CapEx

1 3秒看懂

資本支出（CapEx）是企業用於取得或升級長期資產——包括廠房、裝置、技術及基礎設施——的現金投入。在 AI / 半導體等硬科技賽道，CapEx 的絕對規模、結構拆分和增速，是判斷產業景氣度、技術軍備競賽烈度以及供給瓶頸位置的“真金白銀”指標。它不直接計入當期損益，卻決定未來數年可釋放的算力規模與營收潛力。

2 3分鐘產業解釋

在 AI 基礎設施語境下，CapEx 流向可拆解為五個關鍵資金池：

• 算力硬體：GPU / AI 加速卡、自研 ASIC 的 NRE 與量產成本，萬卡級訓練叢集單次採購即達數億至數十億美元。
• 互聯與儲存：800G 光模組、InfiniBand/RoCE 交換器、HBM 記憶體模組；在超大規模叢集中，網路裝置佔硬體總支出的比例已顯著高於傳統資料中心。
• 先進封裝與製造：CoWoS、EMIB、SoIC 等先進封裝產線的裝置採購與產能擴張，直接承接晶片設計廠釋放的需求。
• 基建配套：資料中心土建、高密度電力系統（單機架 30kW 以上）、液冷或浸沒式冷卻設施，以及為滿足 PUE 要求而進行的綠色改造。
• 軟體與系統開發：分散式訓練架構、叢集管理平台、光互聯驅動的軟硬協同研發投入（部分公司將其資本化處理）。

對雲端運算廠商和領先 AI 實驗室而言，CapEx 是獲取下一輪技術競賽入場券的剛性成本。歷史經驗表明，資本支出強度通常領先於 AI 相關營收兌現 12 – 24 個月。市場不但關注總金額，更關注 CapEx 展望中“AI 相關”比重以及能否按計劃轉化為實際可排程算力。

3 技術原理

雖然 CapEx 是財務會計概念，但在 AI 基礎設施的投資決策中，它建立在工程經濟學與系統架構的深度耦合之上。

算力採購的 CapEx 量化架構 決策團隊通常建置 TCO 模型，輸入以下變數：

• 模型計算需求量（FLOPs）：基於 scaling laws 對目標模型引數量、訓練 token 數進行推算，結合訓練時間約束（如 90 天內完成一次完整訓練），反推出峰值 PFLOPS 需求。
• 單節點有效算力：考慮加速卡（如 H100、B200）的 FP8/FP16 精度、稀疏算力利用率以及互連拓撲下的實際效率（往往僅 30%–50% 的峰值利用率），確定所需節點總數。
• 網路拓撲成本函式：大規模並行訓練採用張量並行、流水線並行和資料並行的混合策略，網路頻寬需求隨節點數呈超線性增長。以 10 萬卡叢集為例，光模組與交換器合計可能佔到硬體 CapEx 的 15%–25%（來源：產業界工程實踐，具體比例因架構而異）。
• 電力與散熱約束：單機架功率密度突破 40kW 後，液冷方案的單 kW 投資成本遠高於傳統風冷，將顯著推高單位算力的初次資本投入。

CapEx 傳導鏈的物理映像

AI 需求方（模型公司/應用）
        │  算力訂單
        ▼
雲端/算力平台（CapEx 決策與融資主體）
        │  採購伺服器/叢集
        ▼
系統整合商（ODM/OEM）
   ┌────┼────┐
   ▼    ▼    ▼
晶片設計   網路/儲存   散熱/電源
   │        │        │
   ▼        ▼        ▼
晶圓製造 + 先進封裝 + 基板/材料

這一鏈條的剛性在於：從晶片設計流片到封裝產能建設，全流程週期長達 18 – 36 個月，任何一個節點的產能缺口都會使 CapEx 無法如期轉化為可用算力。

會計處理與隱性風險 CapEx 通過資本化形成資產，在預計使用年限內折舊（伺服器通常 4–6 年，網路裝置 5–7 年，建築物 15–25 年）。當技術代際跳躍發生（如 GPU 架構 2 年一換代），實際經濟壽命可能遠短於會計折舊年限，帶來資產減值風險。此外，部分廠商將開發大型模型相關的算力租賃費用資本化，其處理方式影響報表獲利的可比性。

4 關鍵引數

以下引數是解析 AI 相關 CapEx 的必備工具，所有指標均可從公開財務揭露、賣方模型和產業資料中追蹤：

• CapEx 絕對額與增速：季度/年度總額，觀察季增率與年增率。美國頭部雲端廠商（亞馬遜、微軟、Google、Meta）2023 年合計資本支出約 1400 億美元（來源：各公司 10-K 年報，口徑含融資租賃），2024 年展望增幅普遍達 30% 以上。
• CapEx / 營收比率：衡量再投資強度。若該比率持續超過 30% 且 AI 營收貢獻尚未顯現，自由現金流量將受壓。
• AI 相關 CapEx 佔比：管理層在財報電話會中通常給出定性展望，例如“大部分資本支出增長投向 AI 基礎設施”。部分公司已開始揭露“AI 算力投入”絕對金額（如 Meta 2024Q1 財報提及），但行業暫無統一口徑。
• 單位算力資本支出（$/PFLOPS）：反映單代硬體價效比的動態指標。例如從 A100 到 H100，每 PFLOPS 晶片成本有所上升，但得益於吞吐量提升，訓練同等模型的總叢集 CapEx 可能下降（需結合系統效率評估）。
• 折舊費用與資產減值：當新型號加速卡量產導致舊卡殘值驟降，可能出現一次性減值公告。還需關注折舊年限變更，其直接影響賬面獲利。
• 交付週期與預付款：裝置供應商（光刻機、封裝裝置）交貨期延長，導致上游定金和預付款項膨脹，可先行反映於應收賬款和合同負債科目。

5 技術路線

AI 資本支出並非鐵板一塊，不同技術路線對 CapEx 結構、規模和回報週期影響顯著。

通用 GPU 叢集路線 以輝達 H100/H200/B200 為代表的通用加速器建置的叢集，優點為軟體生態成熟、遷移成本低。CapEx 集中在 GPU 採購，成本透明度高但供應商溢價能力強。2023 年單張 H100 約 2.5 萬–3 萬美元（公開渠道報價，批次價格不公開），萬卡叢集僅 GPU 支出可達 2.5 億–3 億美元。

自研 ASIC 路線 Google TPU、亞馬遜 Trainium/Inferentia 等自研晶片，前期流片與研發費（可資本化）高達數億美元，但大規模部署後單位算力成本有望較通用 GPU 下降 30%–50%（產業分析機構估計，來源：公開資料未見精確對比，該數字為行業共識區間）。CapEx 結構性前置在研發與設計，製造則依賴代工廠產能。

混合推論與邊緣算力 隨著大型模型應用從訓練轉向推論，部分 CapEx 將分流至“近使用者端”的邊緣伺服器、推論加速卡和 5G 基站側的算力節點。這類 CapEx 單點規模小但總量可觀，回報週期更短。

技術特點對比

維度	通用 GPU 叢集	自研 ASIC 叢集	邊緣推論設施
硬體成本佔比	GPU 60%–70%	定製晶片 40%，網路/儲存 30%	推論卡 <50%，伺服器整合度高
研發 NRE	低	高（一次投入數億至十億美元級）	中低
軟體生態	成熟，CUDA 主導	自研棧，遷移成本高	依賴雲端端協同
擴產彈性	受制於先進封裝與 HBM	同樣受封裝產能制約	相對靈活
回報週期	12–24 個月（訓練即服務）	24–36 個月（需規模放量）	6–12 個月（隨應用落地）

（注：上表資料為定性歸納，部分成本佔比參考產業鏈調研，具體數值因配置而異。）

6 上游

上游決定了 CapEx 能否落地以及以多大代價落地，核心約束來自物理世界的產能彈性。

EDA 與 IP 先進製程晶片設計依賴 EDA 工具和高速 SerDes、HBM PHY 等 IP 授權。隨著 Chiplet 和 3D-IC 設計複雜度攀升，前端設計費用指數級增加。相關工具與 IP 供應商的訂單增長是晶片設計啟動的先行訊號。

晶圓製造 5nm、3nm 及以下製程產能高度集中，單座先進邏輯廠投資在 200 億–300 億美元級別（來源：台積電公開演講，2023 年）。AI 晶片對先進製程的飢渴，使代工廠議價能力強，也倒逼客戶以長期合同鎖定產能。CoWoS 先進封裝所需的矽中介層和配套製程成為比邏輯製程更緊的瓶頸，台積電等廠商 2023–2024 年多次宣佈擴產，但產能到位需至 2025 年或更晚（公開資訊）。

封裝裝置與材料 封裝環節的 TSV 鑽孔、臨時鍵合/解鍵合、晶圓級底部填充等裝置交期長達 12–24 個月。高精度測試機臺、基板（ABF 載板）供應也持續緊張。上游裝置商訂單出貨比（B/B 值）可提前 2–3 個季度預示封裝產能擴張節奏。

關鍵元件 HBM 記憶體由少數儲存原廠主導，2023 年 HBM3 供應幾乎被單一廠商佔據（公開報道指向 SK 海力士領先），其產能和報價直接影響 AI 伺服器 CapEx。2024 年 HBM3E 逐步上量，單位 bit 成本仍顯著高於標準 DDR5，導致儲存成本在 AI 叢集 CapEx 中的佔比明顯提升。大功率供電模組（如 48V 機架電源）和高密度液冷分配單元（CDU）也因供不應求而成為潛在瓶頸。

7 下游

CapEx 的最終支付者不是雲端廠商自身，而是其下游客戶對 AI 能力的需求所帶來的預期營收。下游需求形態決定了 CapEx 的回報節奏。

基礎模型提供商 以少數領先企業為代表的模型研發方是算力消耗大戶，他們通過向雲端廠商預付算力合約或自建叢集實現訓練。單次千億引數模型訓練可能消耗數萬 GPU 小時，推高批次 CapEx 需求。

生成式 AI 應用層 企業級 Copilot、文本生成、文生圖、影片等多模態應用帶來推論算力需求。與訓練不同，推論需要低延遲、高併發，驅動雲端廠商在邊緣節點和推論加速卡上增加 CapEx。當前推論貢獻的營收尚在起步，但雲端廠商以“投資未來”為由持續擴張（來源：財報電話會定性表述）。

行業垂直場景 自動駕駛、生物製藥、材料科學等高效能運算場景，對專用算力（如 FP64 高精度）有差異化的需求，推動異構算力叢集建設。此類下游資本支出多由行業頭部公司自建，或與雲端廠商聯建。

最終消費者與企業付費閉環 AI 助手訂閱、API 呼叫收費、AI 功能溢價等模式正在形成，但據 2024 年初多家雲端廠商電話會定性判斷，AI 產生的增量營收仍遠不足以覆蓋基礎設施投資。這個“支出先於營收”的缺口，使得下游應用爆款和付費轉化速度成為 CapEx 持續性的最大不確定性。

8 受益公司

注意：本節僅做產業型別化分析，不構成任何投資建議或推薦，亦不提供股票程式碼。

超大規模雲端服務商（Hyperscalers） 亞馬遜 AWS、微軟 Azure、Google雲端、Oracle 等是 AI CapEx 的最大出資方，其資本支出展望直接影響硬體鏈訂單。它們受益於算力租賃和 AI 服務的長期需求，但也承擔資產利用率不足的風險。

AI 算力晶片設計商 以輝達為代表的加速器公司直接受益於訓練和推論硬體採購。其資料中心業務營收與主要客戶 CapEx 呈強正相關。自研趨勢下，博通、Marvell 等提供定製 ASIC 設計服務的公司也分得份額。據各公司財報，2023 年資料中心 GPU 市場由單一廠商主導，2024 年競爭格局逐步多樣。

晶圓代工與先進封裝廠 台積電、英特爾代工服務、三星等承接晶片製造和先進封裝，其先進製程及 CoWoS 產線的利用率和議價能力，直接轉化自雲端廠商的晶片訂單。產能緊缺的格局使代工廠享有一定價格彈性。

伺服器與儲存 OEM/ODM 廣達、緯創、富士康工業網際網路等系統整合商，以及 Dell、HPE 等品牌伺服器商，交付 AI 伺服器整機或液冷機櫃，營收隨 CapEx 總量擴張而增長，但毛利率波動受上游晶片獲取能力和競爭影響。

高速互聯與測試裝置商 800G/1.6T 光模組供應商、乙太網路/InfiniBand 交換器廠商和高階測試裝置公司（如 Keysight、Advantest）也在 CapEx 擴張中訂單增加，並受益於訊號完整性要求迭代。

資料中心基礎設施與能源 液冷解決方案、高密度電源、備用電源和清潔能源開發商，同樣吸納一部分 CapEx。AI 叢集的高功耗驅動資料中心選址向電價低廉區域集中，帶動相關基建投資。

9 市場規模

全域性投資規模 多家第三方機構對 AI 基礎設施支出的統計口徑不同，涵蓋伺服器、儲存、網路及基建。根據 IDC 2024 年 3 月釋出的全球 AI 基礎設施 Tracker（具體數值公開資料未見；以下引用區間為行業常見引述），2023 年全球 AI 伺服器支出約在 200 億–250 億美元區間，預計 2024 年將增長超 30%。Gartner 預測 2024 年全球 IT 基礎設施支出中 AI 相關佔比可能從個位數提升至 15% 以上（來源：行業引用，非直接原文）。

雲端廠商 CapEx 加總 根據四大美國雲端廠商（亞馬遜、微軟、Google、Meta）2023 年全年財報合計資本支出約 1400 億美元（口徑含融資租賃），2024 年管理層展望中值預計合計接近 1800 億–1900 億美元，增量中的絕大部分被歸因為 AI 基礎設施。中國市場 BAT 等雲端廠商 2023 年 CapEx 總量顯著低於美國同行，但 2024 年隨著自主晶片替代和智算中心建設，增速亦有回升（具體數字公開資料未見統一口徑）。

半導體制造與封裝投資 台積電 2023 年資本支出 304.5 億美元（來源：台積電 2023 年年報），其中約 70% 用於先進製程和封裝技術，部分為 AI 需求所驅動。英特爾代工服務在 2023 年 CapEx 約 257 億美元（英特爾年報），內含先進製程產能建設。全球半導體 CapEx 在 2023 年達到約 1,690 億美元（據 Gartner），2024 年預測溫和復甦，AI 相關裝置支出來源僅為產業鏈調研估計。

長期展望 行業常見定性表述為“未來 5 年全球 AI 基礎設施累計投資或將達萬億美元”，此為第三方分析師根據算力需求增速和硬體升級週期推算，並非精確預測（來源：公開報道及分析報告）。該數字一般包含雲端廠商、企業和政府智算中心總體支出。

10 玩家對比

不同 CapEx 出資主體在規模、策略與效率上差異顯著：

美國四大雲端廠商對比（基於 2023 年資料）

• 微軟：2023 財年（截至 2023 年 6 月）CapEx 281 億美元，2024 財年展望超過 500 億美元，主要用於 Azure AI 容量和 OpenAI 訓練基礎設施（來源：微軟 2023 10-K 及後續財報電話會）。與 OpenAI 的深度繫結使其資本支出高度集中於先進 GPU 叢集。
• Google（Alphabet）：2023 年 CapEx 323 億美元，2024 年預計大幅增長，技術基礎設施由 TPU 自研晶片和 GPU 並行推進，基礎設施效率較高，但資本支出增速在 2023Q4 起顯著跳升（來源：Alphabet 2023 10-K 及 Q4 財報電話會）。
• 亞馬遜：2023 年總 CapEx 527 億美元，其中 AWS 相關估計約佔一半，剩餘為電商物流。2024 年展望總 CapEx 將年增率增加，強調大部分投向 AI（來源：亞馬遜 2023 10-K 及 CFO 發言）。AWS 的自研 Trainium/Inferentia 晶片策略旨在降低對輝達的依賴和單位推論成本。
• Meta：2023 年 CapEx 273 億美元，2024 年展望 300 億–370 億美元，Llama 模型開發推動自建叢集，大量採購 H100 和自研晶片專案（來源：Meta 2023 10-K 及 2024Q1 電話會）。扎克伯格強調“投資於領先能力，即使短期營收不確定”。

中國雲端廠商 阿里巴巴、騰訊、百度在 2023 年資本支出合計約 120 億美元左右（來源：各公司年報，口徑含廠房裝置），其中阿里雲端因 AI 需求在 2024 年宣佈增加資本支出，但受制於晶片出口管制，部分轉向國內供應商，CapEx 效率有待觀察。華為昇騰生態則走自研路線，相關 CapEx 資料公開不透明。

二線算力提供商與初創 CoreWeave 等新興 GPU 租賃商通過債務融資大規模採購 GPU，快速擴大規模，其 CapEx 增長速度遠超傳統雲端廠商但財務槓桿高。此類公司的資本密度和回報週期差異大，受再融資環境影響顯著。

（注：上述財務資料均來源於已公開的 SEC 檔案、年度報告和財報電話會，標註年份和口徑。）

11 風險

AI 相關 CapEx 不是“投入即產出”的無風險資產，主要風險維度包括：

• 資產減值與折舊懸崖：技術迭代過快導致老一代 GPU/加速器殘值急速縮水，當賬面資產未折舊部分大於市場價值時需計提減值。若雲端廠商集中採購同代晶片而新架構釋出，可能發生數十億美元規模的減值風險。
• 產能無法如期落地：即使預算充足，先進封裝和 HBM 產能瓶頸可能使訂單交付延遲 2–3 個季度，造成“CapEx 增長但算力未釋放”的預期差，拖累營收增速和投資者情緒。
• 營收兌現滯後：鉅額 CapEx 如果未能及時吸引足夠的 AI 客戶或應用付費，會導致自由現金流量惡化。市場歷史上對“投入先行”的耐心有一定限度，一旦 AI 營收增速未達預期高增長，相關公司估值壓力陡增。
• 政策與地緣政治風險：出口管制升級可能使雲端廠商和晶片商失去關鍵市場或供應鏈節點，CapEx 預期被迫重新規劃，產生沉沒成本。
• 電力與環境審批：超大規模資料中心選址面臨電力獲取、碳排放許可和社群反對等非技術障礙，可能推高前期資本投入並使專案延期。
• 競爭格局變化：自研晶片趨勢若加速，第三方晶片供應商的訂單可能停滯，導致部分 CapEx 投入的硬體平台“剛建成就過時”。

12 誤讀糾偏

• “CapEx 越大越好”：不當的大規模支出若不伴隨效率提升和差異化，可能變成吞噬現金的陷阱。需要結合單位算力成本、折舊政策以及資產週轉率綜合審視。
• “展望上調即供應鏈股價必漲”：CapEx 從展望到訂單、再到業績確認存在多個季度時差。產能瓶頸和交付節奏可能導致市場和供應鏈廠商的營收兌現低於線性外推。同時交易位置和估值也是影響表現因素。
• “折舊是會計數字，不影響真實現金流量”：折舊雖是非現金支出，但資產減值一旦發生，往往標誌著前期資本投入已部分沉沒，直接減少淨資產。較高的折舊費用也會壓制賬面獲利，影響估值倍數。
• “推論需求不需要大量 CapEx”：推論雖然單次所需算力低於訓練，但全球併發呼叫量級龐大，需要廣覆蓋的分散式算力網路，其所需要的總 CapEx 很可能不亞於訓練。
• “通用 GPU 是唯一選擇”：自研 ASIC 和芯粒異構整合路線正在興起，不同技術路線的 CapEx 規劃差異大，押注單一路線可能面臨技術替代風險。

13 最新事件

（截至 2025 年 2 月基於公開報道的總結，具體日期和金額以實際揭露為準）

• 微軟與 OpenAI 的超級計算機計劃：據 2024 年多篇外媒報道，微軟與 OpenAI 擬分階段打造“星際之門”（Stargate）超級計算機，預算規模達千億美元級別。微軟未官方確認確切數字，但已在 2024 年中期財報電話會上表示將擴大數據中心基建投資。
• Meta 上調 2024 年 CapEx 期望：2024 年 4 月，Meta 在 Q1 財報中上調全年 CapEx 展望上限至 400 億美元（先前上限 370 億美元），並稱在 AI 能力上的持續投資對保持競爭力至關重要（來源：Meta 2024Q1 財報電話會）。
• 台積電 CoWoS 擴產進展：2024 年 7 月，台積電在法說會上表示，到 2025 年底 CoWoS 產能有望較 2023 年提升兩倍以上，但短期內仍供不應求，客戶已簽訂多年期訂單（來源：台積電 2024Q2 法說會）。
• 中國智算中心建設加碼：2024 年，多個地方政府和運營商釋出智算中心建設規劃，部分專案投資額達數十億元人民幣。受晶片供應影響，實際建設進度呈現結構化差異，基於國產晶片的中心推進較快（來源：公開報道，未見統一口徑）。
• AI 晶片初創公司融資與 CapEx：海外 GPU 雲端服務商如 CoreWeave、Lambda 等在 2023–2024 年間通過股權和債務融資募集數百億美元，用於採購數十萬張 GPU，其資本密度引發市場對槓桿和需求可持續性的討論。
• 出口管制新規影響：美國於 2023 年 10 月和 2024 年多次更新對華晶片出口限制，導致部分中國雲端廠商調整 CapEx 計劃，轉向合規的替代硬體，全球供應鏈地理重組正在發生。

14 追蹤指標

建立系統性的追蹤架構，有助於把握 CapEx 落地節奏和預期差：

• 雲端廠商 CapEx 展望與實際值：逐季對比北美四大雲端廠商的實際 CapEx 與展望，關注展望修訂幅度。中國的 BAT 和電信運營商資本支出同樣可追蹤。
• 半導體裝置出貨與訂單：應用材料、ASML、Lam Research 等主要裝置商的訂單和遞延營收增速，領先實際晶片產能擴張 2–3 個季度。ASML 的 EUV 出貨可作為 3nm 及以下擴產的前兆。
• ABF 載板與封裝基板出貨面積：日本及臺灣基板廠商季度出貨資料，反映封裝產能需求。
• 光模組與交換器端口出貨量：800G/1.6T 光模組和高速交換晶片的出貨量，直接印證大規模 AI 叢集建設進度。部分資料可由光模組廠商月度營收推估。
• GPU 交付週期與二手價格：通過行業渠道瞭解 H100/H200 等主流加速卡的現貨交付週期和價格溢價，可判斷短期供需緊張度。二手 GPU 市場價格急劇下跌，可能預示升級換代開始。
• 資料中心用電量和租賃率：大型 REIT 和託管服務商季度揭露的出租率和在建容量，反映真實基建推進。
• AI 應用營收與客戶數：雲端廠商公佈 AI 服務相關 ARR 或客戶規模，以及模型呼叫量，是評估 CapEx 回報的終極指標。

15 信源

主要官方信源

• 各雲端廠商（微軟、Alphabet、亞馬遜、Meta、阿里巴巴、騰訊等）SEC 10-K/10-Q 檔案、年報及季度財報電話會記錄。
• 台積電、英特爾、三星電子等半導體制造巨頭的季度法說會和年報。
• NVIDIA、AMD 等晶片公司的投資者更新與產品釋出。

第三方研究與資料

• IDC《Worldwide AI Infrastructure Tracker》及《Worldwide Quarterly Server Tracker》。
• Gartner 半導體與 IT 基礎設施資本支出預測。
• TrendForce 儲存、封裝和伺服器市場報告。
• Dell’Oro Group 資料中心交換器和光傳輸報告。
• CFM、Yole Intelligence 等針對 HBM、先進封裝和基板的市場研究。

產業觀測平台

• 主要半導體裝置商（Applied Materials、ASML、Lam Research、東京電子等）的訂單和出貨資料。
• 資料中心 REIT（如 Equinix、Digital Realty）及託管商季度經營資料。
• 光模組和交換器廠商（如中際旭創、Coherent、Broadcom）公開財務和出貨展望。

注意事項 本概念頁所有財務和市場資料已儘可能標註年份、口徑及來源。部分行業共識範圍和定性趨勢描述基於公開資訊歸納，不代表精準預測。未明確來源的細節均標註“公開資料未見”。本內容不構成任何投資建議、買賣推薦或投資回報承諾。讀者如需精確數值，應直接查閱原始揭露檔案和經審計的財務報表。