東京エレクトロンが次世代AI半導体の勝ち組になるために不可欠なM&A候補2社をAI駆動型M&Aで特定したケーススタディ

次世代AI半導体エコシステムにおける東京エレクトロンの戦略的M&A提言書：異種チップ統合と物理特性準拠AIによる製造装置ビジネスの再定義
ポスト・ムーア時代の覇権を握るための戦略的転換
第一章：市場環境の構造的変化と戦略的必然性
第二章：戦略的買収対象（1） – SET Corporation（フランス）
第三章：戦略的買収対象（2） – Geminus.AI（米国）
第四章：買収による相乗効果と事業統合（PMI）戦略
第五章：財務的インパクトの試算
1. 5.1 売上高増収効果のシミュレーション
2. 5.2 収益性および資本効率への影響
第六章：技術デューデリジェンス詳細（1） – SET Corporation の深掘り
1. 6.1 FC300プラットフォームの物理的特性
2. 6.2 競合比較：なぜBesiやEVGではないのか
第七章：技術デューデリジェンス詳細（2） – Geminus.AI の深掘り
1. 7.1 物理特性準拠AI（PI-AI）のアルゴリズム構造
2. 7.2 適用事例：バーチャル・メトロロジーの革新
第八章：リスク分析と対策
1. 8.1 地政学的リスクと法規制
2. 8.2 PMI（買収後統合）の課題
第九章：結論と提言
1. 9.1 AI時代の製造装置ビジネスの再定義
2. 9.2 最終提言
引用文献

次世代AI半導体エコシステムにおける東京エレクトロンの戦略的M&A提言書：異種チップ統合と物理特性準拠AIによる製造装置ビジネスの再定義

ポスト・ムーア時代の覇権を握るための戦略的転換

半導体産業は今、微細化の物理的限界と、生成AIが求める指数関数的な演算需要の乖離という、歴史的な「シリコンの壁」に直面している。これまで業界を牽引してきたムーアの法則は、単一チップ内でのスケーリングから、複数のチップを垂直・水平に統合する「ヘテロジニアス・インテグレーション（異種チップ統合）」へとその重心を移しつつある。

東京エレクトロン（以下、TEL）は、成膜、エッチング、洗浄といった前工程（フロントエンド）において世界トップクラスのシェアを誇り、2027年度には売上高3兆円、営業利益率35%以上という極めて高い目標を掲げている。しかし、次世代のAI半導体、特にHBM（広帯域メモリ）や2nm以降のロジックデバイスにおいて、真の付加価値は「ミドルエンド（中工程）」から「バックエンド（後工程）」へと移行しており、ここでの技術的優位性を確保できないことは、将来的なコモディティ化のリスクを孕んでいる。

【補足コラム】　 「ミドルエンド」への地殻変動
前工程と後工程の境界崩壊半導体製造プロセスは、長らく「前工程（FEOL：基板上にトランジスタを形成する工程）」と「後工程（BEOL：チップを切り出し、配線・封止する工程）」という明確な二分法で語られてきた。しかし、2nm世代のロジックやHBM4（次世代広帯域メモリ）の登場により、この境界線上に「ミドルエンド（MEOL：中工程）」と呼ばれる広大な新市場が形成され、付加価値の源泉が劇的にシフトしている。
1. 前工程から「システム統合」への価値移転従来のムーアの法則は、リソグラフィ技術による微細化、すなわち前工程の進化が性能向上の主役であった。しかし、3nm以下の極微細ノードでは、トランジスタを小さくするコストが指数関数的に増大し、物理的限界も近づいている。ここで重要になるのが「ヘテロジニアス・インテグレーション（異種チップ統合）」である。単一の巨大なダイを作るのではなく、機能ごとに最適化された「チップレット」を、インターポーザーや3D積層技術を用いて一つのパッケージ内で連結する手法だ。この「繋ぐ技術」こそが現在の性能競争の主戦場となっており、TSMCのCoWoS（Chip on Wafer on Substrate）に代表される高度パッケージング技術が、AIチップ供給の最大のボトルネックとなっている。

2. ミドルエンドを定義する技術：ハイブリッドボンディングこの価値移転を象徴するのが「ハイブリッドボンディング」である。これは、従来の後工程のようにハンダのバンプ（突起）を用いて接合するのではなく、前工程に近いクリーン度と精度で銅（Cu）の配線層を直接接合する技術である。このプロセスは、以下の理由から「ミドルエンド」と位置づけられる：前工程の精度: ナノメートル単位のアライメント精度（$\le 100 nm$）が要求され、前工程で培われた成膜、平坦化（CMP）、洗浄のノウハウが不可欠となる。後工程の役割: 最終的なデバイスの形状や、チップ間の電気的・熱的特性を決定づける「実装」の役割を果たす。

3. 設備投資構造の変化統計的にもこの変化は顕著である。先端ノード（$\le 2nm$）においては、パッケージング関連の設備投資額が、ウェハ処理（前工程）投資額の約15%にまで達すると予測されている。また、先端パッケージング市場は2030年までに約794億ドル規模に成長し、AIサーバー向けGPUのリードタイムを決定する最大の要因となっている。

本提言書は、AI駆動型M&Aアプローチによって抽出された欧米のスタートアップ2社、すなわちハイブリッドボンディング技術のフロントランナーであるフランスのSET Corporation（以下、SET社）と、物理特性準拠AI（Physics-Informed AI）の先駆者である米国のGeminus.AI社を戦略的買収の対象として提案するものである。これらの買収は、単なる製品ラインナップの拡充に留まらず、TELのビジネスモデルを「ハードウェア提供型」から「物理・データ統合制御型」へと昇華させ、2030年までに1兆ドル規模に達すると予測される半導体市場において、不可侵の地位を確立するためのものである。

【用語解説】　AI駆動型M&A（AI-driven M&A）
AI駆動型M&A（AI-driven M&A）は、従来の人間主導のプロセスを、自律型エージェントや高度なデータ解析モデルによって補完・変革する手法である。以下に、その核心となる主要用語と概念を解説する。

1. インテリジェント・オリジネーション（Intelligent Origination）
AIを用いて買収対象企業を特定（ソーシング）する初期フェーズを指す。AIは市場データ、財務指標、セクタートレンドだけでなく、従来のデータベースに載らない非上場企業の情報や、特許・論文などの技術資産データを解析し、戦略的適合性の高いターゲットを抽出する。

2. コグニティブ・デューデリジェンス（Cognitive Due Diligence）
自然言語処理（NLP）などのAI技術を用いて、膨大な資料からリスクや機会を自動抽出する高度な監査プロセスである。数千件の契約書から「経営権の変更（Change of Control）」条項などの重要リスクを数時間で特定し、人間が見落としがちな不整合をフラッグ立てする。

3. プレディクティブ・ディール・エンジニアリング（Predictive Deal Engineering）
機械学習モデルを用いて、シナジー（相乗効果）の創出やバリュエーション（企業価値評価）を動的にシミュレーションするプロセスである。市場環境の変化や新たなデータ入力に基づき、リアルタイムで評価額を更新し、複数の取引構造シナリオを予測する。

第一章：市場環境の構造的変化と戦略的必然性

1.1 「シリコンの壁」とGAA構造への移行

半導体デバイスの構造は、従来のFinFETから、全周をゲートで囲むGAA（Gate-All-Around）構造へと劇的な転換期を迎えている。TSMCのN2（2nm）プロセスに代表されるこの転換は、短チャネル効果によるドレイン誘導障壁低下（DIBL）を65-83%削減し、静電制御を飛躍的に向上させる。

しかし、GAAへの移行は製造プロセスを約20%増加させ、特に内側スペーサの形成や選択的エッチングといった、極めて難易度の高い工程を追加する。Applied MaterialsやLam Researchといった競合他社がこの領域で巨額の装置売上を計上する中、TELが持続的な成長を実現するためには、これらの前工程技術を後工程の高度化と連結させ、システム全体での歩留まりを保証する能力が求められる。

1.2 高度パッケージング市場の爆発的成長

AIアクセラレータや高性能コンピューティング（HPC）において、もはや単一の巨大なダイを作ることはコスト・歩留まりの両面で合理的ではない。チップレット・アーキテクチャの採用により、2.5D/3D実装、特に「ハイブリッドボンディング」が不可欠な技術となっている。

ハイブリッドボンディング技術市場は、2024年から2030年にかけてCAGR 25.1%という驚異的な成長が予測されており、2030年には56億ドル規模に達する見通しである。特に、従来のバンプを用いた接合と比較して、接続端子密度の2.5倍向上と、30%のダイサイズ削減を可能にするこの技術は、HBM4以降のメモリ積層やロジック・オン・ロジックの統合において、もはや「選択肢」ではなく「前提条件」となっている。

【用語解説】　ハイブリッドボンディング
ハイブリッド・ボンディング（Hybrid Bonding）は、次世代半導体の性能を左右する「ヘテロジニアス・インテグレーション（異種チップ統合）」において、最も重要な接続技術の一つである。従来のハンダを用いた接合とは一線を画す、その主要な用語と技術概念を以下に解説する。

1. ハイブリッド・ボンディング（全体概念）
従来の「フリップチップ接合」では、ハンダの微細な突起（マイクロバンプ）を介してチップ間を接続していたが、ハイブリッド・ボンディングではバンプを一切使用しない。シリコン表面の絶縁膜（酸化物）と銅（Cu）の配線層を同時に、かつ直接接合する技術である。これにより、接続端子の密度を飛躍的に高めることができ、データ転送速度の向上と低消費電力化を同時に実現する。

2. Cu-Cu 直接接合（Copper-to-Copper Bonding）
ハイブリッド・ボンディングの核心となる接合形態である。チップ表面に露出した銅（Cu）のパッド同士を物理的に密着させ、熱処理によって原子を拡散させて一体化させる。従来のマイクロバンプ接続と比較して、電気抵抗を大幅に低減できるほか、放熱性能（熱抵抗）を22〜47%改善し、積層時の厚さを15%以上削減することが可能である。

3. W2W（Wafer-to-Wafer）と D2W（Die-to-Wafer）
接合の単位による分類である。
W2W（ウェハ・ツー・ウェハ）: 2枚のウェハを丸ごと重ねて接合する手法。HBM（広帯域メモリ）の積層やイメージセンサーなどで多用される 。スループットが高い反面、一方のウェハに欠陥があると全体の歩留まりが低下する課題がある 。
D2W（ダイ・ツー・ウェハ）: 個別に切り出された良品チップ（ダイ）をウェハ上に並べて接合する手法。異なるプロセスノードで作られたチップを組み合わせる「チップレット」構造に最適であり、現在最も成長が著しい分野である。

4. サブミクロン・アライメント（Sub-micron Alignment）ハイブリッド・ボンディングには、ナノメートル単位の極めて高い位置合わせ精度が要求される。接続ピッチが 10マイクロメートル以下へと微細化する中、接合時のズレ（オーバーレイ誤差）を プラスマイナス 0.3 マイクロメートル や プラスマイナス 100 ナノメートル 以下の精度で制御する能力が不可欠となっている 。この精度を実現するためには、振動を抑えるグラナイト構造の定盤や、高度な画像認識システムが装置に組み込まれる 。

5. HBM4（次世代広帯域メモリ規格）AI半導体の性能を決定づけるメモリ規格である。これまでのHBMはマイクロバンプで接続されていたが、積層数が16段を超えるHBM4世代からは、JEDECによるパッケージ高さ制限（ 775マイクロメートル など）をクリアするために、バンプを排したハイブリッド・ボンディングの採用が不可欠になると予測されている。

6. プラズマ活性化（Plasma Activation）接合の直前に、シリコン表面をプラズマ処理して親水性を高める工程である 。これにより、常温に近い温度でも初期的な接合力を得ることが可能になり、その後の熱処理（アニール）工程での完全な分子接合を助ける。東京エレクトロンは、このプラズマ処理や洗浄工程において世界的な強みを持っている 。

1.3 スマート・マニュファクチャリングとAIソフトウェアの役割

半導体ファブの投資額が1兆円規模に達する中、装置のダウンタイムは1時間あたり数億円の損失に直結する。これまでの予兆保全（PdM）は、統計的な異常検知に依存していたが、プロセスの微細化に伴い、データのノイズと物理現象の複雑性が増大し、従来のAIモデルでは対応限界に達している。

次世代のスマート・ファブでは、物理法則を理解し、少ない学習データで高精度な予測を行う「物理特性準拠AI」が求められている。これは、TELが提唱する「E-COMPASS（環境・効率の追求）」を実現し、顧客のネットゼロ目標を支援する上でも決定的な役割を果たす。

第二章：戦略的買収対象（1） – SET Corporation（フランス）

2.1 企業概要と選定の背景

SET社（Smart Equipment Technology）は、フランスを拠点とする高精度フリップチップ・ボンダーおよびハイブリッド・ボンディング装置のスペシャリストである。1975年の創業以来、特にハイエンドのR&Dおよびパイロットライン向け装置において、競合他社を圧倒するアライメント精度を維持してきた。

TELは、ハイブリッドボンディングの前工程であるプラズマ活性化や洗浄、および後工程のメトロロジーにおいて強みを持つが、接合そのものを行うボンダーユニットの自社開発は、急速な市場の進化に対してキャッチアップのスピードが課題となっていた。SET社を統合することで、TELは前工程から接合工程までを完全に統合した「ターンキー・ソリューション」を提供可能になる。

2.2 技術的デューデリジェンス：ハイブリッド・ボンディングの核心

SET社のフラッグシップモデルであるFC300およびNEO HBシリーズの技術的優位性は、以下の3点に集約される。

特に注目すべきは、SET社がSUSS MicroTec社と共同開発した「XBC300 Gen2 D2W/W2W」プラットフォームに供給している「NEO HB」ユニットである。このユニットは、ダイ・ツー・ウェハ（D2W）接合において、現在主流のウェハ・ツー・ウェハ（W2W）を超える柔軟性を提供し、良品ダイのみを選別して積層することを可能にしている。D2Wセグメントはハイブリッドボンディング市場の中で最も成長が速く、チップレット経済圏の拡大に直結する技術である。

2.3 特許ポートフォリオと競争優位の持続性

SET社は、高精度アライメントを実現するための光学系、および接合中の振動・熱歪みを最小化するためのグラナイト構造（花崗岩ベース）の設計において、多数のコア特許を保有している。また、同社の装置はシリコンフォトニクスや量子コンピューティングといった、次世代の演算プラットフォームの異種統合にも対応しており、AI進化の第2段階（光電融合時代）における強力な参入障壁を構築している。

第三章：戦略的買収対象（2） – Geminus.AI（米国）

3.1 企業概要と選定の背景

Geminus.AI社は、ミシガン大学の計算科学研究室からスピンオフした、シリコンバレー拠点のAIソフトウェア企業である。同社のコア技術は、ディープラーニングの強力な予測能力と、伝統的な物理シミュレーションの信頼性を融合させた「物理特性準拠AI（Physics-Informed AI：PI-AI）」である。

TELは2021年に韓国BISTelのソフトウェア部門を買収し、データ駆動型のプロセス制御（APC）や歩留まり予測ソリューションを展開してきた。しかし、BISTelの技術は「過去の統計データ」に依存しており、微細化の限界付近で発生する非線形な物理現象や、新型装置導入直後の学習データの不足という課題を抱えていた。Geminus.AI社の買収は、この「データの欠落」という最大のボトルネックを物理法則によって補完することを可能にする。

3.2 技術的デューデリジェンス：PI-AIによる製造革新

Geminus社のPI-AIプラットフォームは、従来のデータ駆動型AIとは一線を画す。

物理法則の埋め込み（Physics Constraints）: ニューラルネットワークの損失関数（Loss Function）に、質量保存、エネルギー保存、運動方程式といった物理法則を制約条件として直接組み込む。これにより、AIは物理的に不可能な予測（例：ガス流量がないのに圧力が発生するなど）を排除し、極めて高い外挿（ extrapolation）能力を持つ。（今泉注：この種の物理法則をシミュレーションの大前提とする手法は、NVIDIAのデジタルツインOSであるOmniverseでは極めて普通の手法。つまり…NVIDIAのOmniverseベースの半導体製造デジタルツインが、理論的には可能な状況にあると思われる。要調査）
スパースデータへの対応: 半導体製造プロセスでは、センサーデータは膨大だが「ラベル付きの故障データ」は極めて少ない。Geminus社の技術は、従来の機械学習と比較して 1/10 から 1/100 のデータ量で、同等以上の予測精度を達成する。これは、先端ノードの立ち上げ（Ramp-up）期間を劇的に短縮することを意味する。
シミュレーションとデプロイの高速化: 従来の物理シミュレーション（CFD等）では数日を要した計算を、PI-AIによって構築された「サロゲートモデル」は数ミリ秒で実行する。これにより、装置内のガス流動や熱分布をリアルタイムで制御し、ウェハ内均一性を原子レベルで最適化することが可能になる。

3.3 フィールド・ソリューション事業への統合価値

TELの売上高の約24%を占めるフィールド・ソリューション（FS）事業において、Geminus社のPI-AIは「受動的な修理」を「能動的な自己最適化」へと変貌させる。装置自身が自らの物理的特性の経時変化を理解し、摩耗や劣化を物理モデルに基づいて予見することで、パーツの交換時期を理論的な限界まで延長し、総保有コスト（COO）を最小化する。

第四章：買収による相乗効果と事業統合（PMI）戦略

4.1 垂直統合：前工程とパッケージングの融合

SET社の技術をTELのポートフォリオに統合することで、以下のような独自のソリューション・パッケージが誕生する。

原子層ハイブリッド接合ライン: TELのALD（原子層堆積）技術で接合面を平坦化し、プラズマ活性化装置で表面を最適化した直後に、SET社の高精度ボンダーでD2W接合を行う。この一連の流れを「クリーンルーム・イン・クリーンルーム」の制御下で提供することで、接合面の汚染を極限まで抑え、3D積層の歩留まりを飛躍的に向上させる。
異種材料統合プラットフォーム: SET社が得意とする化合物半導体（InP, GaN）のボンディング技術と、TELのシリコンプロセス装置を組み合わせることで、AIデータセンター向けの光電融合チップの量産ラインを構築する。

4.2 水平統合：AIソフトウェアによる装置群の知能化

Geminus社のPI-AIは、TELの全ての製品ライン（成膜、エッチング、洗浄、コータ/デベロッパ）に共通の「脳」として機能する。

統合対象装置	PI-AIによる具体的な価値提供	期待される成果
エッチング装置	プラズマ物理モデルを用いた側壁形状のリアルタイム制御	3nm以下のプロセスにおけるCD（寸法）均一性の向上
コータ/デベロッパ	粘弾性物理モデルに基づくレジスト塗布膜厚の最適化	高価なEUVレジストの消費量削減と欠陥低減
洗浄装置	流体動力学モデルによる微細構造（GAAなど）の倒壊防止	先端ノードにおける歩留まりの劇的改善

4.3 戦略的シナジー：Autonomous Fabへのロードマップ

SKハイニックスやサムスンといった主要顧客が目指す「自律型ファブ」の実現において、TELは単なる「装置メーカー」ではなく「プロセスのオーケストレーター」としての地位を確立する。Geminus社のAIが各装置の物理状態を監視し、SET社のボンダーがチップ間の接続を司ることで、設計から最終パッケージまでを物理法則とデータで連結した、デジタルツイン・ファブリケーションが完成する。

第五章：財務的インパクトの試算

本M&A戦略の実行により、TELの財務指標に与える影響を、2027年度の中期目標および2030年の長期ビジョンに基づいて試算する。

5.1 売上高増収効果のシミュレーション

TELの2027年度売上目標3兆円に対し、以下の増収要因を加味する。

増収項目	2027年度見込み（追加分）	2030年度見込み（累積効果）	推計根拠
ハイブリッドボンディング装置売上	700億円	1,800億円	SET社の技術をベースとした量産機の市場投入。市場シェア15%獲得を想定。
AIソフトウェア・サービス（SaaS/保守）	300億円	900億円	FS事業におけるPI-AI搭載型PdM契約への移行。既存顧客の30%が契約と想定。
前工程装置のシェアアップ効果	500億円	1,200億円	後工程との垂直統合ソリューションによる、成膜・エッチング装置の競争力強化。
合計増収額	1,500億円	3,900億円	2027年度目標の5%増、2030年には大幅な寄与。

5.2 収益性および資本効率への影響

営業利益率の向上:ソフトウェアおよびサービス売上の比率上昇により、営業利益率は現在の中期目標35%から、長期的には38%〜40%の水準まで改善する見込みである。特にGeminus社のPI-AIによる「成果報酬型（歩留まり改善に応じた配分）」のビジネスモデル導入は、従来の製造コストに縛られない収益構造をもたらす。
ROEの維持・向上: 買収総額はSET社が約200-300億円、Geminus.AI社が約100-150億円と推計される（スタートアップの評価額ベース）。TELの年間R&D投資1.5兆円、キャッシュフロー状況に照らせば、過度な負債を負うことなく実行可能であり、ROE 30%以上の目標を安定的に達成するための推進力となる。

第六章：技術デューデリジェンス詳細（1） – SET Corporation の深掘り

6.1 FC300プラットフォームの物理的特性

6.2 競合比較：なぜBesiやEVGではないのか

企業名	主な強み	TELとの競合・補完	選定/非選定の理由
Besi (オランダ)	ハイブリッドボンディングの量産実績（W2W、D2W）	規模が大きく、買収コストが高額。既存の商流が固定化されている。	独立性を保つ戦略をとっており、TELによる完全統合が困難。
EV Group (オーストリア)	W2W接合における圧倒的シェア	TELとはプラズマ活性化工程で一部競合・協力関係にある。	同上。また、中規模プライベート企業としての維持を望む傾向が強い。
SET (フランス)	サブミクロン領域の「極限精度」と「柔軟性」	TELの前工程技術を後工程に「染み出させる」ための最適なブリッジ技術。	R&Dでデファクトを握り、TELの資金力で量産化するシナジーが最大。

SET社の技術を「標準機」としてTELがグローバル展開することで、現在Besiが先行している量産市場に対し、より高精度・高歩留まりな「次世代標準」を提示することが可能となる。

第七章：技術デューデリジェンス詳細（2） – Geminus.AI の深掘り

7.1 物理特性準拠AI（PI-AI）のアルゴリズム構造

7.2 適用事例：バーチャル・メトロロジーの革新

TELの装置において、ウェハ上の膜厚やエッチング形状を全数測定することは、スループットの観点から現実的ではない。Geminus社の技術を適用すれば、プラズマの強さ、ガス流量、温度といった「装置データ」から、物理モデルを用いて「加工結果」を高精度にリアルタイム予測するバーチャル・メトロロジー（VM）が完成する。

これにより、検査装置の数を削減しつつ、1枚ごとにレシピを動的に補正する「Run-to-Run（R2R）制御」を極限まで高度化できる。これは、GAA構造のような数ナノメートルの誤差も許されない先端プロセスにおいて、顧客が最も熱望している機能である。

第八章：リスク分析と対策

8.1 地政学的リスクと法規制

SET社はフランス、Geminus.AI社は米国に拠点を置く。米中対立の影響により、先端半導体製造装置の輸出規制が強化される中、これらの技術をTEL（日本企業）が保有することは、戦略的な機動性を高める一方で、各国の輸出管理規制（EAR等）の対象となるリスクを負う。

対策:買収後も研究開発拠点（R&Dセンター）を現地に維持し、フランス政府や米国商務省との緊密な対話を継続する。また、技術の流出を防止するための情報セキュリティ体制（ISO27001等）をTELグループ全体で再強化する。

8.2 PMI（買収後統合）の課題

欧米のスタートアップ文化と、TELの精密・質実剛健な組織文化の融合には、細心の注意が必要である。

対策: 買収対象企業のエンジニアに対しては、TELの膨大な「実機データ」と「グローバルな顧客基盤」へのアクセスという、エンジニアとしての最大のインセンティブを提示する。また、強引な日本式管理を押し付けるのではなく、現地の経営陣に一定の裁量権を認める「ダブル・オフェンシブ・ガバナンス」を適用する。

第九章：結論と提言

9.1 AI時代の製造装置ビジネスの再定義

東京エレクトロンは今、単なる「装置を売る会社」から、「AI半導体の物理的限界を解消し、演算能力を最大化するインフラ企業」へと進化するチャンスを目の前にしている。

SET社の買収は、後工程領域への本格進出の橋頭堡となり、3D積層技術における支配的な地位をもたらす。Geminus.AI社の買収は、デジタルツインとPI-AIによるプロセスの完全制御を実現し、装置の付加価値をハードウェアから知能（インテリジェンス）へと転換させる。

9.2 最終提言

本調査報告に基づき、以下の3段階でのM&A実行を提言する。

フェーズ1（即時）: Geminus.AI社との独占的技術ライセンス契約、およびSET社との共同開発プロジェクトの開始。技術の適合性を実機レベルで最終検証する。
フェーズ2（12ヶ月以内）: 両社に対する戦略的買収（M&A）の実行。TELの「フィールド・ソリューション」部門および「先端パッケージング」推進部への完全統合。
フェーズ3（24ヶ月以降）: 前工程からハイブリッド・ボンディング、およびPI-AIによる自律制御を統合した「AI半導体・トータル・プロダクション・プラットフォーム」を市場に投入し、2030年の売上高4兆円超を目指す。

半導体産業の歴史において、微細化の限界が叫ばれるたびに、革新的な技術がその壁を打ち破ってきた。今、その革新は「統合」と「知能」に宿っている。東京エレクトロンが本提言を実行に移すことは、日本が世界のAI半導体エコシステムにおいて、今後数十年にわたり中核的な役割を果たし続けるための、国家的な重要性を持つ決断であると言っても過言ではない。