半导体设备行业深度：AI芯片快速发展，看好国产算力带动后道测试-先进封装设备需求

半导体设备行业深度：AI芯片快速发展，看好国产算力带动后道测试&先进封装设备需求证券研究报告请务必阅读正文之后的免责声明部分首席证券分析师：周尔双执业证书编号：S0600515110002zhouersh@dwzq.com.cn证券分析师：李文意执业证书编号：S0600524080005liwenyi@dwzq.com.cn2025年9月21日⚫AI芯片快速发展，带来封测设备新需求。（1）测试机：SoC芯片作为硬件设备的“大脑”，承担着AI运算控制等核心功能，对计算性能和能耗的要求极高，这使得芯片设计和制造的复杂性大幅增加，先进存储芯片为AI算力芯片提供高带宽的数据存储和传输支持，其容量和带宽的不断提升也进一步增加了芯片的复杂性，因此SoC芯片和先进存储芯片的复杂性提升共同推动了对高性能测试机需求的显著增长；（2）封装设备：HBM显存的高带宽突破了加速卡的显存容量限制；COWOS封装技术作为一种2.5D技术，是GPU与HBM高速互联的关键支撑。2.5D和3D封装技术需要先进的封装设备的支撑，进一步推动了对先进封装设备的需求增长。⚫后道测试：AI测试要求提升，关注国产测试机双龙头。我们预估2025年半导体测试设备市场空间有望突破138亿美元，SoC与存储测试机分别合计达48/24亿美元。（1）SoC测试机：AI/HPC芯片的高集成度、高稳定性要求以及先进制程特性，导致测试量与测试时间显著增加，从而推动了对SoC测试机的需求增加。（2）存储测试机：HBM 测试包括晶圆级测试和 KGSD测试，晶圆级测试增加了逻辑芯片测试，KGSD 测试替代了常规的封装级测试，HBM高集成度、内嵌式I/O 及裸片堆叠封装的技术特征，大幅提升了存储测试工艺的复杂度和难度。（3）测试机的核心壁垒在于测试板卡和芯片：PE和TG芯片由于技术难度极大、市场空间较小，被ADI、TI等公司垄断，主控芯片多采取ASIC架构以保证测试速度，而ASIC架构芯片的开发需要极大的成本和漫长的迭代时间，800Mbps以上的高端机型需要用到自己研发的ASIC芯片。2024年全球半导体测试机市场基本由爱德万和泰瑞达垄断，合计份额约90%。⚫后道封装：HBM等先进封装快速发展，关注国产封装设备商。先进与传统封装最大区别在于芯片与外部电连接方式，先进封装省略引线，采取传输速度更快的凸块、中间层等，传统&先进封装所需设备有一定重合但工艺要求有所变化，设备增量主要在于前道图形化设备。⚫投资建议：我们建议投资者关注国内AI芯片带来的封测设备端投资机会。（1）测试设备：国产AI芯片制造采用更大的引脚和电流，测试难度显著提升，关注国产算力带来的国产测试机突破，相关标的为华峰测控、长川科技；（2）封装设备：国产AI芯片采用CoWoS先进封装，中国在封测环节具备较强全球竞争力，国内先进封装有望进入起量元年，关注国产封装设备新机遇，相关标的为晶盛机电（减薄机）、某泛半导体领域设备龙头（磨划+键合）、华海清科（减薄机）、盛美上海（电镀机）、芯源微（涂胶显影+键合机）、拓荆科技（键合机）等。⚫风险提示：下游扩产不及预期，研发进展不及预期等。投资建议2目录一、AI芯片快速发展，带来封测设备新需求二、后道测试：AI测试要求提升，关注国产测试机双龙头三、后道封装：先进封装快速发展，关注国产封装设备商四、投资建议五、风险提示⚫随着ChatGPT、DeepSeek等AI的兴起， 2024年中国智能算力规模达640.7EFLOPS。根据IDC数据，2024年中国AI服务器市场规模将突破190亿美元，同比增长87%；对应智能算力规模达到640.7百亿次/秒（EFLOPS）。2026年中国智能算力规模则有望达1271.4 EFLOPS，2019-2026年复合增长率达58%。随着AI的不断发展，智能算力市场在中国将持续扩大，对AI算力芯片需求有望持续放量。⚫云端算力中心外，端侧应用发展迅猛。DeepSeek等开源模型的出现，推动端侧AI产品加速落地， SoC芯片有望加速放量。⚫随着云端与端侧AI应用加速产业化，中国2024年AI芯片市场规模突破1400亿元。根据IDC，2024年中国AI芯片市场规模达1405.9亿元，2019-2024年CAGR达36%。◆ 图：中国智能算力规模2024年达640.7EFLOPS数据来源：IDC，东吴证券研究所百亿亿次/秒（EFLOPS）1.1 AI加速产业化，推动算力中心、终端用芯片需求快速增长124 191 427 850 1,039 1,406 1,780 0%30%60%90%120%150%05001000150020002019202020212022202320242025EAI芯片市场规模（亿元）yoy◆ 图：中国AI芯片市场规模2024年达1406亿元41.2 AI芯片主要分为技术与应用层面两大类⚫AI芯片是专门用于处理人工智能应用中大量计算任务的芯片。它通过优化硬件架构，能够高效处理大规模并行计算和复杂的神经网络算法，提升计算效率和能效比，是人工智能技术发展的重要硬件基础。⚫AI芯片可以从技术层面和应用层面进行分类：（1）技术层面：①GPU（图形处理单元）：最初用于图形处理任务，但因其强大的并行计算能力，被广泛应用于人工智能领域。它能够高效处理大规模矩阵运算，适合深度学习中的训练和推理任务。② FPGA（现场可编程门阵列）：FPGA是一种可编程的集成电路，在制造完成后仍可使用配套软件对芯片进行功能配置，可以根据具体需求配置其内部逻辑功能，它结合了硬件流水线并行和数据并行处理能力，适合低延迟、低功耗的实时计算任务，常用于边缘计算和推理阶段。 ③ASIC（专用集成电路）：ASIC是为特定应用场景定制的芯片，具有高度优化的硬件架构，能够实现极高的性能和能效比，缺点是电路设计需要定制，相对开发周期长，功能难以扩展，其通常用于大规模推理任务。④ NPU（神经网络处理器）：NPU是专为神经网络计算设计的芯片，模拟人脑神经元和突触的工作方式，能够高效处理深度学习任务，它通常用于移动设备和物联网终端，具有低功耗、高性能的特点。◆ 图：主要AI芯片对比数据来源：智能计算芯世界，电子工程专辑，艾瑞咨询，东吴证券研究所品类GPUFGPAASICNPU图例特点图形处理能力，高并行计算能力强功能可修改，数据并行处理能力强性能功耗比高，算力水平高，灵活性差功耗低，认知能力强，通信效率高优点算能力较强，通用性强，开发和使用门槛低，有大量支持库和框架可重构性强，适用于多种应用，开发周期短，灵活性高性能和能效比高，单位成本低，适合量产，可靠性高效率高，功耗低缺点功耗较高，价格较贵单位成本高，开发难度大，性能和能效比不高开发成本高，设计周期长，灵活性差通用性差，开发难度高，生态和工具链不够成熟适用场景图形处理和密集型并行运算算法频繁更新或市场规模小的领域市场需求量大的专用领域各种具体行业主要厂商AMD，英伟达赛灵思，Lattice博通，寒武纪英特尔5⚫（2）应用层面：①云端AI芯片：云端AI芯片应用在智能计算中心等相对远离用户侧的AI芯片，算力通常可达到100TOPS以上。云端AI芯片是实现大规模数据处理和深度学习模型训练的关键。②终端AI芯片：终端AI芯片有很