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

亚洲科技股在本轮 AI 驱动上行周期中经历了第三次逾 20% 的深度回调，市场定价已隐含 EPS 即将下调或超大规模云服务商（hyperscaler）削减资本开支的悲观预期。摩根大通认为，现实走向恰恰相反。

据追风交易台，摩根大通在 8 月 5 日发布的亚洲科技策略报告中表示，亚洲科技股及费城半导体指数（SOX）近期累计下跌 25% 至 30%，但基本面并未出现任何预示未来 6 至 12 个月实质性走弱的信号。该行明确表示，EPS 预期在未来数个季度内仍将持续上调，修正广度将进一步扩大，超大规模云服务商 2027 年资本开支指引亦呈上行趋势。

摩根大通在报告中宣布，当前是买入亚洲科技股的时机，该行认为，估值经过此轮修正后已趋于合理，亚洲科技股（剔除存储）目前交易于 10 年平均市盈率上方约一个标准差水平，并非过度昂贵。

AI 扩展定律完好，算力需求加速兑现

摩根大通强调，本轮上行周期的核心逻辑——AI 扩展定律（Scaling Laws）——依然成立。"投入 10 倍算力训练模型可带来约 2 倍智能提升"的经验法则基本延续，多家前沿 AI 实验室正竞相推进模型能力突破，部分厂商已就递归自我改进（RSI）方向取得进展，有望加速前沿模型演进节奏。

公有云收入数据印证了 AI 算力消费的强劲势头。谷歌、微软、亚马逊及甲骨文四大云厂商合计公有云收入同比增速已连续多个季度加速，2026 年第二季度单季新增收入约 150 亿美元，较第一季度近乎翻倍。与此同时，三大公有云厂商的合同积压规模持续扩张——谷歌云积压订单已超 5140 亿美元，亚马逊 AWS 达 4960 亿美元，微软商业剩余履约义务为 6780 亿美元——为超大规模云服务商维持高强度资本开支提供了坚实支撑。

开源大模型的崛起并未被视为利空。该行认为，前沿模型竞争格局日趋激烈、领导地位频繁更迭，反而有利于科技硬件需求和 AI 算力资本开支的持续扩张。

超大规模云服务商资本开支 2027 年仍将强劲，融资或带来短期波动

2027 年超大规模云服务商资本开支将保持强劲增长。据该行分析师 Doug Anmuth 和 Samik Chatterjee 的预测，亚马逊、微软、谷歌、Meta、甲骨文、Coreweave 及 SpaceX 七大超大规模云服务商合计资本开支 2026 年预计同比增长约 103% 至约 9010 亿美元，2027 年将进一步增长 65% 至约 1.49 万亿美元。SpaceX 亦被视为新兴重量级资本开支主体，有望与传统云服务商并驾齐驱。

对于市场担忧的资本开支可持续性问题，超大规模云服务商自由现金流将在 2026 年下半年及 2027 年转负，但报告认为其资产负债表整体仍属健康——截至 2026 年第二季度，超大规模云服务商合计净债务与股权比率约为 12%。该行预计，相关企业将通过股权及债务融资渠道补充资金，不会在 2027 年收缩 AI 算力投资。

在库存层面，未发现任何 AI 关键组件（GPU、ASIC、存储等）出现库存积压迹象，与 2022 年汽车零部件或 2017 年云服务商 DRAM 芯片的周期顶部特征截然不同。该行预计，未来 12 个月内 AI 芯片需求将持续超出供应链供给能力及数据中心电力预算上限。

半导体设备与 IC 基板最具配置价值，存储叙事存在隐患

在子板块配置上，摩根大通认为半导体设备（SPE）是未来 12 个月内最具优势的细分领域。该行预计台积电及主要存储厂商资本开支预期将出现显著上调，设备与洁净室空间有望成为 2027 至 2028 年的下一个瓶颈。

IC 基板被列为组件板块中基本面最为扎实的细分领域，受益逻辑包括：AI 加速器封装尺寸持续增大、服务器 CPU 需求强劲、EMIB-T 封装技术自 2027 年底起加速渗透，以及 CPO 相关解决方案带来的增量需求。供给端集中度高，未来两年内难以出现大规模产能扩张，利润率仍远低于前期峰值，EPS 上调空间充裕。

存储板块则是态度相对审慎的例外。尽管供需基本面健康，供给缺口预计延续 2 至 3 年，但英伟达和 AMD 计划推出低 HBM 密度加速器（Vera Rubin 和 MI455 的 8HBM4 堆叠方案），并削减 2027 年 Vera CPU 的 SoCAMM 内存配置以应对 DRAM 供应紧张和成本压力，这与历史周期中的降配行为高度相似，可能对存储股估值形成天花板效应。经历逾 40% 的深度回调后，存储股未来 6 个月或有较强反弹，但短期内难以收复 2026 年 5 月的前期高点。

互联效率与电力供应或成下一阶段关键变量

报告还就中期潜在瓶颈转移提出前瞻性判断。当前 GPU 和 ASIC 集群的模型算力利用率（MFU）普遍偏低，仅为 20% 至 40%，部分大型集群甚至低于 20%。随着资本开支攀升、电力预算趋紧及芯片供应受限，AI 基础设施提供商和模型实验室将更加重视集群效率提升，互联技术——包括 CPO 与光学连接、网络开销优化等——有望成为下一个关键瓶颈，并推动 3DSoIC 先进封装、SRAM 存储层级扩展及 CPO 在中介层上的加速应用。

在更长时间维度上，报告认为，2026 年至 2027 年大部分时间内，AI 芯片仍将是算力基础设施的主要瓶颈，但在未来 18 至 24 个月内，随着半导体供给持续爬坡，数据中心部署延迟及电力供应（包括电网接入和表后电源方案）或将取代芯片，成为制约 AI 算力扩张的核心变量，这一风险因素预计将在 2027 年下半年至 2028 年进入更清晰的视野。