2026年深科达公司研究报告：专业自动化设备领先企业，受益半导体扩产大周期

专业智能装备及核心部件制造商，多元布局打造成长空间

1.1 深耕智能装备行业，下游应用场景广阔

深科达成立于 2004 年，是一家专注于半导体封装测试设备、3C 显示面板智能装备和自动化核心零部件研发、生产与销售的国家级高新技术企业。深科达半导体是国产测试分选机龙头企业，深科达是 3C 显示面板设备领域头部品牌，子公司线马科技是国产直线电机一线品牌。2019 年，公司荣获首批国家级专精特新“小巨人”称号。2021年3月，公司在科创板上市。

公司主要业务聚焦于半导体设备、3C 显示面板智能设备以及智能装备核心零部件的设计、研发、生产与销售，致力于为客户提供技术领先的智能装备制造综合解决方案。在半导体封测领域，深科达聚焦集成电路后道制程，产品涵盖测试分选一体机、固晶机、晶圆探针台等，广泛应用于各类半导体测试封装环节，已与华润微、长电科技、通富微电、华天科技、扬杰科技等头部企业建立长期合作，并通过海外市场拓展策略将产品出口至东南亚及中国台湾地区。3C 显示面板智能设备深耕模组后段制程，其3D热成型贴合设备、光学检测设备等产品服务于京东方、华星光电、维信诺、天马微电子等知名厂商，在电子纸、智能眼镜等新兴显示领域需求驱动下实现显著增长。智能装备关键零部件业务则形成直线电机、线性滑台、编码器、驱动器等产品矩阵，覆盖半导体、新能源、激光、医疗等多领域。

1.2 盈利能力修复，业绩拐点已现

2021 年-2024 年，公司分别实现营收 9.11、5.89、5.58、5.09 亿元，其中，2021年公司继续围绕智能装备行业进行布局与延伸，受益于半导体行业景气度持续向好，公司积极把握市场机遇，加大市场开拓力度，公司半导体设备在市场上取得了客户的广泛认可。2022 年受到经济环境等因素的影响，全球消费电子市场需求持续低迷，导致2022年公司主营产品面板显示设备订单不及预期，同时 2022 年以来，全球半导体增速放缓，国内消费电子类半导体市场需求下降对公司半导体设备业务收入产生较大影响。2023年受宏观经济环境、行业周期等因素影响，终端市场需求依然低迷，导致公司营业收入有所下降。同时，公司不断优化产业布局和产品结构，加大研发投入和市场开拓投入，期间费用有所增加影响净利润。2024 年受 3C 行业复苏缓慢、下游客户验收节奏放缓等因素影响，公司平板显示设备业务营业收入有所下降，但公司半导体设备业务受行业发展推动收入有所增长，一定程度上缓冲了公司营业收入下降的幅度。2025 年前三季度公司实现营收 5.28 亿元，同比增长30.52%，主要系公司持续深耕市场，深挖客户需求，强化与优质客户的合作，订单状况稳步向好；归母净利润0.28亿元，主要系公司通过调整产品结构聚焦主业，精益管理取得较大成效，相关成本费用与上年同期相比均有所减少，同时，公司加大回款力度，应收账款回款情况明显改善，已计提的信用减值损失得以转回。2026 年 2 月 27 日，公司发布2025 年业绩快报，2025年公司实现营业收入 6.73 亿元，与上年同期相比增长 32.14%；实现归母净利润2,502.01万元，与上年同期相比，实现扭亏为盈。

2025 年全球半导体行业稳步复苏，智能穿戴、电子纸、OLED 面板等消费电子细分领域需求呈稳步回暖态势。公司紧抓行业复苏的市场机遇，深化与优质客户的长期战略合作，同时在研发、生产、销售及经营全流程系统的推进精益管理，经营效率与盈利水平同步提升。受益于行业需求回暖与内部经营提效的双重驱动，公司毛利率、净利率水平较上年同期实现显著改善。

2025 年上半年，从收入结构看，公司平板显示模组类设备实现营业收入1.79亿元，较上年同期增长 148.01%，主要原因系显示面板行业呈现复苏态势，超声波指纹、电子纸、智能眼镜等细分应用场景需求增长。公司半导体类设备实现销售收入0.97亿元，较上年同期增长 7.46%，主要原因系半导体新一代分选机得到市场进一步认可，公司半导体业务的订单较上年同期有所增长。公司核心零部件产品业务实现营业收入0.81亿元，较上年同期增长 40.70%，受 3C 半导体、智能装备及锂电行业经济复苏的积极影响，市场对于智能装备核心零部件的需求回升，公司核心零部件收入较上年有所增长。

2021 年-2025 年前三季度，公司毛利率分别为 33.04%、33.42%、34.84%、27.27%、29.77%，净利率分别为 8.24%、-5.07%、-20.22%、-18.67%、6.74%。根据公司调整会计政策的公告，2024 年 12 月 6 日，财政部发布了《企业会计准则解释第18号》（财会〔2024〕24 号），其中规定对不属于单项履约义务的保证类质量保证产生的预计负债，应当按确定的金额计入“主营业务成本”和“其他业务成本”，不再计入“销售费用”。公司自 2024 年 12 月 6 日起执行《企业会计准则解释第18 号》，采用追溯调整法对可比期间的财务报表进行相应调整，2024 年公司营业成本增加导致毛利率下降，但同样销售费用亦下降。根据公司 2025 年业绩快报公告，2025 年受益于行业需求回暖与内部经营提效的双重驱动，公司毛利率、净利率水平较上年同期实现显著改善。

2021 年-2025 年前三季度，公司研发费用率分别为 8.17%、14.13%、16.08%、11.14%、7.73%。公司 2021 年-2025 年前三季度财务费用率分别为0.41%、1.55%、3.24%、1.00%、0.85%。公司可转换债券于 2024 年 1 月赎回，本期财务费用利息支出较上年度大幅降低。同时，公司 2021 年-2025 年前三季度销售费用率为12.46%、16.40%、19.50%、8.07%、4.83%，其中 2024 年销售费用较上年同期期减少12.44%，主要系公司会计政策变更以及降本增效措施影响。2021 年-2025 年前三季度管理费用率分别为5.34%、10.44%、13.65%、14.41%、9.73%，其中 2025 年上半年管理费用较上年同期减少2.68%，主要系公司积极采取措施降本增效，以及人员结构优化，费用有所降低。整体来看，公司费用控制良好，利润端边际释放效应显现。

AI 时代冷数据存储持续扩容，受益头部客户技术升级

2.1 AI 资本开支持续上行，数据开启海量存储时代

AI 应用持续演进，正从多个维度驱动数据处理量呈指数级增长，从根本上改变了存储需求的属性和规模。这种数据量的激增，根源在于 AI 正从处理单一文本，迈向生成和理解更复杂、数据密度更高的多模态内容。 首先，从应用模态与内容生成看，AI 正从文本快速迈向图像、视频、音频等多模态融合。南方科技大学大数据创新中心研究学者张松昕表示，例如Sora 训练的视频量级为1亿分钟左右，大概的数据使用量至少是几十到几百 PB 这个级别的原始数据(rawdata)。根据业界做视频生成模型的经验，大约能留下 1/1000 到1/100 这个级别的真正用来训练的有效数据(trained data)，真正用来训练的数据也是在PB 级，远超纯文本模型。英伟达CEO 黄仁勋在 GTC 2026 大会上说明，全球数据处理体系正在经历结构性变革，其核心是实现对全球年产生数据里 90%的非结构化数据（如PDF、视频、语音）的全面加速利用。AI 的多模态理解能力，正将这些原本难以直接计算的海量视频、图片、语音内容转化为可搜索、查询和分析的信息资源，从而带动存储容量和性能的需求上升。其次，从应用阶段看，AI 正从训练大规模走向推理规模化，且推理的复杂度和数据消耗急剧增加。如果说过去两年的需求主要由模型训练驱动，那么未来几年，推理将成为新的、更持续的需求来源。黄仁勋在 GTC 2026 提出了“Token 工厂经济学”，指出未来的数据中心是生产 Token（AI 生成的基本单位）的工厂。随着模型从“感知”、“生成”进化到“推理”与“行动”，特别是 o1/o3 等具备“反思”能力的推理模型出现，使得输入和输出 Token 的使用量呈爆炸式增长。推理过程需要实时保存大量的上下文数据和模型状态，这对存储的实时读写带宽和延迟提出了极高要求。根据TrendForce数据，单台AI 服务器的内存需求达到传统服务器的 8 倍左右，这种量级的跃迁，使得存储从算力的“配套”角色，转变为决定系统效率与成本的核心瓶颈。

全球 CSP 巨头是“Token 工厂”的主要建设者和运营商，根据TrendForce数据，2026年八大主要 CSP 合计资本支出预计年增 61%，业者持续采购GPU 并扩大投入ASIC自研。黄仁勋在 GTC 2026 中披露，英伟达已看到 2027 年至少有1 万亿美元的需求，这表明AI 基建的扩张远未触顶。

2.2 存储价格上行，分级存储方案提升投资性价比

存储器是 AI 基础架构中不可或缺的关键数据，也是云端服务供应商（CSP）的兵家必争之地，在产能有限情况下，报价不断上涨，将推升存储器产值逐年创高，TrendForce预期，整体存储器产业产值 2026 年达 5,516 亿美元，2027 年则将再创高峰达8,427亿美元，年增 53%。 集邦科技指出，2025 年下半年北美 CSP 业者加大资本支出，AI 服务器建置明显加速，存储采购量显著成长，推动新一波价格上行循环。在数字时代，传统的文件存储系统已被更新、更高效的文件系统和虚拟存储所取代，因此基于位置的数据访问时间显著缩短。数据对业务运营越重要，访问频率越高，数据温度也越高。根据数据读取频率，数据被分为三类——热数据、温数据和冷数据。 根据 Technative 官网，热数据是指创建后需要立即访问（即实时访问）的数据，或访问频率非常高的数据。这类数据可能还需要从创建地转移到其他位置进行处理。由于这类数据通常在创建后立即使用，或很快使用。 温数据指的是在创建后相对较短的时间内访问的数据，或定期访问的数据。与热数据不同，温数据通常不会被传输到其他位置，因此即使未被使用，也可能会被归档。冷数据指的是已经创建但访问频率低或少，因此不需要立即可用的数据。冷数据通常是较旧且不活跃或不更新的数据，因此延迟是访问这些数据时不那么关键的问题。AI 大模型从预训练、微调、推理服务到数据归档的全链路，对存储提出了性能、海量容量、成本可控、长期可靠的复合要求。DRAM、NAND、HDD 三类存储基于自身技术特性，在 AI 架构中形成不可替代的分层优势。 1）DRAM：只能临时存数据，位密度中等，不能长期保存；单位容量成本高于NAND，低于 HBM。HBM 通过 3D 堆叠实现极高带宽，用于 AI 训练、高性能计算等场景。2）NAND: 大容量、非易失、成本低；读写速度低于DRAM，但快于硬盘。3DNAND通过堆叠存储单元实现高容量（如 1TB SSD），满足大数据、AI 等场景的存储需求。3）HDD：存储容量上限高，可满足大规模数据存储需求，单位存储成本更低，而且数据损坏后有更高的恢复可能性。