# Article 3｜護城河到底有多深？從 TSMC、SK Hynix、Micron 的 SEC 文件讀定價權
客戶預付款、HBM 毛利結構、資本支出強度——數字往往比敘事更誠實。
**系列：** AI 計算供應鏈｜第三篇，共五篇
作者：Sinclair Huang
前一篇文章畫出的是框架，這一篇用文件來檢驗它。
在寫這篇之前，我刻意把分析師報告放到一邊，回到原始文件：
TSMC 2024 年度 20‑F（2025 年 4 月 17 日向美國 SEC 申報）、Micron 最新一份 10‑K 加上兩份 10‑Q，以及 SK Hynix 最近三季的法說會逐字稿。
多年來，我在投資與商業決策裡養成一個習慣：
**摘要告訴你別人想強調什麼；原始文件告訴你的是——哪個數字被反覆提到、哪個風險是因為法規不得不寫、以及公司在哪些地方特別小心用字。**
這次有兩個「摘要與原文之間的落差」，值得停下來仔細看。
第一個比較小：多數媒體在報 Micron HBM 客戶集中度時，使用的是年化數字；10‑Q 寫的是「前九個月」。不是大錯，但橫截面不同，對趨勢分析來說差異不小。
第二個則重要得多：**TSMC 的 20‑F 裡，有一行幾乎沒有任何分析文章單獨拿出來講的數字——2024 年客戶預付款 NT$2911 億。**
這一節就從這個數字開始。
## 一、TSMC：護城河寫在客戶行為裡，而不只是毛利率
圖 1｜TSMC 2024 年關鍵財務指標。右側第四個 panel——NT$2911 億的客戶預付款——是整份 20‑F 裡最值得停下來看的數字。資料來源：TSMC 2024 Form 20‑F。
TSMC 2024 年的毛利率 56.1%，很漂亮；營業利益率 45.7%，更是罕見；營收 901 億美元、年成長 30%，數字本身已經說話。
但我花最多時間看的，是那條「預收款項」。
在一般商業關係裡，買方不會主動預付款。預付款只會出現在兩種情況：
1. 用現金換折扣；或
2. 沒有替代方案，只能用預付款鎖產能
TSMC 的主要客戶——Apple 約占營收 22%，NVIDIA 約 12%，前十大客戶加總 76%——顯然不是為了折扣而預付。他們預付，是因為不預付就排不到產能。
**資金流的方向，是我在供應鏈裡看過最直接的定價權證據。**
它比市占率更誠實，比毛利率更持久，也比管理層的說法更不會說謊。
20‑F 裡還有一組數字值得跟預付款放在一起看：
TSMC 2024 年服務了 522 家客戶，生產了 11,878 個不同產品。前十大客戶占 76% 營收，表面看起來風險集中；但 522 家實際出貨中的客戶，代表的是一個 **無法用「搬一座廠」就帶走的協同網絡**。
你可以複製一間工廠的平面圖，
但你無法複製 TSMC 與數百家 fabless 設計團隊過去二、三十年累積出來的 qualification 歷史。
先進製程（7nm 及以下）在 2024 年已經占晶圓營收的 69%，高於 2023 年的 58%。HPC 平台營收年增 58%。每一條趨勢都指向同一個方向：
**TSMC 的「可防禦範圍」正在往更窄、更難複製的區域集中。**
## 二、TSMC 預付款：從「正常商業關係」到「誰先把錢匯過來」
圖 2｜一般商業關係（貨到付款）與 TSMC 預付款結構的對比。在 TSMC 模式下，資金在生產開始前就先流向供應商。資料來源：TSMC 2024 Form 20‑F；作者整理
在「正常」關係裡，流程是這樣：
> 客戶下單 → 供應商生產 → 出貨 → 客戶驗收 → 付款
TSMC 現在的關係則變成：
> 客戶先匯大筆預付款 → TSMC 排程與投產 → 未來幾年按合約交貨
也就是說，**TSMC 把自己從「被動收款」變成「先收票、再交貨」的一方**。
在任何供應鏈裡，能做到這一步的，幾乎一定是 Class A 節點。
## 三、SK Hynix 與 Micron：HBM 毛利引擎，與最誠實的風險揭露
SK Hynix 管理層這幾季對 HBM 庫存的描述很一致：**賣光。**
如果這只是一般商品市場，賣光的供應商通常會用價格往上壓。但在 HBM，瓶頸更深：
> 客戶就算願意多付錢，也不一定買得到貨。
> 真正稀缺的是「被排進 qualification pipeline 的位置」。
HBM4 的架構轉變，等於把這個問題從週期性變成結構性。
**所謂「客戶專屬邏輯晶片（customer‑specific logic die）」代表的是：**
- 每一家供應商的 HBM4 產品，都被客製化綁在特定平台上
- 下一世代要換供應商，不是換 part number，而是重改 base die 介面
- 這是一種「架構層級的 switching cost」，而不是一般的技術摩擦
在產品開發裡，我常覺得「架構層級的切換成本」是最被低估的一種護城河。
它很難在財報裡被量化，不會直接出現在資產負債表上，分析報告也常把它當成「暫時摩擦」，而不是結構性的鎖定。
但任何做過平台級元件切換的人都知道：
**你不可能在一個產品週期內完成 base die 架構的整體遷移。**
UBS 預估 SK Hynix 在 NVIDIA Rubin 平台的 HBM4 份額約 70%。
這不只是市占率，而是一種「架構纏結（architectural entanglement）」。
Micron 在這個故事裡扮演的是另一種角色：**整個產業裡，風險揭露寫得最誠實的公司。**
10‑K 的 Risk Factors 有一段話，值得全文讀完：
> *「如果 HBM 需求轉弱，而供應商把產能移回傳統 DRAM，傳統 DRAM 供給將大幅增加，會對整個 DRAM 市場價格造成下行壓力。」*
我喜歡讀美股公司 10‑K 的一個原因就在這裡：
SEC 規範強迫公司把風險寫清楚——寫不清楚，日後可能吃官司。
**風險段落寫得越具體，反而往往代表管理層對產業理解越深。**
Micron 這段話精準指出了 HBM 議題的脆弱之處：
> HBM 的高毛利有一部分來自「從傳統 DRAM 挪走的產能」，
> 這在 DRAM 市場製造出一段時間的「人工稀缺」。
這個溢價是「真的」，但它有機制，而且那個機制可以反轉。
**HBM 高毛利的另一面，就是一旦需求出現反轉，會對整體 DRAM 價格帶來多大的壓力。**
## 四、Barclays 的需求模型：如果分母本來就被低估呢？
供給端的護城河，只在一個前提下有意義：**支撐它的需求是真實而且持久。**
在收尾之前，有一個需求面的數字值得看——不是看 headline，而是看方法。
Barclays 分析師 Tom O’Malley 團隊並沒有用「token 使用量」或「查詢數」去推算 AI 基礎設施支出。
他們從另一個方向來：
**從 OpenAI、Anthropic 公開的財務數字與新聞報導（例如 The Information），反推雲端業者在晶片上的資本支出。**
> 從資金流向回推，比從使用量往前推，少了很多層假設。
> Usage model 每一層是假設：應用數、每 token 計算量、硬體效率演進…
> 每一層都在放大誤差；資金流向則只有一個問題——錢有沒有真的出去。
Barclays 的結論是：**市場普遍對 2027、2028 年 hyperscaler capex 的預估，低估了超過 225 億美元。**
AI 基礎設施的資本支出循環，很可能拉長到至少 2028 年，而不是很多模型假設的 2026–2027。
五大美國雲端業者在 2026 年承諾的合計 capex 約 660–690 億美元，幾乎是 2025 年的兩倍。
在我以前做產品規劃時，最怕的不是需求崩盤，而是 **系統性低估需求**：
供應鏈保守規劃，結果現實拉上來時，整條鏈要付出巨大的補課成本。
如果 Barclays 的模型方向是對的，那麼我們在前一篇文章裡標示的 Class A 節點，不只是維持護城河而已，而是要面對一個會真正「壓力測試護城河深度」的需求環境。
## 五、收尾：護城河寫在文件裡，而不是寫在簡報上
這個市場的競爭邏輯，已經從：
誰做得出來？
變成：
誰已經被驗證過、簽好合約、收過預付款？
這個轉變，其實在文件裡早就看得到——
- 在 TSMC 資產負債表上預付款的那一行
- 在 SK Hynix 把 HBM 庫存描述成「sold out」的語氣裡
- 在 Micron 10‑K 風險段落裡，那句講清楚「HBM 需求反轉會怎麼砸回 DRAM 市場」的文字裡
**護城河不會自己跑到簡報首頁去。**
它們通常埋在 10‑K 的風險段落、預付款註腳、以及 base die 架構的設計決策裡——你只需要知道去哪裡找。
下一篇，我會從四個壓力方向來壓測這些護城河：
演算法壓縮、HBM 需求反轉、台灣地緣集中、以及玻璃基板。
## 關於作者（About the Author）
**Sinclair Huang**
半導體與生技產業高階主管與顧問，具有二十五年以上電子與生技產業經驗，橫跨產品、營運與策略。
目前專注於 AI 基礎設施、半導體供應鏈結構與定價權的研究，關注技術瓶頸、資本配置與制度設計如何塑造產業護城河。
## 延伸閱讀： AI 計算供應鏈系列（Further Reading）
- **Part 1 — 技術基礎篇**
CoWoS、HBM 與 ABF：它們是什麼、怎麼運作、為什麼會變成 AI 計算的瓶頸。
- **Part 2 — 權力地圖篇**
*The Real AI Supply Chain: A Power Map Beyond the GPU*
把供應鏈拆成 CoWoS / HBM / ABF 三層，整理出 Class A / B / C 的結構框架。
- **Part 3 — SEC 文件篇**
*How Deep Is the Moat? Reading TSMC, SK Hynix, and Micron Through Their SEC Filings*（本文）
- **Part 4 — 壓力測試篇**
*Stress‑Testing the Moat: Four Threats That Could Rewrite the AI Supply Chain*
從演算法記憶體壓縮、HBM 需求反轉、台灣地緣集中、玻璃基板等四個方向壓力測試護城河的壽命。
**Working Paper — SSRN**
*The Architecture of Leverage: Structural Concentration and Competitive Moats in the AI Compute Supply Chain*
延伸這個系列，提出 Irreplaceability Index（不可替代指數），並用專利結構與技術路線圖，系統化分析整個 AI 計算供應鏈的權力集中。
## 參考資料（References）
- Taiwan Semiconductor Manufacturing Company Limited (TSMC)，Form 20‑F 與年度報告 —— 客戶集中度、預付款負債、製程結構與資本支出指引。
- Micron Technology, Inc.Form 10‑K 與 Form 10‑Q —— HBM 營收揭露、客戶集中度與風險因子說明。
- SK Hynix Inc.，法說會逐字稿與投資人簡報 —— HBM4 架構、「customer‑specific logic die」說明與產能配置。
- Goldman Sachs、UBS 等研究報告 —— HBM 市占預估、SK Hynix 在 NVIDIA Rubin 平台的地位、以及 hyperscaler AI capex 預測。
- 有關揭露誘因（disclosure incentives）、會計穩健性與風險揭露的學術與政策文獻。
- 其他在文中引用的產業報告與主要文件。
## 聲明（Disclaimer）
本文章內容僅供資訊與教育用途，並非投資建議，也不構成買賣任何證券之推薦。
文中所提觀點僅代表作者個人立場，資料來源為作者認為可信的公開文件與研究報告，但不保證其完整性與即時性。
任何對未來的推測、情境分析或對監管文件的解讀，皆具有不確定性，可能隨時間與新資訊而改變。
讀者在做出任何投資或商業決策之前，應自行進一步研究，並視需要諮詢合格的財務或專業顧問。
## 建議標籤（Hashtags）
#AI #半導體 #供應鏈 #TSMC #Micron #SKHynix #SECFilings #Investing #AIInfrastructure #PricingPower
此中文之英文版同時發佈在Substack/Medium有需要的讀者請前往參考
