台积电A14制程2028年量产,客户参与度超2nm,第二代纳米片晶体管将落地
台积电在10月业绩说明会上确认A14制程将于2027年风险试产、2028年正式量产,采用第二代纳米片晶体管技术;其客户早期介入程度已超过2nm阶段,反映AI芯片对能效与算力的持续高要求。同期2nm产能...
台积电在10月16日举行的2026年第三季度业绩说明会上,首次明确下一代先进制程A14的时间表与技术路径:2027年启动风险性试产,2028年实现量产。这一节点比此前市场普遍预期略早,标志着全球半导体制造向亚2纳米时代迈出关键一步。
A14并非单纯延续2纳米(N2)的微缩逻辑,而是采用“第二代纳米片晶体管”结构,相较当前2nm制程再推进一个完整世代。该技术属于台积电“Advanced Logic”路线图中的核心环节,旨在应对AI与高性能计算芯片日益增长的供电密度与信号布线复杂度挑战。值得注意的是,A14将与已公布的A16、N2P共同构成台积电下一波先进制程主力阵容——其中A16整合了纳米片晶体管与背面供电技术Super Power Rail,专为高功耗场景优化;N2P则作为2nm的性能增强版,已于2026年下半年进入量产。
客户参与度成为本次披露中最具信号意义的细节。台积电董事长兼CEO魏哲家指出,A14在相同开发时间点所获得的客户参与程度“高于2纳米”,即客户更早介入联合开发流程。这反映出产业界对算力效率的紧迫需求正在加速:AI训练芯片不仅追求更高TOPS,更需在单位功耗下实现可持续的算力输出。例如,大型语言模型推理芯片若无法有效控制热密度与电压降,将直接制约系统级集成规模。因此,客户提前介入A14设计,实则是为下一代AI加速器预留物理层协同空间。
当前,2nm制程已在2025年第四季度以“不错的良率”进入量产阶段,新竹与高雄多期晶圆厂同步扩产。台积电预计,2027年全年2nm产能将较2026年翻倍以上。驱动因素仍集中于智能手机SoC、AI训练/推理芯片及高性能计算(HPC)处理器三大领域。为提升实际产出,公司除新增设备与厂房外,亦通过工艺优化与自动化调度提高单厂产能利用率。
然而,快速放量伴随短期成本压力。2nm制程在2026年第三季度已造成1.3个百分点的毛利率稀释,第四季度仍是关键观察窗口。尽管市场曾关注2nm能否在Q4贡献双位数营收占比,台积电未给出具体预测,仅强调“先进制程需求十分旺盛”。财务数据显示,截至2026年第二季度末,2nm营收占比仅为3%,3nm与5nm分别占30%与33%;美银报告预估,2nm第三季营收占比将跃升至11%,先进制程整体产能利用率稳定超过90%。
资本支出方面,台积电2026年预算上调至600亿至640亿美元,并计划在台南新建一座3nm晶圆厂。美国产能布局同步推进:除亚利桑那州既有项目外,正评估得克萨斯州选址;同时与马斯克探讨利用TeraFab闲置产能的可能性,但强调任何合作必须由台积电主导。
先进封装能力已成为制程演进的“一体两面”。魏哲家提及,台积电目前已具备五倍光罩尺寸的整合能力,良率表现良好。随着AI芯片走向大型中介层、Chiplet异构集成与三维堆叠,单一晶粒的微缩极限正被系统级集成所替代。例如,英伟达Blackwell架构已采用CoWoS-L封装整合多个GPU die,而未来A14芯片很可能服务于更大规模的Multi-Die AI SoC——这意味着晶圆厂产能规划必须同步考量先进封装的有效产出,而非仅看前道制造数量。
从技术演进节奏看,A14的2028年量产时间点与行业主流产品周期高度契合。苹果、AMD、英伟达等头部客户预计将在2027–2028年间推出新一代AI PC与数据中心加速卡,对能效比提出更高要求。而台积电提前锁定A14客户参与,实质是将制程研发从“供应商交付”转向“联合定义”,进一步巩固其在高端逻辑芯片制造领域的不可替代性。
值得留意的是,台积电并未透露A14的具体晶体管密度或性能提升幅度,仅强调其为“第二代纳米片”结构。对比三星的GAA(环绕栅极)技术路线,台积电延续纳米片(Nanosheet)路径的选择,反映出其对良率与可制造性的优先考量。业内分析认为,A14可能在栅极长度、沟道厚度与接触间距上实现约10–15%的微缩,配合Super Power Rail技术,有望将局部供电效率提升20%以上。
展望未来,台积电在2026年全年营收预期已上调至增长约44%(原预测为略高于40%),第四季度销售额指引为523亿至543亿美元,显著高于市场预估的503.5亿美元。公司重申对AI大趋势的坚定信心,并指出AI智能体所需的CPU类芯片需求正在快速增长,目前仍远超供应能力。
A14的落地不仅是制程数字的更新,更代表半导体产业进入“系统级协同优化”新阶段:晶体管结构、供电网络、封装互连与散热设计必须在早期就形成闭环。当客户比以往更早坐上研发桌前,台积电的护城河正从“制造精度”延伸至“生态协同深度”。
