny przyrost nominalnie 70GW, a nie łącznie 50GW w latach 2027–2030. Przykładowe ścieżki: 30GW w 2027, 45GW w 2028, 60GW w 2029 – daje to skumulowany wzrost około 135GW, zgodnie z podanym zakresem 130–140GW.

Sprzęt półprzewodnikowy musi wyprzedzać uruchomienie centrów danych. Aby zapewnić zaopatrzenie chipów na 70GW rocznego przyrostu w 2030, zdolność produkcji fabryk musi powstać do końca 2029, więc zamówienia sprzętu skupiają się w latach 2027–2029. Scenariusz 50GW przekłada się na przyrost AI wafli: zaawansowana logika 264 000/mies., HBM 365 000/mies., DRAM 1,22 mln/mies., NAND 458 000/mies.; odpowiada to 376 mld USD nowego AI WFE, z czego HBM i DRAM to 228 mld USD.

Bernstein dodaje też 120 mld USD rocznie na nie-AI WFE, by pokryć procesy dojrzałe, chipy analogowe, rynek chiński i inne potrzeby poza centrami danych. Daje to łącznie 736 mld USD WFE w latach 2027–2029, średnio 245 mld USD rocznie, ale ścieżka roczna rośnie: 200 mld, 245 mld, 291 mld USD. Termin „300 mld USD WFE” oznacza, że w scenariuszu 50GW w 2029 roku niemal osiągnięto ten poziom.

Ta tabela czułości nie jest dokładną odpowiedzią na roczną prognozę. Model zakłada stałą wartość 2 mld USD w 2027 r., a potem wyznacza nachylenie na 2028 i 2029 licząc od celu na 2030, dlatego wyższe scenariusze są mechanicznym ekstrapolowaniem. Przykład: przy 100GW w 2029 tabele pokazują 542 mld USD – bardziej odpowiednie do testowania górnych możliwości łańcucha dostaw sprzętu i modelu zysków, nie jako bazowy cel.

Dlaczego w tej rundzie przyrost sprzętu zaczyna się od pamięci, a nie zaawansowanej logiki?

Rynek często myśląc o sprzęcie AI, najpierw wyobraża sobie zaawansowaną logikę, ale model Bernsteina największy przyrost przypisuje DRAM. Nie chodzi tylko o HBM w racku. Vera Rubin rack wymaga logiki, HBM, DRAM i NAND, ale największe zmienne są w CPU poza rackiem: inteligentne agent musi wykonywać rozdzielanie, wyszukiwanie, kodowanie, wywoływanie narzędzi i zarządzanie stanem, większość pracy dzieje się poza rackiem. Przy założeniu 0.5TB DRAM na każdy CPU, zwykłe zapotrzebowanie na DRAM przekracza połowę zapotrzebowania na wafle.

Zmieniono hierarchię korzyści spółek sprzętowych. Koszt sprzętu dla każdej 10 000 wafli zaawansowanej logiki miesięcznie to około 3,4 mld USD – najwyższa intensywność kapitałowa; ale waferów DRAM, HBM i NAND jest łącznie około 8 razy więcej. Applied Materials obejmuje wiele etapów: depozycję, inżynierię materiałową i pamięć, dlatego Bernstein wybrał go jako najważniejszy. Lam Research jest najbardziej elastyczny w trawieniu, depozycji, GAA, zaawansowanych opakowaniach, HBM i aktualizacji NAND; KLA korzysta z wzrostu złożoności procesów i wymagań wydajności, dzięki czemu stopa zwrotu i zyski są stabilne.

ASML, Tokyo Electron i japoński łańcuch sprzętowy również korzystają, ale raport nie przelicza dla nich mostów zysków 50/75/100GW w tej samej formie, co dla amerykańskich firm. Nie można mechanicznym powiększeniem WFE przypisać identycznego tempa wzrostu wszystkim spółkom sprzętowym. To, ile każda firma zyskuje, zależy od produktu, struktury klientów, udziału w rynku, zdolności dostaw i przychodów z usług.

Jak powtórnie obliczyć Applied Materials, Lam Research i KLA dla 50, 75, 100GW?

Bernstein przełożył branżowe WFE na przychody ze sprzętu, przychody z usług, zyski na akcję i wycenę – to ostatni krok zbliżony do decyzji inwestycyjnej. W scenariuszu 50GW w 2029 przychody Applied Materials i Lam Research są wyższe o 52,3% od spodziewanych, KLA o 33,1%; zyski na akcję są odpowiednio wyższe o 59,5%, 54,4% i 37,1%. Jeśli ceny akcji nie zmienią się względem punktu z raportu, wycena w 2029 wyniesie odpowiednio 14,9x, 18,4x i 21,2x.

Scenariusz 75GW pokazuje wyraźną dźwignię operacyjną. W 2029 zyski na akcję Applied Materials, Lam Research i KLA są odpowiednio wyższe o 120,3%, 103,8% i 89,5%, wyceniając na 10,8x, 13,9x i 15,3x. W przypadku 100GW zyski na akcję rosną o 181,0%, 153,3% i 142,0%, wyceniąjąc na 8,5x, 11,2x i 12,0x.

Liczby w tabeli korygują skrótowe stwierdzenia z raportu. Przy 75GW zyski na akcję trzech firm nie podwajają się – KLA to 89,5%; przy 100GW Lam Research i KLA mają wycenę 11–12x, nie poniżej 10x. Niskie wskaźniki wyceny wynikają z modelu, który zakłada niezmienione ceny akcji i znacznie wyższe przyszłe zyski; dowodzi to elastyczności zysków, a nie oznacza obecnej wyceny bez ryzyka.

Applied Materials wyróżnia się ekspozycją na pamięć i względną wyceną, Lam Research zyskuje na elastyczności w trawieniu i pamięci, KLA na kontroli procesów, marżach i jakości zwrotu z kapitału. Portfel powinien rozdzielić elastyczność wolumenu od jakości zysku: Applied Materials odpowiada głównemu scenariuszowi z raportu, Lam Research jest najbardziej wrażliwy na tempo rozbudowy pamięci, KLA potrzebuje wyższych wymagań kontroli procesu dla zysków premium.

Od WFE dla branży do EPS firmy prowadzą jeszcze trzy etapy. Pierwszy to obsługiwany rynek: te same 10 mld USD WFE inaczej dzielą się na zaawansowaną logikę, DRAM, NAND i kontrolę procesu dla różnych firm. Drugi to rozpoznanie przychodów: od zamówienia do instalacji sprzętu jest opóźnienie, przychody z usług narastają stopniowo po rozbudowie instalacji. Trzeci to marża z przyrostu: przyspieszony łańcuch dostaw, koszty części, nakłady na R&D i siła negocjacyjna klientów decydują, ile z nowego przychodu zostanie jako zysk. Scenariusze firm Bernsteina uwzględniają udział, usługi i marże, ale te założenia są trudniejsze do monitorowania niż sam GW dla branży.

Wyjaśnia to różnice wyników dla trzech firm w tym samym scenariuszu. Applied Materials i Lam Research w scenariuszu 50GW mają taki sam przyrost przychodów w 2029, ale EPS rośnie odpowiednio o 59,5% i 54,4%; KLA ma niższy przyrost przychodów, ale dzięki wysokiej marży, usługom i zwrotowi z kapitału bardziej przypomina aktywa jakościowe. Jeśli rośnie WFE, a dana firma nie zwiększa udziału przychodów i marży, poprawna ocena sektora nie oznacza, że EPS poszczególnych firm zrealizuje się zgodnie z modelem.