516.【財經時事放大鏡】Hermes x ASML x MLCC

重點摘要

• Anthropic 提出「Harness Engineering」概念：規劃 AI + 執行 AI + 審查 AI 三層分工，讓輸出品質提升但執行時間從 20 分鐘延長至 3 小時、Token 耗用量大幅增加，對模型廠商與晶片廠是利多
• ASML 第一季法說會上修全年展望至 360-400 億歐元，AI 需求強勁且非仰賴中國訂單（中國佔比已降至約 20%）
• 被動元件（MLCC、固態電容、鉭電容）因 AI 伺服器搶料，村田、太陽誘電等大廠宣布漲價，與 2017-18 年半導體循環結構高度相似
• Claude Code（Anthropic 的 AI 程式開發工具）Token 消耗量驚人，帶動 Inference Token 需求持續攀升，一般用戶滲透率仍低，成長空間大
• 企業端地端部署需求浮現，台積電等大廠已自建伺服器導入 AI 工具，資安顧慮是主要阻礙

詳細內容

Harness Engineering：AI 工作流三角色架構

從早期的 Prompt Engineering（給 AI 角色設定），到 Context Engineering（提供上下文與 RAG 檢索），現在 Anthropic 提出 Harness Engineering。「Harness」意指馬的轡具，象徵對 AI 行為加上邊界與控制。

架構核心：

1. 規劃 AI：負責任務拆解與設計
2. 執行 AI：實際撰寫程式或完成工作
3. 審查 AI：對照規劃檢查執行結果是否正確

主持人以考試類比說明必要性：AI 自己審查自己的輸出，就像學生考完試自批，往往覺得自己寫得很好。引入獨立審查角色才能有效找出問題。

對各方的影響：

• 用戶：輸出品質更高、參與次數降低，但等待時間從 20 分鐘延長至約 3 小時
• 模型廠商（Anthropic、OpenAI）：Token 耗用量大幅提升，營收成長
• 晶片廠（NVIDIA 等）：算力需求隨之攀升
• 工程師：短期工作被輔助，長期存在被取代風險

ASML 法說會：AI 驅動設備需求持續強勁

ASML 第一季法說重點：

• 全年營收展望從原本 340-390 億歐元上修至 360-400 億歐元
• 全年毛利率預估 51-53%（略低於預期，但市場接受上修展望）
• 中國銷售佔比降至約 20%，接近公司長期平均水準；若出口管制再收緊，可能再下修
• EUV 設備需求旺盛，High NA EUV 出貨量仍屈指可數（全球僅數台），Low NA EUV 才是目前主流出貨

需求驗證邏輯：台積電 3 奈米產能滿載（大量 ASIC 採用 3 奈米）→ 設備商受益明確。Dylan Patel（SemiAnalysis）先前指出 EUV 為瓶頸，此次法說印證此觀點。

中國方面，「1+5+5 計畫」推動半導體國產化，加上政府補貼封裝廠，使中國本土設備需求維持高水準，但艾司摩爾設備難以被替代。

被動元件漲價循環：MLCC 缺料開始蔓延

AI 伺服器單台使用數十萬顆被動元件，大量佔用高階產能：

• 村田（Murata）：4 月 1 日率先宣布磁性與 EMI 元件漲價
• 太陽誘電（Taiyo Yuden）：5 月跟進，擴及 MLCC 電容、電感、鉭電容

產能排擠效應：高階 AI 伺服器搶走 MLCC 產能 → 手機、消費電子、汽車等其他應用缺料 → 全面漲價。這與 2017-18 年因車用電子需求拉動 MLCC 大缺料的結構幾乎一致，差別在於這次觸發點是 AI，且需求規模更大。

HVDC（高壓直流電）架構普及也增加電容用量，進一步加劇供需緊張。

主持人提醒：分析被動元件個股時，需留意替代品競爭——MLCC、固態電容、矽電容三者特性不同但部分功能可互換，廠商選料優先考量成本，不會固守單一品類。

地端 AI 部署：企業資安需求催生新機會

大型企業因資安要求無法使用雲端 AI 工具，但需求真實存在。台積電已自建伺服器，導入類似 Claude Code 的本地端方案。主持人預測：

• 短期：企業採購具備 AI 加速能力的伺服器與工作站
• 中期：垂直領域專用地端模型（醫療、金融、製造）需求增加
• Mac mini 等高規格個人電腦已從消費娛樂工具轉型為 AI 生產力設備

牛鞭效應與市場循環

長鞭效應（Bull Whip Effect）：供應鏈每個環節線性外推需求 → 集體超額訂貨 → 缺料漲價 → 後期庫存過剩修正。主持人指出此次 AI 推動的循環結構與歷史完全一致，觸發點不同，但模式相同。

警示信號：當交期（Lead Time）開始縮短，代表供需已接近平衡，後續需謹慎。

精選語錄

「AI 跟他說：可是你自己也是哦，你的東西是從葛拉漢那邊學的，你的投資 know-how 是從哪邊學來的，其實你也都是在做 Pattern 的 Mapping。他就閉嘴了。」

「Harness Engineering 跑的時間比較長，但最後比較可用，站在用戶的角度，最後我比較不需要參與，馬上能做出可用的東西，很棒！在模型廠商的角度，本來是 20 分鐘，現在我 3 個小時才給你這個，你用的 Token 變得更多——開心。」

「Token 的大幅提升，我們估一兩倍，好像不是這麼少，我體感是超過的。AI 工作流的導入，其實不多人用，用的像的、用很多的人其實不多——但這是我們同溫層。」

時間軸

逐字稿未包含時間戳記，無法提供精確時間軸。以下為主題轉換順序：

• 開場：財報狗季度會議心得，工程師 AI 化規劃方向
• 第一段：Prompt Engineering → Context Engineering → Harness Engineering 演進脈絡
• 第二段：Harness Engineering 三角色架構分析、各方利益結構
• 第三段：Claude Code 使用心得、企業資安問題、地端部署趨勢
• 第四段：ASML 法說會解讀，AI 需求驗證，中國銷售佔比變化
• 第五段：被動元件漲價循環，村田、太陽誘電跟進漲價分析
• 尾段：長鞭效應與牛鞭理論，傳產股安全邊際討論，結語