2026年目前表现最好的15大美股： 1. $AAOI（应用光电） +339.44% 2. $SNDK（闪迪） +301.26% 3. $AEHR（Aehr Test Systems） +254.93% 4. $LITE（Lumentum） +136.35% 5. $WDC（西部数据） +103.36% 6. $BE（Bloom Energy） +103.33% 7. $VG（Venture Global） +87.21% 8. $NBIS（Nebius） +84.65% 9. $INTC（英特尔） +76.64% 10. $PL（Planet Labs） +74.04% 11. $COHR（Coherent） +66.84% 12. $DOCN（DigitalOcean） +65.98% 13. $LRCX（Lam Research） +56.35% 14. $AMAT（Applied Materials） +55.00% 15. $MU（美光） +49.50%

Veeco：在GAA、HBM与CPO交汇点上的重要玩家 如果把半导体产业链的终点是材料。Veeco就是一家材料公司。 公司业务看起来分散：LSA、MOCVD、Ion Beam、Wet、Litho。但如果用一条主线去理解，其实很清晰——它做的是在原子尺度上控制材料。 Veeco当前收入约70%以上来自半导体相关业务，产品结构可以分为三层： 第一层是LSA（Laser Annealing）和先进封装（Wet + Litho），贡献大部分收入； 第二层是Ion Beam等高精度材料处理； 第三层是MOCVD等化合物半导体设备，当前占比不高，但决定未来空间。 LSA本质是一个“热控制工具”。但在先进制程里，“热”已经不是普通变量，而是最核心约束之一。 离子注入之后必须退火，这是所有晶体管都绕不开的步骤。传统路径是RTA或炉管，但问题在于，它们是“全局加热”，时间长、扩散大。节点进入7nm以下，这种扩散开始不可接受。 GAA把问题推到极限。沟道结构更精细、尺寸更小，任何多余的扩散都会直接影响器件性能。这时候，工艺需求发生了本质变化——不再是“加热”，而是“精确加热”。 LSA的价值就在这里：纳秒级、局部加热，几乎只作用在表层。 LSA的护城河不是设备本身，而是“工艺嵌入”。一旦进入产线，很难被替换。 再看先进封装（Wet + Litho）。 HBM和Chiplet的爆发，把封装从辅助环节变成核心环节。工艺数量增加、步骤复杂度上升，对清洗、刻蚀、光刻的需求同步放大。 Veeco不是技术绝对领先，而是“高吞吐 + 低成本”的参与者。 它已经进入TSMC、Samsung、Micron等客户体系，但这块的护城河明显弱于LSA。对手是Lam、TEL、Applied这些平台型公司。 再看Ion Beam / ALD / PVD。 ALD和PVD是典型的大厂战场，Applied Materials、Lam、TEL拥有绝对优势。Veeco在这里几乎没有存在感。 Ion Beam是一个典型的niche技术：慢、贵，但精度极高。在某些场景下，比如MRAM、光子器件、MEMS，它几乎不可替代。 这类业务的特点是：市场小，但稳定，毛利高，客户粘性强。 最后看MOCVD。 这是当前占比不高，但最值得关注的一块。 MOCVD用于生长GaAs、InP、GaN等材料，是光通信和功率器件的基础。随着CPO（共封装光学）推进，InP激光器的重要性在快速上升。 问题不在于设备数量，而在于“良率 + 工艺 + 材料体系”。这一层很可能成为真正瓶颈。 Veeco和Aixtron是唯二的核心玩家。 总的来说，Veeco很可能是一个“结构性机会”。 它的当前收入由半导体驱动，但未来估值空间取决于两件事： 第一，LSA是否进入更深的先进节点工艺； 第二，MOCVD是否成为CPO时代的关键瓶颈。 如果这两件事成立，这家公司会从一个“小众设备商”，变成“材料层定价权参与者”。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议dyor

最近光模块板块有点回调，不少小伙伴又开始担心了，纷纷建议我们来讲一讲。正好最近 ChatGPT Images 2出来，测试了一下用它做行研分析图，如👇图1，就是用Images 2出的光模块拆解，效果真的不错。 言归正传，我们依旧长期看好光模块领域的核心企业，AI 数据中心的算力战争，早已经从 GPU 打到光子芯片了。🧐 很多人还在死盯着英伟达，殊不知真正的卡脖子环节，早就转移到光互联和光子学这条产业链上了。 我们看看数据就知道了：AI 服务器的功耗从传统的 5-10kW 直接飙升到 100kW+，这些算力怪兽之间的数据传输，靠传统铜线？根本扛不住！光子芯片，才是 #AI# 基础设施的下一个必争之地。 我们最近花了不少时间，把整条光子学产业链从头到尾梳理了一遍。从最上游的材料、设备，到中游的激光器、代工厂，再到下游的光模块、网络连接，每个环节的核心标的都扒拉了个遍。 这不是什么概念炒作，是实打实的硬科技赛道，每一层都有明确的投资机会。咱们掰开揉碎了讲，看看这条产业链到底藏着哪些机会： 🔹 第一层：材料与晶圆 - 半导体之基 这是产业链最顶端，主要提供磷化铟、砷化镓这些化合物半导体材料。说白了，没有这些材料，后面啥都别想搞。 • $AXTI (AXT Inc) 垂直整合的衬底供应商，在 InP（光通信激光器专用）市场占据重要地位。这哥们是从源头卡位的玩家。 • $WOLF (Wolfspeed) 虽然主攻碳化硅功率器件，但在氮化镓射频和光电衬底方面也有深厚积淀。多条腿走路。 • $COHR (Coherent) 全球领先的工程材料和光子器件厂商。不仅卖材料，还向下游垂直整合到激光器和模块，这是真正的巨头玩家。 🔹 第二层：制造设备 - 卡脖子环节 光子芯片的制造需要极高精度的光刻和外延生长设备，这可是真正的卡脖子环节。科林研发(LRCX)与应用材料(AMAT）、阿斯麦(ASML）并列，是全球前三大半导体设备商。 • $ASML(阿斯麦) 绝对的霸主，没啥好说的。随着硅光技术向更小纳米节点迈进，ASML 的光刻机是不可或缺的。垄断级别的存在。 • $AMAT (Applied Materials) & $LRCX (Lam Research) 在薄膜沉积、刻蚀等关键工艺上提供设备。2026 年的逻辑很清楚，随着 AI 驱动的晶圆厂扩产，这些设备厂的订单可见度极高。稳稳的。 🔹 第三层：激光器 - 光源引擎 激光器是把电信号转化为光信号的核心心脏，不可或缺的关键要素，妥妥的卖铲子王者。 • $LITE (Lumentum) 提供用于800G到1.6T高速数据传输的磷化铟激光器、EML激光器及光收发器，是NVIDIA和各大超大规模数据中心的核心供应商，市占率高达80%。在云数据中心和电信网络的高性能激光器领域极具竞争力。大厂背书，靠谱。 • $SMTC (Semtech) 专精于高性能模拟、混合信号集成电路、物联网系统及云端连接服务。尤其在激光驱动芯片和 CDR领域优势明显，是信号调理环节的关键。虽然不是最性感的环节，但不可或缺。 🔹 第四层：代工厂 - 制造产能 有了设计和材料，谁来生产？代工厂就是把图纸变成芯片的关键环节。 • $TSM (台积电) 正在积极布局 CPO（共封装光学）技术。台积电的 COWAS 封装技术与硅光技术的结合，是未来 AI 算力卡的标配。龙头就是龙头。 • $TSEM (Tower Semiconductor) 总部位于以色列，专门从事模拟和混合信号制造，在硅光代工领域有先发优势，是很多初创光子设计公司的首选。小而美。 🔹 第五层：测试、检测与封装 - 质量守门员 光子芯片出厂前，必须经过严格的测试和检测，这一环节直接决定良品率。 • $AEHR (Aehr Test Systems) 目前的明星股！核心逻辑是光子芯片，尤其是激光器在出厂前需要长时间的"老化测试"。随着硅光芯片上量，AEHR 的晶圆级测试设备需求呈指数级增长。这是今年的大黑马。 • $ONTO (Onto Innovation) 专注于微电子器件、逻辑芯片、DRAM 内存以及先进封装领域提供高性能的过程控制量测、缺陷检测、光刻技术和数据分析系统，提供自动光学检测，在异构集成封装检测中不可或缺。稳健型选手。 🔹 第六层：光学模块 - 系统的物理表现 这一层是把光芯片、电芯片、光纤连接器整合在一起的"黑盒子"，也是最接近终端应用的环节。 • $AAOI (Applied Optoelectronics) 随着数据中心向 800G/1.6T 演进，AAOI 作为具有自主激光器产能的模块厂商，成本优势和产能弹性都很明显。高弹性标的。 • $GLW (Corning) 康宁是光纤之王。无论芯片怎么变，最终光信号还是要通过康宁的光纤进行传输。躺赢的存在。 🔹 第七层：网络连接 - 价值兑现终点 这是整条产业链的最后一环，也是价值兑现的终点。所有的技术最终都要在网络设备上体现出来。 • $AVGO (Broadcom) 光子学领域的终极 Boss！博通不仅拥有全球最强的交换芯片，还通过集成硅光技术CPO直接将光接口做进芯片里。同时也是ASIC定制芯片的龙头企业，是谷歌TPU的核心合作伙伴。属于真正的王者。 • $ANET (Arista Networks) AI 数据中心网络架构的领导者，是光模块的最大采购方和应用场景定义者。需求端的话事人。 • $MRVL (Marvell) 在光互联 DSP 领域与博通双头垄断，其 PAM4 DSP 芯片是 800G 光模块的标配。技术壁垒很高。 总结来说，光子学这条产业链，不是什么遥远的未来技术，而是正在发生的现在进行时。AI 算力的爆发，已经把光互联从"可选项"变成了"刚需"。 从材料到设备，从激光器到封装，从光模块到网络连接，每一层都有明确的赢家和清晰的投资逻辑。我个人策略很简单，一旦光模块板块出现回调，逢低买入是一个好机会！ 这份清单里面： • 有稳健的行业巨头（ASML、台积电、博通） • 有高弹性的成长标的（AEHR、TSEM、AAOI） 我们不需要全买，但至少要知道这条产业链的关键环节在哪里，钱流向了谁。 AI 的下半场，不只是 GPU 的游戏，光子学才是真正的物理层卡位战。布局正当时，等风来。DYOR🙏 目前上述提及的公司在 #MSX# 上面基本都有，炒美股，我选择用 #RWA# 美股代币化平台 #MSX，一同投资参与美股市场：# 早期美股投资粉丝和伙伴，可以私信我，填写表单后，可免费进入美股交流和探讨社群(目前每周仅限定10人，助理审核，可能需要一点时间，感恩🙏)！

半导体产业链之上，数字孪生之前：良率提升的隐形冠军分析 如果把半导体制造当成一个系统来看，会发现一个被长期忽视的位置：在产业链之上、在数字孪生真正落地之前，存在一层尚未被完全定义的跨企业，全流程的“认知层”。PDF Solutions的价值，就来自这里。 它处理的不是单点数据，而是贯穿设计、工艺、设备、测试的因果链：某个设计结构，在某个工艺步骤、某台设备上形成特定缺陷，最终映射为电性失效。单个fab或者检测机构可以拥有某些环节的全部原始数据，但很难把这些数据稳定地连接成可复用的因果模型，这就是PDFS切入的本质。 为什么EDA、fab、设备厂没有把这件事自己做完？不是做不到，而是没有动力做到那一步。 设计端如Synopsys、Cadence Design Systems只能做到前馈优化，缺乏制造后的反馈闭环； fab如TSMC、Intel数据最全，但系统割裂、组织分散，跨流程整合成本极高； 设备厂如KLA Corporation、Applied Materials掌握检测和控制，但视角局限在单工序。 每一层都在优化局部，跨边界问题无人承接，于是在产业链之上，自然出现了一层“解释系统”的空白，这正是PDFS所在的位置。 产业链使用PDFS，是因为数据之间的断层——设计看设计，工艺看工艺，设备看缺陷，但没有统一机制把这些信息串成一条可解释的因果链。PDFS的作用，本质上是提供一种跨环节的“统一语言”，把原本无法关联的数据转化为可以用于决策的结构化认知。 PDFS复用的是抽象层：缺陷分类、特征工程、分析路径以及“模式—原因”的映射关系。这是一种“认知复利”，而不是互联网式的强网络效应。客户越多，模型越好。 PDFS为什么能做到今天的位置？ 因为他们从最苦的活开始。 他们最早不是平台公司，而是以工程服务切入，解决最棘手的良率问题。良率问题天然跨越设计、制造和检测，它从一开始就被迫打通全链条。随着项目积累，相似问题反复出现，分析方法和数据结构被不断沉淀，逐步从“人驱动”转向“方法驱动”，最终产品化为平台（Exensio）。所谓“覆盖全产业链”，并不是自上而下设计的结果，而是问题驱动下的自然扩张。 公司目前护城河仍然不足以自动演化为行业标准。决定其上限的三个条件，目前只有一个在加速：AI对数据结构的依赖。随着AI进入制造环节，企业更倾向于在既有数据框架上建模，而不是重建体系，这在强化PDFS的位置。但数据模型标准化仍然缓慢，跨公司协同也还停留在早期，飞轮尚未闭环。 与KLA Corporation相比，这种差异更清晰。KLA控制的是“看见什么”，数据来自设备，绑定物理世界，护城河刚性且直接；PDFS控制的是“如何理解”，属于认知层，依赖数据结构和经验积累。前者不可绕开，后者存在替代路径。因此当前阶段，KLA更强、更确定；PDFS上限更高，但路径未锁定。 用nvda老黄常挂在嘴边的词来看PDFs的end game，就是数字孪生。 数字孪生需要实时数据、因果模型和控制能力三者闭环。PDFS已经覆盖了最难的一块——因果建模和跨链条数据结构，因此它位于一个非常微妙的位置：既在产业链之上，又在数字孪生之前。它负责“理解世界”，以便让其他人“改变世界”。 从发展路径看，PDFS下一步很可能向三条主线收敛：标准化、AI化和嵌入化。标准化意味着把自身的数据结构变成行业默认语言；AI化意味着让模型能力依赖其数据体系；嵌入化则意味着从“分析建议”进入“生产决策”。如果这三点成立，它才有可能跨过那条界线，从认知层走向真正的系统层。 因此，对PDFS最准确的判断是：它站在一个特殊的位置——半导体产业链之上，数字孪生之前。 如果这一层最终被标准化，它可能成为基础设施；如果没有，它仍然只是高价值工具。 免责声明：本人持有文中提及的标的，观点必然偏颇，非投资建议，投资风险巨大，入场需极度谨慎

半导体封装的“隐形中枢”：inline检测与OSAT的再定价 半导体产业正在经历一次重心转移：性能提升不再只依赖晶体管缩小，而是越来越依赖封装。2.5D、3D、HBM、chiplet，本质上都在把“系统能力”搬到封装环节。这也直接抬高了OSAT（外包封装与测试）的战略地位。 封装重要性的提升，带来了inline检测的快速增长。 OSAT（Outsourced Semiconductor Assembly and Test）负责两件事： 把裸die封装成可用芯片（封装） 验证芯片是否可用（测试） 过去这是一个低技术、低毛利的环节。但在AI时代，情况变了： 多die集成（chiplet） HBM堆叠 nm级对准要求（hybrid bonding） 封装正在变成： 性能瓶颈 + 良率瓶颈 + 成本瓶颈 inline是一种生产方式：所有工序连续完成，并在生产过程中实时检测与反馈（闭环） 对应另外一个环节是offline：做完再测（开环） 先进封装中的inline检测主要分三类： 1）光学检测（主力） bump高度 overlay（对准） 表面缺陷 特点：速度快，可全量inline。 2）X-ray检测 焊点空洞 TSV缺陷 内部结构问题 特点：能看内部，但速度慢，多用于抽检。 3）电性测试 功能验证 性能分档 更接近最终测试，不属于核心inline控制体系。 inline检测的目标不是“最精确”，而是在不降低产线效率的前提下，实现足够精确的实时反馈 核心矛盾：精度 ↑ → 速度 ↓；速度 ↑ → 精度 ↓ 先进设备的价值，就是在这个矛盾中找到最优解。 inline检测的壁垒来自多维叠加： 1）物理极限 nm级对准 μm级结构 工业环境下接近科研精度 2）速度 vs 精度的工程平衡 高throughput + 高精度同时实现 3）算法与数据 缺陷识别、pattern分析 强依赖历史数据与持续训练 4）工艺耦合 测量 → 调整工艺 → 再测 形成闭环系统 5）客户验证 TSMC / Samsung Electronics / Intel 验证周期长（1–3年） 一旦导入，很难替换 所以门槛极高。inline设备不是工具，而是嵌入客户制造系统的一部分。因此这个市场高度集中： 系统级控制 KLA Corporation Applied Materials → 控制数据与闭环 关键测量节点（alpha来源） Camtek Ltd. Onto Innovation Nova Ltd. → 控制关键测量维度 三家核心玩家对比（Onto / Nova / Camtek） 这三家公司虽然同在inline赛道，但本质上卡的是不同位置。 一句话结论 Onto = 广度（平台） Nova = 深度（前道工艺） Camtek = 弹性（先进封装/HBM） 1️⃣ Onto Innovation 定位： 前道 + 封装双覆盖 optical metrology + inspection + litho 优势： 产品线最广 客户最分散 抗周期能力强 劣势： 单点技术不如Nova深 封装不如Camtek极致 2️⃣ Nova Ltd. 定位：前道metrology核心玩家 优势： 技术深度最强 工艺绑定最深 数据壁垒最强 劣势： 封装参与较少 弹性不如Camtek 3️⃣ Camtek Ltd. 定位： 先进封装（HBM / 3D） 优势： 聚焦3D检测 HBM需求直接驱动 使用频率极高 劣势： 产品线较窄 对周期敏感 竞争关系本质 KLA = 控制系统 Onto = 广覆盖 Nova = 深度测量 Camtek = 封装核心检测 这不是单一赢家市场，而是： 每个关键测量维度一个龙头 封装是制造能力，检测是控制能力。区别在于： 封装 → 可扩产、可竞争 检测 → 嵌入流程、难替代 inline检测具备三个核心特征： 高频使用（每一步都测） 强绑定（工艺耦合） 决定良率（直接影响利润） 在这个体系中：谁打通从设备到数据的全节点，掌握“反馈权”，谁就掌握利润分配权。 免责声明：本人持有文中提及的标的，观点必然偏颇，非投资建议dyor

Onto Innovation最近入股 Rigaku Holdings 27% 股权，这是一次非常明确的战略转向：从“表面检测”走向“3D结构检测”，本质是在卡位先进封装时代的工艺控制入口。 Onto的业务核心是半导体制造中的process control，也就是检测（inspection）、计量（metrology）、封装光刻和软件系统。它决定良率，和klac一样，是典型的“复杂性收费者”。随着工艺从2D走向3D，这类公司的重要性正在系统性提升。 过去，检测主要依赖光学和电子束，解决的是“看得见”的问题。但在HBM、CoWoS、chiplet和混合键合等结构下，缺陷越来越隐藏在内部，传统方法开始失效。X-ray成为必需工具，这正是Onto入股Rigaku的核心逻辑——补齐内部检测能力，从而覆盖“表面+内部”的完整检测链条。 从市场结构看，Onto未来真正的机会不在大盘，而在结构性细分。 先进封装检测的增速高于行业平均，而涉及3D结构（如X-ray、混合键合检测）的细分领域可能更高。公司当前业务重心已经明显向先进封装倾斜，这使其增长弹性显著高于行业平均。 竞争格局上，行业由 KLA Corporation 主导，市占率超过一半，是标准制定者；Applied Materials 和 ASML 等大型设备商具备跨界能力，可以通过整线方案压制单点供应商；而Camtek、Nova等公司则在细分领域与Onto直接竞争。Onto本身处于中间位置：产品线不够全面，但在先进封装环节具备一定深度。 其优势在于提前卡位先进封装，产品结构向高增长区域集中，同时具备一定技术门槛和盈利能力；但劣势也很清晰，包括客户绑定较弱、系统能力不完整，以及在部分高端检测能力上仍落后于龙头。整体来看，护城河处于中等水平，尚未形成不可替代性。 决定公司未来地位的关键变量是混合键合。 随着互连从bump走向直接键合，对overlay精度和界面缺陷控制的要求大幅提升，检测和计量的重要性显著上升。Onto在overlay和先进封装检测上已有基础，并通过X-ray补齐能力，因此可以覆盖混合键合检测链的大部分环节。该技术有望在未来3–5年持续推动其相关业务高于行业增速。 Onto的投资逻辑并不完全跟随半导体周期，而在于是否能够从先进封装中的“参与者”，升级为3D结构检测中的“关键节点”。混合键合决定其能否获得稳定超额增长。如果能够在X-ray和3D检测上建立能力闭环，其护城河有望明显加宽；反之，则仍将处于被KLA压制、被大厂边缘化的中间位置。 本质上，这家公司正在从一个设备供应商，向“复杂性控制入口”转型。能否完成这一转型，决定了它未来5年的上限。 免责声明：本人持有文章提及股票，观点十分主观，非投资建议dyor

AI时代，半导体公司到底该怎么估值？ 昨天听了@ShanghaoJin 老师的space，获益匪浅。 但我对于存储板块，乃至整个半导体板块的在目前ai产业革命超级周期背景下的估值方法，有一些不同的想法，所以简单记录一下，也供herman老师拍砖。 过去很长时间里，半导体一直是典型周期行业。景气时利润暴涨，低谷时利润迅速蒸发。很多公司上一年PE几十倍，下一年直接亏损。所以过去市场并不太相信半导体公司的利润持续性，更喜欢用 PB、重置成本、EV/EBITDA，而不是PE。因为市场默认这些利润大概率只是周期利润，而不是长期利润。 但AI时代正在改变这一切。HBM、CoWoS、AI Networking、光模块、先进封装、电力与数据中心基础设施，开始出现长期供需失衡。整个行业的估值逻辑，也开始从“资产思维”转向“现金流思维”。 截至2026年，行业仍处在AI驱动的强景气阶段。根据 SIA 数据，2025年全球半导体销售额达到7917亿美元，同比增长25.6%，并预计2026年接近1万亿美元。SEMI 也预计设备销售将在2026、2027继续增长。这种环境下，很多股票估值已经提前包含高增长预期。重要的是增长质量，以及它所处的周期位置。 很多人喜欢只看 PE、forward PE 或 PEG，但半导体行业的问题在于，“周期 + 高成长 + 高资本开支 + 技术代际”全部混在一起，单一估值倍数很容易骗人。周期顶部时，利润爆炸，PE反而会显得特别便宜；周期底部时，利润低迷，PE又会显得特别贵，甚至失去意义。重要的是判断当前利润到底处在周期的哪个位置。 PE 本质上是： PE = \frac{Market\ Cap}{Net\ Income} 它看的是最终归属于股东的利润，因此会受到利息、税率、折旧和资本结构影响。而 EV/EBITDA 更接近企业经营本身的赚钱能力： EV/EBITDA = \frac{Enterprise\ Value}{EBITDA} 其中： EV = Market\ Cap + Debt - Cash 很多人会疑惑为什么现金要减掉。因为 EV 本质上是在看“买下整个公司的真实净成本”。债务需要接手，而账上的现金买下后也归你，所以现金会降低真实收购成本。重要的是理解 EV 关注的是经营业务本身值多少钱，而不是公司账上堆了多少现金。 这也是为什么 Apple、Alphabet、Meta Platforms 经常出现 EV 小于市值的情况，因为它们账上现金太多。 但AI时代又带来了一个新问题。很多公司的现金已经不再是“闲置现金”，而是GPU储备、数据中心扩张储备、AI基础设施战争储备。重要的是区分 Excess Cash、Operating Cash 和 Strategic Cash。有些现金未必真的应该全部减掉。 AI时代另一个巨大变化，是行业进入超级重资本时代。EUV越来越贵，High-NA越来越贵，CoWoS扩产越来越贵，HBM扩产越来越贵，数据中心基础设施越来越贵。整个行业折旧（D&A）正在快速上升。于是很多公司的 EBITDA 非常漂亮，但净利润没有那么夸张，因为大量利润被折旧吞掉了。重要的是现在 PE 和 EV/EBITDA 的差异，正在明显扩大。 不同子行业差异尤其明显。Fabless公司差异最小，比如 NVIDIA、AMD、Broadcom。因为它们不自己建厂，折旧压力较低，因此 EV/EBITDA 往往只比 PE 低20%-40%。 但 Foundry 完全不同。比如 Taiwan Semiconductor Manufacturing Company、Samsung Electronics、Intel。这些公司 CapEx 极大，折旧极高，厂房设备生命周期极长，所以 PE 和 EV/EBITDA 差异会明显扩大。TSMC 当前常见情况大概是 PE 20-30x，而 EV/EBITDA 只有12-18x。重要的是理解很多折旧本质上其实是“增长投资”。 存储行业更加极端。Micron Technology、SK hynix 过去长期是最典型的周期行业，市场几乎不相信利润持续性。但 HBM 改变了部分逻辑，市场开始认为其中一部分利润可能是结构性利润，于是行业开始重新定价。重要的是 HBM 让市场开始重新评估存储行业的长期盈利能力。 而半导体设备公司则是另一种情况。比如 ASML、Applied Materials、Lam Research、KLA。这些公司更像“拥有工业外壳的软件公司”，因为它们毛利率高、ROIC高、FCF强、资本效率极高，所以市场已经越来越多使用 PE、EV/EBITDA、EV/FCF 和 ROIC 来定价。 真正的问题，从来不是哪个指标最好。重要的是哪个指标适合哪个子行业。 Trailing PE 适合盈利稳定的成熟公司，但周期股在景气高点 PE 会显得特别便宜，在低谷又会显得特别贵。Forward PE 更重要，因为市场买的是未来12-24个月利润。重要的是盈利预期是否还在持续上修，而不是单纯看一个低 forward PE。 PEG 对稳定高成长公司很好用，但对周期行业非常危险。很多时候 EPS 从低谷恢复，会让 PEG 看起来异常便宜。重要的是判断这个增长到底来自长期成长，还是仅仅来自周期反弹。 EV/EBITDA 更适合设备、IDM、存储这些资本结构差异大的行业。重要的是最好使用中周期 EBITDA，否则很容易在周期顶部被误导。 我个人更喜欢 FCF Yield 和 EV/FCF。重要的是这两个指标会逼着你回答一个问题：这些利润最后到底能不能变成真钱。 EV/Sales 只适合高增长、利润暂时被投入压低的平台型公司。重要的是结合毛利率、经营杠杆和长期利润率一起看。 不同子行业应该看不同指标。AI/fabless 芯片更应该看 forward PE、EV/FCF、收入增速、毛利率、客户集中度和平台护城河；半导体设备更应该看 EV/EBITDA、订单、积压和 WFE 周期；存储更应该看 P/B、EV/EBITDA、库存以及 DRAM/NAND/HBM 价格；晶圆代工和 IDM 更应该看利用率、CapEx、折旧、ROIC 和 FCF；模拟、功率和车规更应该看 FCF yield、库存周期和工业需求；EDA/IP 更应该看 EV/Sales、EV/FCF 和长期增长确定性。 所以不要只按 PE、forward PE 或 PEG 买半导体股。重要的是先分子行业，再做多指标综合。 我的框架会更简单一些。第一看质量，包括毛利率、营业利润率、ROIC、技术壁垒和客户粘性。第二看增长。重要的是增长到底来自结构性需求，还是只是周期复苏。第三看现金流，包括 FCF margin、CapEx 强度、库存变化和应收变化。第四才是估值，包括 forward PE、EV/EBITDA、EV/FCF、PEG，并与同行和自身历史区间比较。最后才是风险，包括客户集中、出口限制、库存、产能过剩和盈利预期下修风险。 半导体行业最重要的一点，是不要被低PE欺骗。重要的从来不是今天便不便宜，而是未来3-5年的现金流和竞争地位，能不能支撑今天的估值。 AI时代最大的变化，本质上也是这个。过去市场担心的是“下一轮周期会不会崩”，现在市场开始关心的是“这些利润到底是周期性的，还是结构性的”。 如果市场认为只是周期，那么 EV/EBITDA 不会给太高，PE 也不会持续扩张。如果市场开始相信 AI需求是长期的、基础设施建设是长期的、供需失衡是长期的、行业进入结构性短缺，那么整个行业的估值体系就会继续升级，从 PB → EV/EBITDA → PE → FCF 一路向上迁移。 最终获得长期高估值的公司，往往都是那些 ROIC 持续提升、资本效率持续改善、拥有长期定价权、能把AI需求持续转化为现金流的企业。

行业深研：LSA--2nm的隐形分水岭 在先进制程不断逼近物理极限的过程中，“热”成为最核心的变量之一，一点点温度偏差都容易让良率不可接受。 LSA这种退火设备，在先进节点中，它的意义已经发生变化。 前道制造中，离子注入是不可绕开的步骤。它负责将掺杂原子打入硅中，定义器件电学特性，同时不可避免地破坏晶格结构。 退火的作用，是完成两件事：修复晶格、激活掺杂。传统路径是炉管或快速热退火（RTA），通过整体加热晶圆，让原子在高温下重新排列。但问题在于，这种加热是全局的，时间是秒级甚至更长，掺杂在被激活的同时发生扩散，结变宽、边界变钝。 在28nm、14nm时代，这种扩散仍然可以容忍。但进入7nm以下，尤其是从FinFET向GAA（Gate-All-Around）过渡之后，器件尺寸逼近物理极限，任何额外扩散都会直接侵蚀性能窗口。问题从“需要退火”变成“需要一种不带副作用的退火”。 LSA通过在纳秒到微秒级时间内对晶圆表面进行瞬时加热，温度可以高于传统退火，但因为持续时间极短，热扩散被压制在极浅范围内。随后快速冷却，掺杂被激活、晶格被修复，但位置几乎不发生迁移，从而形成极浅且陡峭的结。这直接对应更低漏电、更高开关速度以及更可控的电场分布。 放在器件结构演进中看：FinFET解决的是平面器件失效后的继续缩放问题；GAA通过四面包裹沟道提升栅控能力，使先进节点仍能前进一段；而未来的CFET（Complementary FET），则是在横向无法继续压缩之后，通过垂直堆叠来延续密度提升。在这一过程中，结构不断演进，但约束条件在收紧，而“热预算”逐渐成为最硬的边界。 GAA的核心变化是channel更薄、间距更小、结构更复杂，任何额外的热扩散都会直接改变器件的几何与电学特性。source/drain掺杂会向channel侵入，短沟道效应迅速恶化；nanosheet之间的间距与应力分布被扰动，电场控制能力下降；接触区域本身极小，轻微扩散就会带来显著电阻变化。在这一结构下，热扩散不再是性能损失，而是结构破坏。 这也是传统退火开始失效的原因。你仍然可以用它激活掺杂，但代价是把设计好的器件“热模糊”。最终得到的是一个可以导电但偏离设计窗口的晶体管。 LSA正好解决的是这个矛盾。它将“温度”和“时间”解耦：允许极高温度，但把作用时间压缩到扩散尚未来得及发生的尺度；同时通过线光束扫描，仅作用于表面区域，避免深层结构受热。 高温、极短时间与局部控制这三个条件，在现有热处理方案中几乎只在LSA上同时成立。因此，在FinFET时代，LSA更多是性能增强工具，而到了GAA，它的角色变成“结构可行性工具”。 随着节点进入3nm、2nm甚至更小，热处理不再是一个可以灵活调整的工艺步骤，而成为限制器件设计空间的核心变量。LSA的重要性也因此被重新定价，从“可选项”逐步向“默认配置”转变。 GAA仍将是未来5到8年的主线，但其边际收益正在递减。随着尺寸进入2nm及以下，问题开始转向材料与物理极限：沟道无法无限变薄，接触电阻快速上升，功耗不再按比例下降。行业的答案是转向三维结构，即CFET，将NMOS与PMOS垂直堆叠，在横向受限后向纵向要密度。 但CFET带来一个新的约束：热。GAA仍是单层结构，高温处理的容忍度较高；而在CFET中，任何一次高温工艺都有可能破坏已经完成的另一层结构。传统RTA这种“整片加热”的方式开始失效，因为其热扩散范围过大，无法实现层间隔离。 这使得LSA未来更加重要，其纳秒级时间尺度和纳米级加热深度，使其能够只处理单一层而不影响上下层器件。这种选择性热处理能力，是CFET工艺成立的基础。 这种变化也在重塑竞争格局。从设备层面看，LSA仍是一个多玩家市场，核心厂商包括Veeco Instruments Inc.、Applied Materials以及SCREEN Holdings。SCREEN依靠装机量与历史验证占据主流，Applied Materials凭借平台能力与客户绑定形成系统优势，而Veeco通过LSA在先进节点关键工艺中实现突破。 但真正的竞争不止于设备。第一层是设备厂之间的直接竞争；第二层是工艺路线竞争，即LSA与RTA等技术的取舍；第三层是系统级竞争，即谁能将设备、材料与工艺整合进完整流程。在GAA阶段，这种竞争更多体现在设备性能与参数能力上；而进入CFET阶段，竞争将转向与晶圆厂的深度协同，护城河从单一设备转向“设备+工艺+材料”的系统能力。 从客户导入情况看，Veeco已经完成最关键的一步，其LSA设备已进入头部先进逻辑厂，并在部分工艺中成为量产标准设备。这意味着技术已经通过最严格验证，并具备随产能扩张放量的潜力。但这种导入目前仍集中在局部工艺，而非全面主导。在存储领域，包括DRAM与HBM，LSA仍处于评估阶段，尚未进入大规模量产。 因此，LSA的竞争本质上是，谁能在温度控制、扫描均匀性、应力管理等细节上做得更好，谁就更有机会进入先进节点的标准工艺路径。 总的来说，从FinFET、GAA最后到CFET的演变中，LSA完成了从性能优化工具到结构实现基础的转变。下一阶段真正的瓶颈，不只是结构或对准精度，而是在多层堆叠前提下，是否能够完成掺杂激活与缺陷修复，同时不破坏其他层结构。这将决定先进制程的上限，也决定价值将集中在哪些环节。 免责声明：本人持有文章中提及资产，观点充满偏见，非投资建议dyor