社区

过去两年，AI 半导体市场几乎被一个简单叙事主导：算力等于 GPU，GPU 等于 Nvidia。这个判断在训练大模型的早期阶段并没有错，因为通用 GPU 拥有成熟软件生态、庞大开发者群、完整伺服器方案，以及最快的交付节奏。对云端巨头而言，若目标是尽快扩充算力、抢占模型迭代速度，采购 Nvidia 系统往往是最直接的选择。

但 AI 基建进入第二阶段后，问题开始改变。当 hyperscaler 每年资本开支以数百亿美元计算，晶片不再只是性能问题，而是成本、功耗、供应链、安全性及工作负载匹配的综合问题。Google、Amazon、Microsoft、Meta、OpenAI 等公司之所以加速自研 AI 晶片，并不只是为了「去 Nvidia 化」，而是希望把自己的模型、数据中心架构、网络拓扑及推理需求，直接写入硬件设计之中。这正是 Broadcom 的 ASIC 生意突然成为资本市场焦点的原因。

ASIC，即专用集成电路，与通用 GPU 的最大分别，在于它不是为所有任务服务，而是为特定工作负载优化。对一般企业而言，开发 ASIC 成本高、周期长、风险大，并不划算；但对 hyperscaler 而言，只要部署规模足够大，每瓦性能、每美元算力及单位推理成本的改善，便足以抵消前期研发成本。当 AI 推理需求爆发，这种经济性更明显。训练重视峰值性能与灵活性，推理则更重视成本、延迟、功耗及稳定吞吐量。越是标准化、规模化的工作负载，越适合用客制化晶片解决。

Broadcom 的位置，正好站在这个变化的交界。它不是像 Nvidia 那样卖一套完整 AI 平台，也不是像云端公司那样自己使用晶片，而是扮演「客制化晶片工程师」与「数据中心网络供应商」的双重角色。hyperscaler 提出需求、架构及工作负载方向，Broadcom 则把它变成可量产、可封装、可接入大型集群的 ASIC 产品。这种模式不像 GPU 那样容易被市场看见，却可能在 AI 资本开支深化后，成为第二条最重要的半导体主线。

Nvidia 之外，AI 晶片战场正在分层

更重要的是，Broadcom 的优势不只在晶片本身。AI 数据中心的瓶颈，早已不只是单颗加速器性能，而是加速器之间如何连接、资料如何搬运、集群如何扩展。Broadcom 长期深耕 Ethernet 交换晶片、光通信、网络控制及高速互连，这令它在「AI accelerator + networking」的组合中具备天然优势。若未来 AI 集群不再只有 Nvidia InfiniBand 一条路，而是更多采用 Ethernet 架构，Broadcom 的价值便会由单一 ASIC 供应商，升级为整个 AI 网络基建的核心受益者。

这也是市场重新评价 Broadcom 的原因。过去投资者看 Broadcom，更多视其为高现金流、强并购能力、产品线稳定的半导体巨企；收购 VMware 后，市场又加入基建软件的估值逻辑。但 AI ASIC 的爆发，令 Broadcom 突然拥有更高增长的想像空间。它既有传统半导体的规模、毛利及客户黏性，又有 AI 周期带来的增长弹性；既不像纯 GPU 公司般完全暴露於单一竞争叙事，也不像云端公司般要承担庞大数据中心投资回报压力。

不过，Broadcom 的 ASIC 生意也有其隐忧。第一，客户集中度高。客制化晶片通常由少数 hyperscaler 驱动，一旦某个客户改变技术路线、引入 Marvell 或内部团队承担更多设计工作，收入可见度便会受到影响。第二，ASIC 的开发周期长，成功不只取决于设计，还取决于先进制程、HBM 供应、先进封装、良率及系统整合。任何一个环节出现延误，都可能影响交付节奏。第三，ASIC 并非完全取代 GPU。前沿训练仍需要高度灵活的通用平台，Nvidia 的软件护城河仍然深厚，客制化晶片更多是分流特定工作负载，而不是一夜之间重写整个市场。

因此，Broadcom 的投资逻辑不应被简化为「下一个 Nvidia」。它更像是 AI 基建进入成熟阶段后的「工程化赢家」。当第一阶段的市场主题是谁能最快提供算力，第二阶段便会变成谁能以更低成本、更高效率、更稳定供应，支撑长期 AI 应用运行。Broadcom 不一定主导 AI 模型，也未必拥有最耀眼的消费端品牌，但它切入的是 hyperscaler 最现实的问题：如何把 AI 从实验室与爆款应用，变成可持续营运的基础设施。

义合控股投资者关系部

(芯片与算力系列之63) 

‌$Broadcom(AVGO)$  ‌‌$Advanced Micro Devices(AMD)$  ‌‌$Intel(INTC)$  ‌‌$Taiwan Semiconductor Manufacturing(TSM)$  ‌

‌$NVIDIA(NVDA)$  ‌