博通的秘密：AI 资金已经超越 GPU

正文：

上周发布的英伟达财报揭示了 AI 算力的需求依然在快速增长。

第三季度，AI 半导体的收入达到了167亿美元，超出之前160亿美元的预期，下一季度的预测更是高达217亿美元。更重要的是，预计到2027财年，AI 芯片的收入将达到约1150亿美元，2028财年更有可能达到2300亿美元。

因此，关于 ASIC 是否构成 AI 的第二增长曲线的讨论，如今似乎已显得有些滞后——这笔 AI 资金，早已不再仅仅流向 GPU。

在博通的财报中，我们可以看到这一趋势的初步反映，且未来的增长潜力比预期更为显著。接下来需要关注的是 Google、OpenAI、Anthropic 等大型项目是否能够按时落地，以及博通将能获得多少市场份额。

英伟达的财报中最有价值的信息在于，尽管基数已经很高，云服务商、AI 公司及模型实验室仍在不断增加算力。

然而，当 AI 资本支出从几十亿美元跃升至几百亿美元，最终达到每年上千亿美元甚至更高时，采购策略必将发生变化。

例如，大型企业开始关注完成特定 AI 工作负载所需的资金投入。对于同样1GW的电力，究竟能产生多少有效算力？如果某些工作负载已经达到高度稳定，是否仍有必要全部使用成本最高的产品？

这正是 ASIC 逐渐变得举足轻重的背景。

当然，将 ASIC 简单视为“更便宜的 GPU”并不准确，其真正的优势在于专用化。

定制芯片的开发并不便宜，前期研发投入巨大，开发周期长，还需解决软件、先进封装、网络、系统和供应链等多方面的适配问题。

但一旦某种工作负载足够稳定，且部署规模从几十MW扩展至几百MW，最终达到GW级别，单位成本、性能功耗比及整个系统的总拥有成本将可能显著改善。

因此，Google 长期坚持使用 TPU，Meta 不断扩展 MTIA，OpenAI 也开始与博通合作开发专用处理器，均是意识到即便只将部分最稳定、最庞大的工作负载从通用芯片转至定制芯片，也能带来可观的经济效益。

简单梳理可发现，这一变化得益于多个条件的同时成熟，其中最关键的因素是推理负载日益重要。

众所周知，模型训练通常是阶段性的，但 ChatGPT、Gemini、Claude 及越来越多的智能代理正式进入生产环境后，推理成为一种日常持续的工作。

尤其是在调用量大幅增加、模型结构和服务模式逐渐稳定后，它更适合针对特定工作负载进行硬件优化。OpenAI 在今年6月正式推出与博通联合开发的首款智能处理器 Jalapeño，专为 LLM 推理而设计。

值得注意的是，这款芯片并非孤立产品，OpenAI 和博通明确将其视为多代计算平台的首个产品，计划于2026年底开始部署，并在未来按GW级别扩张。

Meta 的发展路线同样相似，正在推进四代 MTIA，重点覆盖推荐、排序以及生成式 AI，并且多款产品采用了以推理为核心的设计思路。今年4月，Meta进一步扩大与博通的合作，第一阶段的部署已超过1GW，后续规划将扩展至多个GW，双方的多代产品合作将持续至2029年。

这表明，如今的大型 AI 客户正在逐渐从单纯追求峰值性能，转向另一种游戏规则：如何降低 Token 的生产成本。

随着 AI 商业化的推进，一百万个 Token 的成本、每瓦电力所能产生的有效算力，以及整个数据中心的总拥有成本，将变得愈发重要。

ASIC 的本质，正是大型 AI 公司试图重新掌控这一部分成本控制权。

理解这一点后，再看博通的财报便会显得更加清晰。

在上一季度，博通总营收为221.87亿美元，同比增长48%；其中 AI 半导体收入为108亿美元，同比增长143%。

公司对下一季度的指引更为激进，预计总营收约为294亿美元，其中 AI 半导体收入将达到160亿美元，同比增长超过200%。

160亿美元的收入意味着什么？这相当于博通预计当季总营收的54%左右。

换句话说，如果这一指引得以实现，AI 半导体业务将可能贡献博通超过一半的收入——这一数字甚至包括了 VMware 等基础设施软件业务。

换言之，AI 正在直接改变公司收入的构成。

但需注意的是，160亿美元并不能简单等同于“ASIC 收入”，它还包括以太网交换芯片、SerDes、PCIe、光互联等 AI 网络产品。

在上一季度，网络业务占 AI 半导体收入已接近40%。Hock Tan 同时指出，这一比例可能已接近阶段性高点，长期来看更可能回归到约30%的水平。

因此，博通的两条业务线正在同步扩张，一条是定制 XPU，另一条则是 AI 网络，这也是与许多纯芯片公司最大的区别。

随着 AI 集群从几千颗芯片扩展到几万颗、十几万颗乃至更大规模，算力之间如何连接变得愈加重要。

来源：Odaily星球日报