台积电产能与代工：供应链与产能分析

可视化演示

台积电的产能扩张与代工策略直接关系到全球AI芯片的供给能力，CoWoS等先进封装产能更是瓶颈所在。文章分析台积... 切换模式查看不同维度。

代工模式：不挂招牌的顶级中央厨房

你点了一份“某品牌”的招牌披萨，真正烤它的是这家集团旗下的中央厨房工厂；品牌方只负责研发口味、定菜单。台积电就是芯片界那座不挂任何品牌招牌的中央厨房——它不设计芯片、不卖自营CPU，只专注一件事：替全世界的芯片品牌把“菜”做出来。苹果的A系列、英伟达的GPU，都是它的“代工出品”。

这种商业模式叫晶圆代工（Foundry），说的就是“只管生产、不管品牌”。它的客户叫无晶圆厂公司（Fabless）——苹果、英伟达、AMD、高通都只做芯片设计（相当于写菜谱），把最烧钱的制造环节全部外包。台积电2023年营收约693亿美元，全球晶圆代工市占率超过六成，在7nm及以下先进制程的市占率更是超过九成，是一座名副其实的“全球总厨房”。

芯片制造是地球上最贵的“做菜”：一座先进晶圆厂投资动辄上百亿美元，相当于给中央厨房购置天价灶台。代工模式的最大价值，是让几百家设计公司共享这些灶台，谁也不用自己盖厨房。台积电赚钱的秘密是把灶台用到极致：每月几十万片晶圆的产出，摊薄巨额折旧，单颗芯片成本被压到极低。这背后是一道简单的成本算术：

所以顶级餐厅都愿意把菜交给中央厨房：省下盖厨房的巨资，专心研发菜单；而中央厨房靠海量订单摊薄成本，越做越专业。这就是台积电“只代工、不抢菜谱”的生存哲学——它不和你抢生意，却让你离不开它。

先进制程：三种火候的灶台

中央厨房的灶台分档次：爆炒灶火最猛（3nm），中火灶稳定量足（5nm），文火灶皮实耐操（7nm）。档次越高，灶台越贵，能掌勺的厨师越少。对台积电来说，“灶台档次”就是制程节点——3nm、5nm、7nm这些数字越小，晶体管越密、越省电、跑得越快。

芯片制程节点指晶体管的关键尺寸。7nm于2018年量产，5nm于2020年量产，3nm于2022年底量产，每一代研发成本高达数十亿美元，全球只剩台积电、三星、英特尔三家“掌勺”。台积电的策略是大客户首发、小步爬坡：让苹果这种体量大的客户先在新节点上试产，慢慢把良率调稳，再大规模接客。

台积电的先进制程排布很讲究：3nm目前主要服务苹果的A17、M3等手机SoC和最新AI加速器，特点是“首发少、单价高、良率先爬坡”；5nm是AI芯片主力战场，英伟达H100、AMD MI300都在这层灶台；7nm则是“长尾节点”，汽车芯片、矿机、基站芯片还在持续下单——成熟制程的生命周期超乎想象，一部新能源车里的芯片，一大半活在7nm及更老的工艺上。制程越先进、芯片面积越大，良率就越让人揪心：

这就是为什么台积电总让苹果“首发”新灶：苹果芯片面积小、量大，适合帮台积电把火候调稳；等良率上来了，再放英伟达那种动辄800mm²的“大菜”上灶，既能卖出高价，又不至于翻车砸了招牌。

先进封装：决定上菜速度的摆盘工位

一道AI芯片不是单盘菜，而是一桌宴席：主菜是计算芯片（GPU die），旁边必须配好几碟“记忆小菜”（HBM高带宽内存），还得有I/O die这类甜点配料。CoWoS先进封装，就是这桌宴席的“摆盘工位”——把它们整齐拼在一张硅托盘中，端上基板这张“大圆桌”。菜炒得再好，摆盘工位不够，照样上不了桌。

CoWoS全称Chip-on-Wafer-on-Substrate，通过硅中介层把GPU与HBM封装在一起，带宽比传统方式高一个数量级。英伟达从A100到H100到B200，全部离不开它；AMD的MI300、博通定制的AI ASIC也都抢着要这个工位。问题在于摆盘工位太少：台积电CoWoS月产能2023年底约1.5万片晶圆，2024年扩到3万片以上，2025年还要再翻倍——但英伟达一家就吃掉大半。

瓶颈来自工艺复杂（多层堆叠、临时键合）、上游设备交期长（电镀机、键合机要等一年多）、洁净室空间有限。结果就是：晶圆（菜）炒了一堆，全堆在传菜口。这正是当下AI芯片供给的核心矛盾——产能卡在封装，不在晶圆：

这就是为什么台积电一边扩3nm/5nm晶圆产能，一边把上百亿美元砸进封装车间：不扩摆盘工位，后厨炒再多菜也只能烂在传菜口。对AI从业者来说，盯紧CoWoS产能，比盯紧光刻机更能预判GPU何时到货。

客户结构：大牌餐厅的订单格局

中央厨房的订单簿上，苹果是当之无愧的“头号熟客”：几十年如一日包下最贵的爆炒灶做招牌手机菜。AI风潮一来，英伟达突然变成“暴食客”，要把整层5nm灶台都拿来炒AI菜，订单两年翻了好几倍。台积电的客户结构，就是一部芯片产业的权力地图。

台积电的客户高度集中：苹果贡献约25%营收，英伟达约11%且在快速攀升，AMD、高通、联发科、博通紧随其后，前十大客户合计占近七成营收。各客户分工明确：苹果是“先进制制程首发客户”，负责替新节点试错；英伟达是“先进封装头号买家”，包下大半CoWoS产能；AMD是“平衡器”，同样需要台积电但规模略小，帮台积电压制对单一客户的依赖。

客户集中是双刃剑：大客户砍单，台积电会伤筋动骨；反过来台积电涨价或延期，大客户也毫无办法。用经济学的话说，这叫买方集中度——台积电对头部客户的依赖有多深，可以用集中度指标量化：

熟客越多、话语权越大，排菜就越靠前——这也是英伟达能在AI缺芯潮中“插队”拿到稀缺产能的根本原因：它已经成了这座厨房最不能得罪的大主顾之一。

产能分配：厨房的排菜逻辑

灶台有限，求菜的多，怎么排？台积电的排菜规矩有三条：熟客优先、长约锁定、急单加价。苹果英伟达这种常客自动排前面；愿意签一年以上“包灶合同”（长约LTA）的餐厅，能锁死远期排期；临时插队的散客只能在缝隙里蹭产能，或者接受更高的“加急价”。

台积电的产能分配机制，就是它在供不应求时决定“谁先拿货”的规则体系，工具包括VIP优先排产、预付款长约、涨价、调整产品组合。2021-2022年缺芯潮中，成熟制程大涨价、先进制程按长约分配；2023年AI需求爆发后，CoWoS产能则按“锁定份额+追加竞价”分配——老客户先保底，超额产能再议价。

分配逻辑背后有一个关键仪表盘：产能利用率。90%以上算健康，100%意味着满负荷、交期拉长、超额接单，再往上就要靠加班和涨价来“挤”产能。台积电还会考虑地缘政治和客户战略价值——比如给美国本土客户和AI头部客户更高优先级，因为这关系到未来订单的安全感。

看懂排菜逻辑，你就看懂了GPU缺不缺货：只要台积电利用率顶着100%不回落，AI芯片的排队和涨价就是常态——这不是台积电故意使坏，而是物理规律使然。

全球扩产：开分店的节奏

台积电把“总厨房”安在台湾：新竹、台中是老店，台南是先进制程大本营。如今它在美国亚利桑那和日本熊本开了“分店”——就像米其林中央厨房出海，招牌一样，但要重新装修、招新厨、试火多月，才能端出像样的菜。

全球布局的动因很明确：客户要求“本地化供应”（苹果、英伟达都在美国下单）、地缘政治倒逼供应链分散、各国补贴降低了建厂成本。目前台湾占台积电产能约八到九成；美国亚利桑那两座5nm/4nm厂预计2024-2025年量产；日本熊本厂2024年底量产22/28nm与12/16nm制程；德国德累斯顿则主打车规芯片。

扩产最怕“纸面产能”和“实际产能”脱节。设备搬入只是开始，接下来要调机、验证、良率爬坡、客户认证，一轮走完要一两年。美国厂成本比台湾高两到三成、技术人才紧缺、工会要求多，爬坡更慢。所以台积电的全球扩产是一场“十年豪赌”，不是“三个月救火”。新增产能到底能释放多少，取决于爬坡系数：

分店开张不等于立刻有菜：短期缺芯还得靠台湾老店硬扛，分店是给两三年后甚至十年后的世界下注。所以当你看到“台积电美国厂投产”的新闻，请先算算爬坡系数，再判断它何时真正影响市场。

产业影响：一锅菜牵动整条街

中央厨房一锅菜糊了，整条街的餐厅都跟着停业。台积电每加一座灶台、每扩一条CoWoS产线，都在改写全球AI芯片的供给曲线——从英伟达的交期，到云厂商的采购价，再到每个用户请求一次AI对话的成本。

上下游传导链条是这样的：台积电产能 → 芯片出货量 → 服务器整机 → 云厂商算力供给 → 大模型定价。台积电的月度营收和资本开支指引，就是半导体景气的“天气预报”：资本开支上调，说明它在为未来需求加仓；月营收连续高增长，说明产能满转、景气上行。

供给紧张时，AI芯片价格高企、交期拉到近一年，云厂商被迫预付巨款锁产能，创业公司有钱也买不到卡；产能释放时，价格回落、算力成本下降、AI应用加速普及。中间还有著名的“牛鞭效应”：客户怕缺货而超额下单，需求一放缓就集体砍单，造成库存大起大落——2023年的AI缺芯潮和2022年的存储暴跌，都是同一个剧本的不同章节。供需之间永远隔着这道缺口：

对你我这样的AI从业者，台积电就是算力世界的“总闸门”：闸门开多大、开多快，决定了你能以什么价格、什么速度拿到GPU，也决定了你的模型训练成本是大赚还是巨亏。

AI 应用场景

Python 演示

# -*- coding: utf-8 -*-class TsmcKitchen:    """模拟台积电中央厨房的产能分配与CoWoS瓶颈"""     def __init__(self):        self.node_capacity = {'3nm': 90, '5nm': 200, '7nm': 150}        self.cowos_capacity = 40        self.orders = []     def place_order(self, customer, node, wafers, priority=3):        self.orders.append({            'customer': customer,            'node': node,            'wafers': wafers,            'priority': priority,            'done': 0,        })     def alloc_month(self):        remaining = dict(self.node_capacity)        for order in sorted(self.orders, key=lambda o: o['priority']):            if order['done'] >= order['wafers']:                continue            avail = remaining[order['node']]            give = min(avail, order['wafers'] - order['done'])            order['done'] += give            remaining[order['node']] -= give        ai_total = sum(o['done'] for o in self.orders                       if o['customer'] == 'NVIDIA')        return min(ai_total, self.cowos_capacity)     def report(self):        for o in self.orders:            print('%-8s %-5s 交货 %3d/%3d 千片' %                  (o['customer'], o['node'], o['done'], o['wafers']))  def main():    kitchen = TsmcKitchen()    kitchen.place_order('Apple', '3nm', 80, priority=1)    kitchen.place_order('NVIDIA', '5nm', 120, priority=1)    kitchen.place_order('AMD', '5nm', 50, priority=2)    kitchen.place_order('Others', '7nm', 100, priority=3)    for month in range(1, 7):        ai = kitchen.alloc_month()        print('第%d个月: AI芯片经CoWoS出货 %d 千片' % (month, ai))    print('--- 半年累计 ---')    kitchen.report()  if __name__ == '__main__':    main()

1. self.node_capacity = {'3nm': 90, '5nm': 200, '7nm': 150}定义三口灶台的月产能，单位是千片晶圆。
2. self.cowos_capacity = 40摆盘工位（CoWoS）的月封装上限，这是整条产线最细的脖子。
3. sorted(self.orders, key=lambda o: o['priority'])按优先级排菜，priority=1的大客户先分产能。
4. give = min(avail, order['wafers'] - order['done'])灶台还剩多少产能就给多少，不超卖。
5. ai_total = sum(...if o['customer'] == 'NVIDIA')统计英伟达这个月累计拿到的晶圆数。
6. return min(ai_total, self.cowos_capacity)真正能出货的芯片只取晶圆和封装里较小的那个，体现短板效应。
7. if __name__ == '__main__': main()把main()设为程序入口，直接运行即可复现六个月模拟。

常见误区

面试题