AI晶片概念股不只台積電!從GPU、ASIC、HBM到先進封裝,哪些台廠已繳出好成績?
AI晶片概念股不只台積電!從GPU、ASIC、HBM到先進封裝,哪些台廠已繳出好成績?

《數位時代》上一回在AI概念股系列能源篇提到,輝達執行長黃仁勳將AI產業架構分成「能源、晶片、基礎設施、模型、應用」五層,最底層的地基是電,不是晶片。這一次,我們就往上一層,來聊聊大家最熟悉的AI晶片概念股。

AI晶片概念股範圍很廣,從矽智財、IC設計、晶圓代工,到封裝、載板與測試設備,數十家公司都掛著AI招牌,但實際受惠程度可能相差很大。要比較,得先把範圍劃清楚:本文聚焦在「AI運算晶片」這條線——也就是真正負責AI運算的GPU、ASIC,以及替它們做設計、製造、封裝與測試的環節。另外,為了找出最直接的受惠者,本文只用一項判斷標準:能否提出與AI相關的實際訂單、產能或營收占比作為佐證。

五層蛋糕
輝達執行長黃仁勳提出AI五層蛋糕概念,《數位時代》整理出相對應的幾檔代表性個股。
圖/ AI生成

本文重點

  • 聚焦高階資料中心AI加速器:主流GPU或AI ASIC常與HBM透過先進封裝(CoWoS)整合成「一整包」,HBM、先進封裝與先進製程都可能是供給瓶頸。
  • 依AI相關的實際訂單、產能或營收占比,將AI晶片概念股分成「直接受惠」與「間接受惠」。

本文目錄

AI晶片跟一般晶片差在哪?為什麼「先進封裝」這麼重要?

本文所說的AI晶片,主要指資料中心使用的高階AI加速器。它與一般晶片的差異,不只在於運算核心,還在於通常需要將GPU(圖形處理器)或AI ASIC(客製化AI晶片),與高頻寬記憶體(HBM)整合在一起,才能滿足AI模型龐大的運算量與記憶體頻寬需求。這項整合必須仰賴先進封裝,以下以台積電(2330)的CoWoS為例。

CoWoS是一種2.5D先進封裝,透過中介層將邏輯晶片與一疊疊HBM並排連接。它的重要性不只是把不同晶片「裝在一起」,還在於讓運算核心取得足夠的記憶體頻寬,並在同一封裝內容納更多運算晶片與HBM。

台積電自2012年量產CoWoS以來,已發展出三種版本:CoWoS-S採用矽中介層、CoWoS-R採用RDL(重佈線層)中介層、CoWoS-L則以RDL中介層搭配局部矽互連(LSI)。中介層面積也持續放大,第一代CoWoS-L為3.5倍光罩尺寸,2025年已完成5.5倍認證並規劃再往上推。封裝面積愈大,能整合的運算晶片與記憶體愈多,也讓先進封裝成為AI加速器擴大效能與供給規模的關鍵環節。

2022年生成式AI爆發後,市場對CoWoS的需求跟著暴增。AI晶片近年最受關注的供給限制,主要落在HBM與先進封裝兩段;不過,實際瓶頸仍會隨製程世代、產品與時間改變,並非永遠卡在同一處。把一顆AI加速器拆成三個關鍵環節,更容易看出供給壓力來自哪裡:

關鍵環節 負責什麼 供給彈性
邏輯裸晶(製程) GPU/ASIC的運算核心 先進製程由台積電主導,產能同樣吃緊,但可透過擴產調節
HBM記憶體 餵資料給運算核心的高頻寬記憶體 由少數記憶體大廠供給,堆疊製程複雜,供給偏緊
CoWoS先進封裝 把邏輯裸晶與HBM整合成一整包 產能高度集中,需等待新廠與設備到位,良率爬升也較慢,曾是主要瓶頸

其中,先進封裝的擴產最受矚目。摩根士丹利估計,台積電CoWoS月產能將從2025年底約7萬片,增加至2026年底逾12萬片,且新增產能逾半被輝達鎖定、博通居次。

隨著封裝面積持續擴大,台積電也在發展下一代面板級封裝CoPoS(Chip on Panel on Substrate),以方形面板取代圓形晶圓,希望進一步放大封裝面積並降低單位成本。台積電目前僅確認已建置試驗線;法人估計,CoPoS將於2027年試產、2028年下半年量產。

由於HBM與先進封裝可能限制AI加速器的供給,辨識AI晶片概念股是否直接受惠,不能只看運算晶片設計,還要往後追到製程、封裝、載板與測試。

#1 ai晶片概念股
圖/ AI生成

一顆AI晶片從設計到測試,會經過哪些台廠?

把一顆AI晶片從設計到出廠拆開,會經過四類台廠:1. 矽智財(IP)與IC設計/設計服務(含Retimer〔訊號中繼晶片〕等高速連接晶片)→ 2. 晶圓製造 → 3. 先進封裝、矽中介層與ABF載板 → 4. 晶圓測試與成品測試。半導體設備與材料並非其中某一站,而是橫跨上述製造環節的共同上游投入。每一類都有台廠,但AI訂單佐證的明確程度差很多。

以下延續能源篇的標準:有AI相關的實際訂單、產能或營收占比佐證,算直接受惠;只受惠整體半導體景氣、尚未單獨揭露AI貢獻的,算間接受惠。 台股沒有純EDA工具(半導體晶片設計必備的電子設計自動化)的上市櫃標的,因此設計端在台股只能由矽智財與設計服務填補。

#0 ai晶片概念股
圖/ AI生成

晶片供應鏈前半段:從IP、設計到晶圓代工

代工這一段,台積電的位置最直接。它是AI加速器晶片本體與CoWoS封裝的主力代工者,並已由官方揭露AI加速器的營收占比與成長展望。設計端則以聯發科(2454)、世芯-KY(3661)、創意(3443)與晶心科(6533)較受矚目,具AI訂單相關金額、量產時程、營收成長來源或營收占比公開資料。

晶片供應鏈後半段:先進封裝、載板與測試

AI加速器需求與CoWoS擴產,帶動先進封裝、ABF載板與測試需求,也連帶推升相關設備與耗材需求。設備端,家登(3680)、中砂(1560)、辛耘(3583)、弘塑(3131)與均華(6640),分別具有先進封裝載具、鑽石碟、濕製程設備或Die Bonder等公開產品資料。封測與載板端包括日月光投控(3711)、欣興(3037)等;測試與測試介面端則有京元電(2449)、矽格(6257)與穎崴(6515)。完整名單如下:

供應鏈段 公司(代號) AI 相關進展 受惠分級
IP/設計服務 晶心科(6533) AI應用約占IP授權收入四成、Meta採用的RISC-V核心已量產 直接受惠
IP/設計服務 力旺(3529) 2026首季授權收入年增58.6%,來自先進製程、AI與資安等多重需求,公司未單獨公布AI占多少 間接受惠
IP/設計服務 M31(6643) 先進節點權利金成長,但沒有具名AI晶片訂單,公司也未單獨公布AI貢獻多少 間接受惠
IC設計/ASIC 聯發科(2454) 與美系雲端客戶合作的客製化AI晶片,2026年AI ASIC營收貢獻由10億美元(約新台幣322億元)上調至20億美元(約新台幣645億元)、Q4起貢獻;業界估客戶為Google TPU 直接受惠
IC設計/ASIC 世芯-KY(3661) 3nm AI加速器2026下半年放量;全年逾15億美元(約新台幣484億元)、訂單能見度到2027年底 直接受惠
IC設計/ASIC 創意(3443) 2025全年營收年增約36%、創新高,主要來自雲端運算產品(含AI ASIC) 直接受惠
IC設計/ASIC 智原(3035) 有14/12nm AI設計專案,但未公布客戶,也未單獨公布AI帶來多少營收 間接受惠
高速介面 譜瑞-KY(4966) PCIe Gen5 Retimer 2025量產、打入雲端資料中心供應鏈 直接受惠
晶圓代工+封裝 台積電(2330) AI加速器(含AI GPU、AI ASIC與HBM控制器)、CoWoS產能持續擴充 直接受惠
設備與材料 家登(3680) CoWoS/CoPoS先進封裝載具已出貨驗證 直接受惠
設備與材料 中砂(1560) 最大客戶先進製程與先進封裝合計約占營收六成 直接受惠
設備與材料 辛耘(3583) 濕製程設備已用於CoWoS/3DIC量產,動能來自AI與先進封裝 直接受惠
設備與材料 弘塑(3131) CoWoS/SoIC濕製程設備、AI急單、產能滿載 直接受惠
設備與材料 萬潤(6187) CoWoS檢測/點膠設備,受惠台積電先進封裝擴產 直接受惠
設備與材料 志聖(2467) CoWoS壓合/貼合設備,切入HBM與AI載板設備 直接受惠
設備與材料 均華(6640) 先進封裝設備占營收比重約85~90%、Die Bonder用於CoWoS 直接受惠
設備與材料 均豪(5443) 有先進封裝設備定位,但未單獨公布AI/CoWoS帶來多少貢獻 間接受惠
先進封裝/載板 日月光投控(3711) LEAP先進封裝與測試2025約502億元、占封測事業6%升至13%、2026拚翻倍 直接受惠
先進封裝/載板 欣興(3037) 2026整體AI營收占比目標60%以上、切入次世代AI平台 直接受惠
先進封裝/載板 南電(8046) AI與HPC為成長動能、美系ASIC放量 直接受惠
先進封裝/載板 景碩(3189) HPC應用約占營收24%、為AI擴產ABF載板 直接受惠
封測/測試 京元電(2449) 資料處理/儲存(含AI)占營收32.8%、GPU/ASIC測試為成長主軸 直接受惠
封測/測試 矽格(6257) AI、ASIC、矽光子與高速運算合計占2025年前三季營收21%;2026年前5月占比為23%,高於2025年同期的19% 直接受惠
測試介面 穎崴(6515) 測試座+MEMS探針卡切入先進製程AI/HPC測試、客戶集中北美 直接受惠
測試介面 精測(6510) 探針卡約占營收近三成、AI/HPC訂單為成長引擎 直接受惠
測試介面 旺矽(6223) 探針卡受惠HPC/AI晶圓測試需求、帶動稼動率 直接受惠

表格說明:佐證強度分三種——「公司已揭露數字」「公司展望指引」與「市場/外資推估」。

另外,聯電、世界先進這兩檔晶圓廠也常被列進「AI晶片概念股」,它們做的同樣是晶片,但AI相關產品主要用於光通訊、供電等功能,不是負責運算的晶片,與上表「AI運算晶片供應鏈」的比較基準不同,因此不列入上表分級:

公司(代號) AI 相關產品
聯電(2303) 矽光子晶片(光通訊用,2026年已量產出貨)
世界先進(5347) 電源管理IC(AI伺服器供電用)

AI五層蛋糕的第二層拆到這裡。伺服器、網卡、交換器、光模組、電源與散熱等「晶片裝上板卡之後」的環節,將留到下一層的基礎設施篇討論。《數位時代》AI概念股系列,接下來會繼續往上拆解,提供讀者一張完整的AI概念股全圖。

本文為產業與個股資訊整理,非投資建議。

延伸閱讀

資料來源:黃仁勳「AI五層蛋糕」架構(輝達官方部落格)台積電CoWoS技術頁

本文初稿為AI編撰,整理.編輯/林育萱

往下滑看下一篇文章
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻
AI NAS 何時才值得部署?QNAP 拆解地端 AI 的成本、算力與資料門檻

當資料不能離開企業,運算就得靠近:AI 先改寫儲存架構

AI 帶來的第一個變化,不只是運算能力提高,而是企業必須重新決定資料放在哪裡。

儲存架構大致分為雲端與地端兩塊,QNAP 身為資料安全的守護者,長期發展的是地端網路儲存設備(NAS),並擴展至 25GbE、100GbE 高速網路交換器產品線,提供完整的儲存與高速網路基礎架構。威聯通科技(QNAP)總經理劉文義解釋,當資料因合規要求或敏感度不能上雲,就必須留在靠近使用者與應用的地方;運算需求一旦增加,承接資料的裝置也自然被推向地端 AI。

不能上雲的名單比想像中長。醫療業持有大量醫療個資,金融與保險業受到合規與法規限制,部分大學院校與設計公司也不希望資料被雲端存取。對這些組織而言,問題並不是雲端好不好用,而是一開始就沒有把核心資料全面上雲的選項。

qnap2.jpg
威聯通科技(QNAP)總經理暨威強電集團(IEI)董事長 劉文義
圖/ 數位時代

真正讓更多企業回頭計算的,則是長期成本。劉文義指出,資料上傳雲端可能免費,下載卻會按流量收費;當企業把一年、兩年、三年的費用加總回推,可能會發現,購買一台同等容量的 NAS,還能使用 7-10 年。資料規模愈大、存取愈頻繁,總持有成本的差距就愈值得評估。

這並不代表雲端與地端只能二選一。雲端仍適合模型訓練、程式開發與波動大的工作負載;地端則較適合高頻存取、對延遲敏感,或不能離開企業邊界的資料。企業真正要回答的,是每一類資料與任務應該放在哪裡。

依 QNAP 觀察,客戶過去關心的是需要幾 TB、幾 PB,或備份速度有多快;現在更常問的是,機器裡的資料要如何被 AI 活用。QNAP 也從 2021 年起,把公司發展定調在 AI 與高速網路的融合,試圖讓 NAS 從資料保存的位置,進一步成為資料被調用的位置。

當資料量持續擴大,搜尋與管理方式也會跟著改變。「在 NAS 裡放入 AI Agent 會越來越不可或缺。」劉文義舉例,當照片累積到 10 萬、20 萬張,要找出其中幾張特定畫面,已不可能只靠人工翻找。此時,能理解內容、接受自然語言指令的 AI 工具,會從加分功能逐漸變成必要條件。

從資料治理到地端推論:AI NAS 如何進入企業工作流?

AI NAS 不是「多了 AI 功能的 NAS」,而是 NAS 在企業工作流裡換了位置。 依 QNAP 觀察,目前客戶大致分布在一條導入光譜上。人數最多的一群,仍在把資料集中、分類、清理與建立權限。這一步看似與 AI 無關,卻決定後續系統能不能找到正確資料、辨識版本,並把答案交給有權限的人。

中間一群開始建置私有的檢索增強生成(RAG)知識庫。RAG 並不是重新訓練一個模型,而是在模型回答前,先從企業的 SOP、合約、法規或技術文件中取回相關內容,再產生附有來源依據的答案。QNAP 以 Qsirch 的語意搜尋能力協助建構這類應用,協助企業建立私有知識庫;而走在最前面的少數企業,則已經嘗試地端推論與 AI Agent。

模型的選擇權,QNAP 刻意留給客戶。知識庫背後採用哪一個模型,可由企業依需求決定,不綁定單一 AI 供應商。QNAP 也以 QuAgent AI 助理與模型情境協定(MCP)相關能力,讓管理者透過自然語言查詢狀態、調整設定,並讓 NAS 成為 AI Agent 可調用的資料節點。

不過,劉文義沒有把這條路說得太容易。他坦言,目前 NAS 硬體的 AI 運算能力仍有限。一般企業期待的應用,可能需要約 300 到 800 TOPS,甚至 1,000 TOPS,因此多數方案會以 NVIDIA 顯示卡補足算力;一張卡約需新台幣 10 萬至 12 萬元,一張算不完,就得配置 2 張或 4 張。

「整體成本可能是過去單獨一台 NAS 的 5 倍到 10 倍,並不是大部分中小企業都能接受。」除了硬體,使用者還需要 AI 應用的 Know-how、程式背景與開發資源,這些都是落地成本。

QNAP 則是透過算力分級讓各規模與需求的企業都可以有適合的解決方案。在 Computex 2026 搶先亮相的 QNAP AI NAS 中,一類是採用含有 iGPU 與專屬 NPU 的處理器平台,以一百多 TOPS 的範圍,可順暢使用 AI 應用程式;另一類機種則可安裝 1 張或 2 張 NVIDIA 顯示卡,處理更大的運算量。

同時 QNAP 也在軟體端也持續開發,目標是讓 NAS 裡的資料更有效率地被 AI 工具調用,讓資料成為有價值的知識。

從規格走到現場:能源公司如何導入私有 LLM?

本地 AI 實際落地部署會是什麼模樣?劉文義舉了一家約 50 多人的能源公司為例。這家公司原本想用 NAS 搭配雲端 AI 建置內部資料庫,但很快遇到兩個瓶頸:一是員工查詢時明顯出現卡頓;二是專利、技術與合約都高度敏感,高層不願上傳至公有雲,擔心機密資料會有外洩的疑慮。

後來,該公司導入 QNAP AI NAS 的旗艦機種 QAI-h1290FX,搭配顯示卡與全快閃 SSD,在地端部署私有大型語言模型,把數十年來封存的靜態檔案交給 AI 調用,進行跨檔案摘要與精準搜尋。員工因此省下翻找合約與報告的時間,核心機密也能留在企業內部。

這個案例說明,若任務範圍明確,有些應用不必動用雲端大型模型,地端運算量就可能足以支應。

但不同企業的資料量、查詢方式與模型大小不同,導入前仍需要概念驗證(POC)與技術人員評估。

而且,資料留在地端並不等於自動安全。企業仍要處理帳號權限、網路隔離、備份復原、漏洞修補與日常維運。地端的價值,是讓資料邊界與控制權回到企業手上;相對地,安全責任也會更直接地回到企業。

哪些企業現在該做,哪些再等?先看重複性與三個條件

能不能導入地端 AI,不只由產業標籤決定,也要看工作是否重複,以及場景能不能被清楚定義。劉文義觀察,第一批走進來的,除了受法規限制的醫療、金融與保險業,也包括利用地端 AI 加速資料處理的科技業,以及會計、律師等有大量重複文書工作的專業服務業,因為效益較容易被看見。

工廠也是可預期的場景。一條生產線可能有 10 台、20 台機器,每台處理與儲存資料的 Protocol 都不同,需要相對應的儲存裝置;生產過程累積的影像與紀錄可能要保存 3 年到 5 年。當企業要跨設備調用這些資料,AI Agent 與地端資料節點就有發揮空間。

「重複性資料處理越多,或重複性動作越多的產業,越容易透過導入 AI 提高工作效率。」反過來說,較傳統、人力密集,或仍高度依賴人工判斷的製造業,短期內未必能快速導入地端 AI。

依 QNAP 提供的資料,企業也可用「高頻、大量、敏感」三個條件做第一輪判斷:資料是否被頻繁調用?規模是否大到雲端傳輸與長期費用開始變得明顯?內容是否涉及個資、法規、智慧財產或商業機密?三個條件愈集中,地端部署愈值得評估;三者都不成立時,使用雲端 API 往往更簡單,也可能更划算。

可以先等的企業,大致也有三種。第一,資料仍分散、版本混亂、權限不清,急著上 AI 只會把混亂放大,先完成集中與治理,效率就可能先提升。第二,找不到一個具體且反覆發生的業務痛點,只因為「別人都在做」而採購,設備很可能變成昂貴的展示品。第三,使用量仍小、需求偶發,現階段雲端的彈性反而更有優勢。

因此,POC 不應只驗證「模型答不答得出來」,還要回答三個問題:資料由誰負責,誰可以存取?導入後能節省多少查找時間、傳輸成本或人工作業?正式上線後,誰負責資料、模型與資安維運?只有當效益與責任都能被量化,才適合從展示走向正式部署。

企業願意把部分資料留在自己的機房,動力最終仍回到資料主權。QNAP 的主要市場分布在歐洲、美洲與亞太,其中歐洲占比將近一半,而歐洲也正是全球推動資料主權的最大動力。

QNAP 的產品已取得 ISO 27001、ISO 27017 與 ISO 27018 等多項認證,並滿足 GDPR、HIPAA 等資料保護與法規遵循需求;累積至今,已售出約數百萬台裝置,協助企業打造智慧、安全的儲存方案。

至於普及時間點,劉文義提出一個明確的價格與效能交會點:地端應用若要順暢運作,運算量可能至少要達到 300 至 600 TOPS,甚至 800 TOPS,同時價格要落在新台幣 5 萬至 8 萬元。目前符合這些條件的硬體方案仍很有限。

qnap3.png
「AI NAS 不是多了 AI 功能,而是改寫了資料在工作流的位置。」威聯通科技總經理劉文義坦言,地端算力成本高昂,QNAP 透過「算力分級」與開放模型架構,助企業逐步建構私有 RAG 知識庫與 AI 團隊。
圖/ 數位時代

「預測約兩、三年後,應該很快會看到符合一般大眾期待、具備合理 CP 值的產品。那個時間點,就會是 AI 落地最蓬勃發展的時候。」在此之前,企業真正能先做的,不是搶著買最大的模型或最昂貴的顯示卡,而是把資料治理、使用權限與高價值場景準備好。

QNAP 以「資料煉油廠」比喻自己的角色:原油再多,沒有整理、提煉與配送的過程,也無法成為可用的能源。這個定位也點出地端 AI 的競賽條件——不是誰先買到算力,而是誰的資料先準備好被調用。模型會持續更換,但企業自己的資料層則會長期存在。

AI NAS 不是把模型塞進儲存設備,而是在資料必須留在企業內時,讓搜尋、推論與管理靠近資料的地端節點。

QNAP World Tour 2026 台北場將於 2026 年 9 月 18 日(五)舉行,現場將聚焦 AI 應用、儲存備份、網通產品、資安與監控,並安排 Live Demo,適合 IT 管理者、系統整合商與企業決策者參加。

活動地點:新板希爾頓酒店|如意 AB 廳

活動時間:09:20–16:00

地址:新北市板橋區民權路 88 號 2F

立即報名:https://bnex.tw/9f7my4

2026 QNAP 台灣企業資安韌性大調查,填問券抽好禮,倒數計時:https://www.surveycake.com/s/q4abw

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
台達電全解讀
© 2026 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓