Broadcom 的 ASIC 生意

過去兩年，AI 半導體市場幾乎被一個簡單敘事主導：算力等於 GPU，GPU 等於 Nvidia。這個判斷在訓練大模型的早期階段並沒有錯，因為通用 GPU 擁有成熟軟件生態、龐大開發者群、完整伺服器方案，以及最快的交付節奏。對雲端巨頭而言，若目標是盡快擴充算力、搶佔模型迭代速度，採購 Nvidia 系統往往是最直接的選擇。

但 AI 基建進入第二階段後，問題開始改變。當 hyperscaler 每年資本開支以數百億美元計算，晶片不再只是性能問題，而是成本、功耗、供應鏈、安全性及工作負載匹配的綜合問題。Google、Amazon、Microsoft、Meta、OpenAI 等公司之所以加速自研 AI 晶片，並不只是為了「去 Nvidia 化」，而是希望把自己的模型、數據中心架構、網絡拓撲及推理需求，直接寫入硬件設計之中。這正是 Broadcom 的 ASIC 生意突然成為資本市場焦點的原因。

ASIC，即專用集成電路，與通用 GPU 的最大分別，在於它不是為所有任務服務，而是為特定工作負載優化。對一般企業而言，開發 ASIC 成本高、週期長、風險大，並不划算；但對 hyperscaler 而言，只要部署規模足夠大，每瓦性能、每美元算力及單位推理成本的改善，便足以抵消前期研發成本。當 AI 推理需求爆發，這種經濟性更明顯。訓練重視峰值性能與靈活性，推理則更重視成本、延遲、功耗及穩定吞吐量。越是標準化、規模化的工作負載，越適合用客製化晶片解決。

Broadcom 的位置，正好站在這個變化的交界。它不是像 Nvidia 那樣賣一套完整 AI 平台，也不是像雲端公司那樣自己使用晶片，而是扮演「客製化晶片工程師」與「數據中心網絡供應商」的雙重角色。hyperscaler 提出需求、架構及工作負載方向，Broadcom 則把它變成可量產、可封裝、可接入大型集群的 ASIC 產品。這種模式不像 GPU 那樣容易被市場看見，卻可能在 AI 資本開支深化後，成為第二條最重要的半導體主線。

Nvidia 之外，AI 晶片戰場正在分層

更重要的是，Broadcom 的優勢不只在晶片本身。AI 數據中心的瓶頸，早已不只是單顆加速器性能，而是加速器之間如何連接、資料如何搬運、集群如何擴展。Broadcom 長期深耕 Ethernet 交換晶片、光通信、網絡控制及高速互連，這令它在「AI accelerator + networking」的組合中具備天然優勢。若未來 AI 集群不再只有 Nvidia InfiniBand 一條路，而是更多採用 Ethernet 架構，Broadcom 的價值便會由單一 ASIC 供應商，升級為整個 AI 網絡基建的核心受益者。

這也是市場重新評價 Broadcom 的原因。過去投資者看 Broadcom，更多視其為高現金流、強併購能力、產品線穩定的半導體巨企；收購 VMware 後，市場又加入基建軟件的估值邏輯。但 AI ASIC 的爆發，令 Broadcom 突然擁有更高增長的想像空間。它既有傳統半導體的規模、毛利及客戶黏性，又有 AI 週期帶來的增長彈性；既不像純 GPU 公司般完全暴露於單一競爭敘事，也不像雲端公司般要承擔龐大數據中心投資回報壓力。

不過，Broadcom 的 ASIC 生意也有其隱憂。第一，客戶集中度高。客製化晶片通常由少數 hyperscaler 驅動，一旦某個客戶改變技術路線、引入 Marvell 或內部團隊承擔更多設計工作，收入可見度便會受到影響。第二，ASIC 的開發週期長，成功不只取決於設計，還取決於先進製程、HBM 供應、先進封裝、良率及系統整合。任何一個環節出現延誤，都可能影響交付節奏。第三，ASIC 並非完全取代 GPU。前沿訓練仍需要高度靈活的通用平台，Nvidia 的軟件護城河仍然深厚，客製化晶片更多是分流特定工作負載，而不是一夜之間重寫整個市場。

因此，Broadcom 的投資邏輯不應被簡化為「下一個 Nvidia」。它更像是 AI 基建進入成熟階段後的「工程化贏家」。當第一階段的市場主題是誰能最快提供算力，第二階段便會變成誰能以更低成本、更高效率、更穩定供應，支撐長期 AI 應用運行。Broadcom 不一定主導 AI 模型，也未必擁有最耀眼的消費端品牌，但它切入的是 hyperscaler 最現實的問題：如何把 AI 從實驗室與爆款應用，變成可持續營運的基礎設施。

(芯片與算力系列之63)

$博通 (AVGO.US)$ $英偉達 (NVDA.US)$ $美國超微公司 (AMD.US)$ $谷歌-C (GOOG.US)$ $微軟 (MSFT.US)$ $美國超微公司 (AMD.US)$ $亞馬遜 (AMZN.US)$

瀏覽 9.5萬