# Chips & Wafers：開源數據在半導體投資的實戰應用

> 原始影片：[ChipBook: How To Use Open Source Data To Drive Investment Decisions](https://www.youtube.com/watch?v=Eda9A_oWOlo) | SemiAnalysis Weekly | 2026-04-17

半導體投資拼的往往是資訊落差。Chaim Eisenberg 與 Simi Sherman 創立的 Chips & Wafers（ChipBook），系統性挖掘開源數據，想在雜訊中找出訊號。本集 SemiAnalysis Weekly 訪談中，兩位創辦人說明了他們的方法論，以及這些數據如何轉化為可操作的投資情報。

Chaim 與 Simi 皆出身於買方，曾在對沖基金負責半導體涵蓋。他們觀察到，整個對沖基金產業對替代數據（alt data）有極大需求，但在一次 Alt Data 供應商展會上，全場約 60 家廠商中，Chips & Wafers 是唯一提供半導體相關數據的團隊。這印證了他們的核心判斷：半導體投資人「飢渴」於數據，而開源數據雖然存在，卻散落各地、格式混亂、需要跨語言解讀，鮮少有人系統性地整合運用。

## 從數據到情報的轉化

Simi 在訪談中點出核心定位：「數據是有趣的資訊，而資訊是有趣的，但我們想做的是把這些有趣的資訊轉化為可行動的情報。」他舉了一個生動的比喻：軍事領域的「開源情報」（OSINT）起初被情報機構嗤之以鼻，認為「每個人都能取得的資料有什麼價值？」但實務證明，開源情報的優勢在於**即時性**——當某個街角的民眾上傳一段視頻到 YouTube，這就是情報來源。

「數據是客觀的，我們不改變它，數據是什麼就是什麼。」Chaim 強調他們的價值在於：知道去哪裡找、知道如何解讀、能區分雜訊與真實訊號。

## 顆粒度的藝術：為何廣泛統計數據可能誤導

Chips & Wafers 強調「盡可能細緻」的分析方法。以 WFE（Wafer Fab Equipment，晶圓製造設備）為例，這是市場最常引用的指標之一，但 Simi 指出這個分類其實寬泛得驚人：

「WFE 包含用來製作晶圓的切割設備、沉積設備、蝕刻設備、光刻設備、離子植入機，還包括封裝設備如覆晶工具、銲線機，甚至經常包含檢測設備和量測工具。」

「所以如果你在追蹤 KLA 的量測設備，卻用廣義的 WFE 來當指標，你用的指標對你的投資判斷來說太過廣泛，根本沒有意義。」

Simi 說：「沒有地圖固然糟糕，但拿錯誤的地圖更危險。用錯誤的資訊做投資決策是非常非常危險的。」

## 實戰案例一：台灣 DRAM 庫存預判記憶體週期

大約一年前（2025 年中），Chips & Wafers 準確預判了記憶體超級週期的起點。當時多數人仰賴 Samsung、Hynix 等大廠的財報數據，但落後於市場。

「我們當時追蹤的是台灣 DRAM 庫存水位。連續幾個月，我們看到庫存持續攀升，達到歷史高點。然後突然之間，大約一年前，我們看到庫存水位第一次在一年內下滑。」

「庫存下滑只持續了一個月，我們不敢斷言，必須等確認。接下來第二、第三個月，庫存繼續下降。我們意識到趨勢開始了。」

事後證實，台灣 DRAM 庫存連續 11-12 個月下降，代表需求開始超越供給，記憶體景氣復甦的信號比財報提前了數月顯現。

這就是顆粒度價值的體現：不只看韓國記憶體出口，同時追蹤中國、台灣的記憶體數據，才能看到更完整的市場供需脈絡。

## 實戰案例二：中國 WFE 設備進口與關稅政策預判

2024 年（拜登政府時期），各國討論對中科技管制，Chips & Wafers 追蹤中國各省的 WFE 進口數據。

「我們看到 2024 年中國對光刻機的需求極為瘋狂，其實沉積、蝕刻等各類設備都在搶進。」

「每一家 WFE 公司的財報會議在 2024 年底預測 2025 年時都說：中國市場將年減 20-25%。」

但 Chips & Wafers 持續追蹤海關數據，發現每個月的實際進口量「與 2024 年持平」。結果 2025 年底回顧時，這些公司的中國營收「僅微幅下滑，幾乎與 2024 年持平」。

「所以現在 2026 年的財報預測又出來了，大家說中國市場又要年減 20-25%。但我們還在追蹤，ASMI 甚至說中國可能還會微幅成長。」

Simi 補充，每種設備的放緩幅度並不一致：「檢測設備對中國的出口放緩時間落後於部分前端設備。這個顆粒度的差異，可能創造出被總體宏觀雜訊淹沒、但財報層面仍將繼續表現的投資機會。」

## 實戰案例三：光罩機追蹤導向 PAB 投資

這個案例從追蹤一類設備開始，一路走到投資標的。

「我們當時在追蹤銷往中國的光罩寫入機（photo mask writer）。大約兩年前中國大量進口這類設備，在建立自己的光罩工廠。」

「但後來進口開始放緩，我們開始問：為什麼中國不買了？是因為產能過剩嗎？還是客戶不敢用？」

他們進一步深挖，發現一個反直覺的答案：晶片設計公司不願意把設計圖交給中國光罩廠。光罩製造涉及智慧財產權共享，這讓多數國際客戶卻步。

「這讓我們意識到，光罩是一個『高度本土化動機』的產品——任何晶片商都不希望自己的光罩在中國製造。」

「接著我們問：西方國家的光罩廠是誰？Photronics、PAB 都是美國公司，即使有中國子公司，這是一個雙贏局面。」

「我們判斷 PAB 是一個大好機會。果不其然，當他們的策略說明出來後，股價漲了一倍。」

Chaim 總結：「沒有人會主動把這個故事餵給你。但透過追蹤數據，你學會問對問題，進而發現贏家與輸家。」

## ChipBook 產品結構：35 頁的系統化情報

每月發布的 ChipBook 是一份 PDF 報告，結構如下：

- **基礎 10 頁**：每期固定內容，包括超大規模雲端業者資本支出、主要半導體終端市場（PC、智慧手機、汽車）的出貨數據、晶圓出貨、PCB 等。「這是每個半導體分析師、投資人、公司都需要關注的基本構建區塊。」

- **動態 25 頁**：從 200-300 個數據集中，每期挑選 15-25 頁「真正有行動價值」的內容。Simi 解釋：「大部分時候這些數據集很無聊，什麼都沒發生。我們不希望發給客戶一份 250 頁的報告，那只會讓人完全不想打開。」

- **每頁三要素**：① 數據說明（這是什麼數據）② 關聯股票（哪些公開發行公司與此數據相關）③ 月度更新（當月觀察到什麼）

- **執行摘要**：每期首頁，由 Chaim 與 Simi 直接撰寫，點出 2-5 個最重要觀察，並標明該數據在第幾頁。客戶可以先讀執行摘要，再深入感興趣的章節。

## 與 SemiAnalysis 的整合協作

ChipBook 團隊強調，他們的數據服務與 SemiAnalysis 的核心研究形成「質化與量化互補」的關係。

「Core Research 是卓越的質化研究工具，每個對沖基金都應該擁有。ChipBook 是互補的數據集，提供更多深度、更多顆粒度、更多色彩。」

例如，團隊在追蹤 ABF 載板的數據時，不僅放入 ChipBook，還配合核心團隊產出了一篇專題報告，涵蓋 GPU 尺寸與層數增加對載板需求的帶動，以及日本、台灣兩大供應國的產量與產值變化。

「在我們的 Slack 頻道裡，每個人都在分享想法、分享數據、分享觀察，這種跨團隊協作是非常被鼓勵的。」

## 病毒式推文的幕後：卡達氦氣與供應鏈轉移

訪談中提到兩則在 X（前 Twitter）上引發熱議的推文：

**案例一：美國智慧手機進口來源轉移**

「從川普提名以來（2025 年 11 月），我們看到從中國進口的美國智慧手機數量急劇下滑。」「從數據上很清楚：過去幾乎全部來自中國，即使各元件來自不同國家；但現在來自越南、印度等國的比重大幅上升。」

「這個數據引發熱烈討論：有人說這只是最終組裝外包，是把標籤改成『越南製造』的伎倆；有人說這顯示供應鏈真的在轉移。關鍵是，這個數據**強迫市場去問問題**：供應鏈能否如此快速地轉移？」

Simi 補充，PC 的轉移比智慧手機更顯著：「從 90% 來自中國，到現在進口到美國的比重只剩個位數。」

**案例二：卡達氦氣供應鏈韌性**

2026 年 4 月中東戰事升級後，市場一度擔憂卡達氦氣供應中斷對半導體製造的衝擊。

「我們看到數據之前，所有人都在抽象地爭論：有人說不用擔心，供應鏈會找到替代來源；有人說完了，TSMC 要完蛋了。但沒有人知道真正數字是多少。」

「我們查了韓國、台灣、中國的氦氣進口來源，發現三個主要製造國的半導體氦氣供應中，來自卡達的比重都超過 50%。這確實是個問題。」

「但下一個問題是：這個供應鏈能多快調整？我們的數據顯示，台灣幾乎完全停止從美國進口氦氣、轉向卡達之後，戰事爆發後很快又開始從美國採購——供應鏈展現了韌性。」

Chaim 強調：「這個圖表在 X 上爆紅的原因很簡單：市場上充斥著雜訊與恐慌，而我們提供了事實。數據是客觀的，它回答了『這到底是不是大事』這個問題。」

## 結語：系統比單點預測更重要

「在投資中，幾乎不可能靠一個銀子彈式的資訊就能說『現在就是進場時機』。」Simi 說。「你得到的是信號，你需要持續關注這些信號，在它們進入市場之前就有所察覺。如果財報都出來了你才知道，那就太晚了。」

Chips & Wafers 給投資人的幾個重點：

1. **開源數據確實有價值**，但前提是要有方法論、有顆粒度地運用，而非停留在「WFE 上升 10%」這類廣泛指標。
2. **供應鏈追蹤是前瞻性指標**：WFE 設備落後 6-12 個月才進廠安裝，追蹤設備流向能提供 12-24 個月的產能預視。
3. **建立流程比單次預測更重要**：你無法預測卡達氦氣會成為焦點，但當事件發生時，你已經有系統可以快速切入、建立數據視角。
4. **數據開啟問題，而非終結問題**：每一次追蹤背後，是一連串需要持續追問的新問題。「這個數據允許我們提出問題，而不只是回答問題。」

---
*本文由 AI 根據 YouTube 影片內容生成，僅供參考。*