Applied Materials AI 战略瞄准销售额翻倍而员工数量不翻倍

Applied Materials 计划在未来几年内将营收翻倍，同时不将员工数量翻倍，为其人工智能应用设定了可衡量的目标。Applied Materials AI 战略涵盖产品开发、工厂运营、质量控制、供应链、企业职能和客户服务。

CEO Gary Dickerson 在公司位于加州森尼韦尔的新半导体研究中心于 10 月 12 日启用前公布了这项计划。截至 7 月底，Applied 雇佣了约 38,900 名员工，但 Dickerson 拒绝提供未来员工总数目标。

这一主张比“AI 将提升员工生产力”这一常见承诺更具体。Applied 必须将软件辅助工作转化为更多设备出货量、更快的研发周期、更高的客户良率和更强的利润率。与此同时，芯片制造商对日益复杂的制造系统提出了更高要求。

该公司还面临着与自身近期历史的一项有启发性的对比。Applied 在 2025 年裁减了约 4% 的员工，但在 2026 财年第三季度招聘了逾 1,500 名制造和客户支持人员。因此，其战略并非简单的冻结招聘，而是押注于选择性招聘和 AI 生产力能够支撑大幅增长的销售额。

Applied Materials AI 战略将生产力转化为营收目标

Applied Materials 已将其 AI 计划与一个明确结果挂钩：营收增速应远快于员工数量增速。

Dickerson 告诉 Bloomberg：“未来几年，当公司规模翻倍时，我们不会将员工数量翻倍。”该公司尚未为这一目标提供确切完成日期、营收基准或员工数量上限。

这些缺失的信息很重要，但并不意味着这一表述毫无内容。Applied 已描述了其预计生产力提升将出现在哪些领域。

该公司在研发中使用 AI 分析技术数据、辅助工程工作并缩短产品开发周期。在运营方面，它将这项技术用于工厂规划、供应链，以及过去需要更多人工协调的工作流程。

AI 也支持客户工厂内的工作。Applied 设备执行沉积、蚀刻、检测、测量及其他制造先进芯片所需的步骤。微小的改进就可能让每片晶圆产出更多可用芯片，或让工厂每天处理更多晶圆。

这正是质量控制在这一行业具有特殊财务意义的原因。半导体良率是指一片晶圆所产出可用芯片的百分比。良率提升能够带来更多可销售芯片，而无需客户新建一座晶圆厂。

Dickerson 直接概括了其中的价值：“更多优质芯片对我们的客户而言价值极高。”Applied 表示，其工具可帮助客户同时提高良品芯片产量和每日晶圆吞吐量。

这项战略有两个相互关联的营收引擎。第一，AI 需求促使芯片制造商采购更多制造设备。第二，Applied 在内部使用 AI，以更高效率设计、制造、安装和支持这些设备。

这一组合使该计划有别于标准的办公自动化项目。Applied 一边向 AI 基础设施热潮销售设备，一边利用相关软件改变自身成本结构。

该公司报告称，截至 2026 年 7 月 26 日的财年第三季度营收为 91 亿美元，上一季度为 79 亿美元。其季度申报文件也记录了其基础业务的规模与复杂性。

从这一水平实现公司规模翻倍，不能仅靠减少行政工作。Applied 还需要持续的设备需求、足够的制造产能、成功推出新产品，以及持续进入最重要市场的能力。

EPIC Center 改变芯片制造研究的开展方式

新的 EPIC Center 是 Applied 以软件驱动生产力论点的实体对应物。

Applied 于 10 月 12 日在森尼韦尔揭幕该设施，同时 Dickerson 发表了有关营收和人员配置的评论。该公司将EPIC Center描述为一项 50 亿美元的资本投资。

EPIC 代表 Equipment and Process Innovation and Commercialization（设备与工艺创新及商业化）。据 Applied 称，这座占地 60 万平方英尺的建筑拥有近 4 英亩先进洁净室空间。建设过程耗费了逾 600 万工时。

规模很重要，但运营模式更重要。芯片制造商、设备供应商、系统公司、研究人员和 Applied 工程师可以在同一设施内共同解决相互关联的技术问题。

Applied 点名的创始客户合作伙伴包括 TSMC、Intel、Samsung Electronics、Micron Technology 和 SK Hynix。合作伙伴名单覆盖先进逻辑芯片和存储芯片制造，这两个领域都因 AI 计算而获得大量投资。

Broadcom、Advantest、Besi、Kioxia 和 SCREEN 也在其他行业参与者之列。Stanford University、University of California at Berkeley 及其他学术机构也加入了该计划。

传统上，一项新的半导体工艺可能要在彼此独立的客户、供应商和大学实验室之间流转。每一次转移都会引入进度延误、设备差异、数据边界，以及新一轮技术验证。

Applied 希望 EPIC 减少这些交接环节。在客户将工艺部署至商业化规模之前，各团队可以在共享环境中开发材料、工艺、器件和制造设备。

AI 工具可通过发现实验与设备数据中的模式来强化这一模式。它们还可帮助研究人员从海量可能的材料和工艺组合中选择有前景的测试条件。

不过，这座建筑本身并不能保证缩短开发周期。合作伙伴必须就数据访问、知识产权保护、技术优先级以及失败实验的责任达成一致。

该设施还意味着一项庞大的固定承诺。Applied 表示，随着客户项目启动，资本支出将逐步扩大至所述投资规模。这一细节使合作伙伴参与度和项目吞吐量成为衡量进展的重要指标。

因此，EPIC 不只是一个象征性的研究园区。它是 Applied 的 AI 生产力论点将与半导体开发的运营现实相遇的地方。

如果工程师能在更短时间内完成更多有价值的实验，客户就能更早采用新的制造系统。Applied 便可将研究工作转化为设备营收，而无需让每个团队都以相同速度扩张。

相反的结果也同样显而易见。合作伙伴接入缓慢、数据共享受限或认证周期漫长，都将削弱软件和协作能够压缩研发工作的主张。

AI 半导体制造仍依赖实体产能

AI 可以改善决策和工作流程，但无法消除芯片制造设备背后所需的实体劳动、工厂和供应网络。

Applied 制造半导体行业中一些最复杂的生产系统。这些机器包含精密腔体、机器人、真空组件、传感器、软件和专用材料。它们必须在全球客户工厂内可靠运行。

因此，营收增长会带来实体层面的责任。Applied 必须采购组件、组装系统、进行测试、发货、安装并维护设备。客户支持团队往往直接在晶圆厂内工作。

这解释了为何该公司仍在特定领域继续招聘。据其业绩评论，在财年第三季度，Applied 在制造和客户支持岗位增加了逾 1,500 名员工。

这些招聘并不与 Dickerson 的说法矛盾。他表示员工数量不会随营收一同翻倍，而非就业人数将停止增长。两者区别至关重要。

Applied 可以在需求需要的地方增加专家，同时利用 AI 放缓其他领域的人员增长。与现场安装或先进硬件装配相比，企业工作流程、供应链规划、工程分析和服务诊断拥有更多自动化机会。

该公司此前表示，部分由 AI 支持的运营实现了约 50% 的生产力提升。这一数字描述的是某些地点或职能部门的收益，而非经过验证的全公司改善。

狭义的生产力成果不能自动外推至近 39,000 名员工。不同工作拥有不同的数据质量、安全要求、审批流程，以及对软件错误的容忍度。

Applied 自身的员工历史又增加了一层复杂性。2025 年 10 月，该公司宣布裁员约 4%，即约 1,400 个职位。这次人员削减被描述为简化运营和提高生产力的举措。

这一重组发生在更严格的出口规则拖累涉华业务之际。Applied 预计，这些限制将减少 2026 财年营收，表明人员决策反映的不仅是自动化，也包括市场准入。

当前的 Applied Materials 营收增长计划不应被视为 AI 已使人类专业知识变得不必要的证据。它反而指向一种不同的劳动力结构。

常规协调工作占总工作量的比例可能下降。工程师可能花更少时间检索技术记录或审阅重复测试结果。供应链团队可更早识别限制因素，而服务团队可更准确地确定设备问题的优先级。

与此同时，对工艺工程师、数据专家、现场技术人员、先进制造工人，以及能够验证 AI 生成建议的员工的需求可能上升。

这带来了严峻的管理问题。Applied 必须决定哪些任务可以安全交由软件处理、哪些需要人工批准，以及在哪些领域增加员工仍能带来最佳回报。

该公司的销售目标取决于能否正确完成这种配置。过度招聘将削弱所承诺的经营杠杆；人员不足则可能延误设备交付、研究计划或客户支持。

真正的较量是营收增长与组织增长

Applied 面临的核心挑战，是证明更大的业务并不需要同等规模扩张的组织。

半导体设备公司历来通过技术投资、制造扩张和面向客户的招聘相结合来扩大规模。随着装机基础扩大，复杂产品会带来更多支持工作。

Applied 希望 AI 改变这种关系。其业绩说明称，截至 2026 年 5 月，已有逾 35,000 名员工在其全球员工队伍中使用 AI。

该公司列出的应用包括科学研究、产品开发、供应链运营、工厂工作、服务和企业自动化。这意味着覆盖范围广泛，但用户数量对实际使用深度或财务影响的说明有限。

偶尔汇总一份文档的员工，与缩短产品认证周期的工程团队，不能等量视之。Applied 将需要能够区分基础采用与运营变革的结果指标。

产品开发速度是一个可能的指标。先进逻辑芯片、高带宽内存和复杂芯片封装都需要新的材料与设备组合。更早推出通过认证的产品，能够提前确认收入，并增强 Applied 的竞争地位。

服务生产率提供了另一项衡量标准。Applied 为客户工厂内庞大的已安装设备基础提供支持。AI 辅助诊断可以识别故障组件、预测维护需求，并减少工程师定位问题所需的时间。

工厂和供应链表现构成第三项检验。更准确的预测可以减少短缺，而调度系统可以改善设备在装配和测试环节的流转效率。这些收益应反映在交付周期、库存表现和利润率上。

Applied 在半导体生产的不同环节与 Lam Research、KLA、Tokyo Electron 和 ASML 等公司竞争。没有任何一家竞争对手的完整产品组合与其完全相同。

不过，每家大型设备供应商都面临同样的广泛压力。客户希望系统能够处理更复杂的芯片，同时提升良率、能源利用效率、可靠性和工厂产出。

AI 半导体制造只有在改变这些可衡量结果时，才能成为竞争优势。普遍使用聊天机器人或编程助手无法形成持久差异，因为竞争对手也能购买类似工具。

Applied 的优势——如果它能形成这种优势——将来自于将模型与专有工艺知识和设备数据结合。数十年的实验和生产记录能够提供通用系统所缺乏的背景信息。

这种方法也存在限制。客户数据十分敏感，半导体研究受到严密保护，而错误建议可能浪费昂贵的生产时间。因此，数据访问必须保持受控。

该公司还必须防止自动化掩盖技术错误。看似合理的软件建议并不等同于经过验证的工艺变更。工程师仍然需要开展实验、实施统计控制，并取得客户认证。

这些限制使 Applied Materials AI 战略中的组织层面与模型本身同等重要。该公司需要建立数据治理、人工审查、安全、问责和工艺验证体系。

当 AI 系统调用实验室结果、服务记录和工程决策时，知识管理便成为核心。团队需要可靠的源材料、明确的权限和可追溯的结论。

这一原则同样适用于芯片设备以外的领域。可搜索的工程知识库只有在团队能够验证答案来源时才有价值。

Applied 尚未披露足够的信息，无法判断每一套内部系统的表现。投资者和客户应关注业务成果，而非工具数量。

“销售额翻倍”承诺尚未证明什么

这一营收目标仍是管理层预测，而非 AI 已使增长与招聘脱钩的独立证据。

第一个不确定因素是基准。“规模翻倍”似乎指的是营收，但 Applied 尚未提供明确的起始数字或完成目标的财年。

“未来几年”这一灵活时间框架也使进展更难评估。营收可能在某个设备周期内快速增长，在另一个周期停滞，但仍可能在之后接近目标。

第二个不确定因素涉及因果关系。Applied 正受益于客户对 AI 基础设施的支出，包括先进逻辑芯片、内存、封装及相关制造产能。

即使内部 AI 工具仅带来温和的生产率提升，外部需求也可能推动销售增长。反过来，即使内部生产率显著提高，如果客户削减资本支出，营收也无法翻倍。

因此，读者应区分两种不同的 AI 效应。AI 创造了对 Applied 设备的需求，而 AI 工具则可能帮助 Applied 在不大幅增加员工的情况下满足这一需求。

该公司近期业绩显示了第一种效应的强度。Applied 报告了创纪录的财年第三季度营收，并上调了对 2026 日历年 Semiconductor Systems 销售额的预期。

其官方第三季度业绩显示，非 GAAP 毛利率为 50.4%，非 GAAP 营业利润为 31 亿美元。这些指标排除了某些项目，不应视为等同于 GAAP 结果。

内部生产率效应更难以剥离。Applied 已描述具体应用，并列举了部分职能的收益，但尚未公布全公司的 AI 回报数据。

第三个不确定因素是周期性。半导体设备需求会随着客户投资、技术迭代、工厂产能利用率、政府政策以及对未来芯片需求的预期而变化。

持续扩张的 AI 基础设施将支持 Applied 的计划。融资放缓、能源限制、组件短缺或产能调整，则可能推迟客户项目。

Dickerson 承认了其中几项短期风险。他指出，融资、供应、能源和生产能力都可能限制 AI 扩张速度。

出口政策带来额外压力。Applied 及其美国竞争对手面临向中国客户销售某些先进系统和服务的限制。无论内部生产率如何，这些限制都可能减少可触达的需求。

竞争也可能缩小任何优势。Lam Research、KLA、Tokyo Electron 和其他供应商都在投资数据分析、自动化、模拟和 AI 支持服务。

如果每家主要供应商都实现类似收益，AI 将成为行业要求，而不是超额利润的来源。Applied 仍将受益，但竞争对手也会拥有同样的运营杠杆。

还存在劳动力风险。员工可能将“销售额翻倍，而非员工人数翻倍”理解为效率提升将取代职业发展机会的信号。

Applied 必须在改变工作方式的同时，留住稀缺的工艺、材料和设备专业人才。管理不善的自动化可能导致人才流失，或削弱培养未来技术领导者所需的指导机制。

这些风险均未推翻该战略。它们界定了在将其视为成功之前所需的证据。

最有力的证明应结合持续的营收增长、较慢的员工人数增长、稳定的服务质量、更快的产品开发和健康的利润率。单一指标无法排除其他解释。

三项信号将检验 Applied Materials 的营收增长

接下来的证据应依次来自财务业绩、EPIC Center 产出和员工结构。

第一项信号是营收增长相对于员工增长的表现。Applied 最终应显示，其销售额在连续多个季度中的增长速度明显快于员工规模。

单一季度无法解决这一问题，因为设备交付可能在报告期之间发生转移。投资者应比较更长时间序列中的营收、运营费用、利润率和员工人数。

如果销售持续上升，而人员配置增长缓慢且客户服务保持稳定，Applied Materials AI 战略的可信度将提升。需求疲软期间的就业下降则证明力小得多。

第二项信号是 EPIC Center 的商业化产出。Applied 及其合作伙伴应识别出推动生产的工艺进展、通过认证的设备、更短的开发周期或客户项目。

参与者数量不如完成的工作重要。一座繁忙的设施如果项目依然彼此孤立，或审批周期仍然很长，依旧可能无法加快商业化。

与 EPIC 相关的具体产品发布将增强 Applied 的论证。证明共享研究减少重复实验或加快客户认证的证据，将比笼统的合作声明更有价值。

有限的合作伙伴活动将削弱这一论点。该设施的经济性取决于客户和研究人员是否使用其洁净室开展具有实质影响的开发项目。

第三项信号是不断变化的员工结构。Applied 已表明，整体员工人数增长放缓可以与有针对性的招聘并存。

未来披露应显示，制造、现场服务和技术岗位是否继续扩张，而行政或重复性任务是否需要更少的新增人员。这将支持该公司选择性增长的解释。

又一次大规模裁员则需要谨慎解读。它可能反映 AI 替代、半导体行业下行、出口限制、重组，或多种因素共同作用。

Applied 还应证明质量没有恶化。只有在产品保持可靠、客户获得有效支持的前提下，更快的工程工作才有意义。

这三项信号构成了一项实用检验。财务表现显示运营模式能否扩展；EPIC 产出显示研究能否更快推进；员工结构则显示 AI 实际改变了哪些领域的劳动力需求。

该计划的影响远超 Applied Materials。它为检验企业 AI 能否重塑一家大型工业公司、而非仅仅增加一项软件开支，提供了一个异常具体的案例。

知识工作者应关注哪些任务发生变化，而不只是哪些岗位消失。工程师可能审查更多由机器生成的选项，服务团队可能更早收到预警，管理者则可能借助更好的预测协调产能。

企业买家应关注整合与治理。Applied 的潜在优势并非仅来自通用模型，而是来自将 AI 与可信技术记录、实体设备和可追责的决策相连接。

因此，最有用的问题并不是 Applied 是否使用 AI。超过 35,000 名内部用户已经让这个问题显得过于狭窄。

问题在于，Applied 能否利用这些工具，在不使组织复杂度翻倍的情况下实现商业产出翻倍。营收、通过认证的创新、客户良率和劳动力数据将给出答案。

如果这些指标同步改善，Applied 将提供 AI 支持运营杠杆最清晰的工业案例之一。如果它们背离，需求增长或许比自动化更值得获得认可。

关注接下来的财务披露，以及从 EPIC 出现的首批商业项目。它们将显示 Applied Materials 能否让其销售额翻倍承诺变得可衡量、可复制且持久。