Broadcom sta vincendo la sfida tra AMD e Google nei chip per l'AI

Broadcom ha trasformato la competizione tra AMD e Google sui chip per l'AI in una gara diversa, in cui fornire silicio personalizzato può contare più che vendere acceleratori con il proprio marchio.

Nvidia continua a dominare il mercato degli acceleratori AI commerciali, mentre AMD sta ampliando il proprio portafoglio Instinct come principale alternativa. Google persegue un'altra strada con le Tensor Processing Units, o TPU, progettate attorno ai propri carichi di lavoro. Broadcom ne beneficia quando i grandi operatori cloud decidono che nessun fornitore standard di GPU soddisfa pienamente ogni esigenza infrastrutturale.

Questo non rende Broadcom il vincitore indiscusso. Nvidia continua a generare ricavi dai data center di gran lunga superiori, e AMD offre ai clienti una credibile seconda piattaforma GPU. Il ribaltamento sta nel fatto che Broadcom può crescere senza scalzare nessuna delle due aziende nell'intero mercato.

La sua opportunità risiede negli acceleratori personalizzati, nel networking Ethernet, nella connettività dei chip e nella progettazione dei sistemi. Questi componenti acquisiscono più valore quando i laboratori di AI costruiscono cluster attorno a carichi di lavoro che conoscono bene. Broadcom compete quindi meno per l'attenzione degli sviluppatori e più per un posto nelle roadmap infrastrutturali.

I ricavi AI di Broadcom sono andati oltre un'attività secondaria

Gli ultimi risultati di Broadcom mostrano che chip AI personalizzati e networking sono diventati motori di crescita centrali, non linee di prodotto sperimentali.

Broadcom ha riportato ricavi per il secondo trimestre dell'esercizio fiscale 2026 pari a 22,2 miliardi di dollari, in aumento del 48 percento rispetto all'anno precedente. I ricavi dei semiconduttori associati all'AI hanno raggiunto 10,8 miliardi di dollari, con un incremento del 143 percento.

L'amministratore delegato Hock Tan ha attribuito questa crescita agli acceleratori AI personalizzati e al networking per l'AI. L'azienda prevedeva che i ricavi dei semiconduttori AI del terzo trimestre raggiungessero 16 miliardi di dollari, rappresentando una crescita superiore al 200 percento rispetto al periodo comparabile.

Queste cifre provengono direttamente dai risultati trimestrali di Broadcom. Chiariscono inoltre perché gli investitori descrivano sempre più Broadcom come un'azienda di hardware AI.

Un acceleratore esegue le intensive operazioni matematiche utilizzate per addestrare o far funzionare un modello di AI. Nvidia e AMD vendono generalmente acceleratori che supportano molti clienti, modelli e ambienti software.

Broadcom segue un modello diverso. Aiuta clienti selezionati a creare processori specifici per il carico di lavoro, spesso chiamati XPU o circuiti integrati specifici per applicazione. Questi chip rinunciano a una parte della generalità per puntare a un insieme più ristretto di operazioni.

Il cliente possiede la strategia relativa ai carichi di lavoro, mentre Broadcom apporta competenze di ingegneria, interfacce, connettività e produzione. Questo accordo può abbreviare il percorso dalla progettazione interna di un chip a un sistema distribuibile.

Il networking rappresenta la seconda metà dell'opportunità. Un grande modello non funziona su un solo processore, quindi migliaia di acceleratori devono scambiarsi dati con bassa latenza.

Broadcom vende tecnologie di switching e connettività Ethernet per questo traffico. Può quindi partecipare sia al livello di calcolo sia alla rete che collega tra loro tali calcoli.

Questa combinazione spiega perché i ricavi AI dichiarati crescano più rapidamente di quanto farebbe pensare una semplice storia di chip personalizzati. Ogni distribuzione più ampia di acceleratori crea anche domanda di switch, collegamenti ottici e componenti di supporto.

Il modello differisce dalla piattaforma strettamente integrata di Nvidia. Nvidia riunisce GPU, interconnessioni NVLink, prodotti di networking, sistemi, librerie e strumenti per sviluppatori sotto un unico marchio.

Broadcom, invece, supporta infrastrutture che il suo cliente desidera controllare. I suoi prodotti diventano ingredienti all'interno di un sistema che porta l'identità di Google, Meta, Anthropic o di un altro operatore.

Questa posizione offre minore visibilità pubblica. Riduce inoltre la necessità di convincere milioni di sviluppatori ad adottare un nuovo ambiente di programmazione proprietario.

La crescita di Broadcom non dimostra che i chip personalizzati sostituiranno le GPU. Mostra che gli hyperscaler considerano ora l'accelerazione personalizzata una strategia produttiva degna di investimenti pluriennali.

I risultati dell'azienda contengono anche un importante avvertimento. Un fornitore che serve un numero limitato di clienti hyperscale può registrare bruschi cambiamenti quando una distribuzione si sposta da un trimestre all'altro.

Broadcom dipende dalla capacità dei clienti di progettare con successo i modelli, assicurarsi capacità nei data center e mantenere i propri piani interni per i chip. I suoi ricavi possono crescere rapidamente, ma la concentrazione crea rischi nelle negoziazioni e nelle previsioni.

Ciononostante, gli ultimi numeri hanno cambiato l'onere della prova. Gli acceleratori AI personalizzati non devono più dimostrare l'esistenza di un mercato reale. La domanda è quanta parte del prossimo ciclo infrastrutturale possano conquistare.

Perché la divisione hardware tra AMD e Google favorisce Broadcom

La divisione tra AMD e Google rappresenta due diverse filosofie di acquisto, e Broadcom ne beneficia quando gli operatori cloud scelgono la proprietà anziché la generalità.

Gli acceleratori Instinct di AMD seguono il modello delle GPU commerciali. I clienti acquistano un processore standardizzato supportato dallo stack software ROCm di AMD, per poi utilizzarlo in diversi carichi di lavoro di addestramento e inferenza.

Le TPU di Google partono da un'altra premessa. Google progetta hardware, compilatori, modelli, networking e data center come parti di un unico sistema coordinato.

Questa distinzione rende la parola chiave AMD Google più di un goffo confronto tra due nomi di chip. Descrive una scelta strategica che ogni grande acquirente di infrastrutture AI deve affrontare.

Un'opzione consiste nell'acquistare un acceleratore flessibile da Nvidia o AMD. L'altra consiste nel progettare hardware specializzato attorno a carichi di lavoro noti e mantenere un maggiore controllo sul sistema risultante.

La serie MI350 di AMD include fino a 288 gigabyte di memoria HBM3E e otto terabyte al secondo di larghezza di banda della memoria. HBM è una memoria impilata collocata vicino all'acceleratore per un movimento dei dati più rapido.

L'azienda posiziona i sistemi MI350 per addestramento, inferenza e calcolo ad alte prestazioni. Le sue specifiche degli acceleratori sottolineano inoltre il supporto per software aperto e implementazioni su server standard.

Questa flessibilità conta per i fornitori cloud e le imprese che servono molti clienti. Non possono sempre prevedere quali modelli, formati numerici o framework di sviluppo domineranno la domanda futura.

Google affronta un calcolo diverso perché controlla importanti carichi di lavoro interni. Search, pubblicità, Gemini, YouTube e Google Cloud creano un'enorme domanda ricorrente con modelli operativi identificabili.

Un processore personalizzato diventa più interessante quando il suo proprietario può mantenerlo costantemente occupato. Un'elevata utilizzazione distribuisce i costi di progettazione su un grande volume di calcolo.

La TPU Ironwood di settima generazione di Google illustra questo approccio. Google afferma che Ironwood offre oltre quattro volte le prestazioni per chip di Trillium per l'addestramento e l'inferenza.

Google afferma inoltre che un pod Ironwood può connettere 9.216 chip. Ogni processore contiene 192 GiB di memoria ad alta larghezza di banda, mentre un sistema completo espone 1,77 petabyte.

Ironwood utilizza XLA, un compilatore che traduce le operazioni dei modelli in istruzioni ottimizzate per l'hardware di Google. Questa co-progettazione di hardware e software può eliminare l'overhead che una piattaforma generalista deve mantenere per una compatibilità più ampia.

Il contributo esatto di Broadcom a ogni generazione di TPU di Google non è completamente dettagliato nelle comunicazioni pubbliche. Le notizie hanno da tempo collegato le aziende, ma nessuna delle due pubblica una ripartizione completa delle responsabilità ingegneristiche.

Questa lacuna è importante. Broadcom non dovrebbe ricevere tutto il merito per processori che Google descrive come progettati su misura, poiché Google fornisce architettura, software e conoscenza dei carichi di lavoro cruciali.

La conclusione difendibile è più circoscritta. Broadcom ha costruito un'attività aiutando gli operatori hyperscale a trasformare i piani per acceleratori personalizzati in grandi implementazioni.

Questo colloca Broadcom tra l'acquirente e la fonderia. Non deve possedere il modello del cliente, il servizio cloud o la piattaforma per sviluppatori.

L'azienda può inoltre supportare diverse roadmap personalizzate senza presentare un unico acceleratore pubblico come risposta a ogni carico di lavoro. Questo portafoglio distribuisce la sua esposizione tra differenti laboratori di AI.

AMD deve convincere i clienti che la sua piattaforma comune offra prestazioni, disponibilità e maturità software sufficienti. Google deve dimostrare che il suo stack integrato giustifichi i limiti di un'architettura più specializzata.

Broadcom raccoglie la domanda creata dal secondo argomento. Quando un hyperscaler decide che la differenziazione richiede silicio di proprietà, Broadcom diventa un potenziale partner ingegneristico.

Ecco perché la divisione tra AMD e Google crea un'apertura più ampia di quanto suggerisca un semplice benchmark GPU. La vera competizione riguarda chi controlla l'architettura e chi genera ricavi costruendola.

Il silicio personalizzato cambia la sfida con Nvidia

Broadcom non deve battere direttamente la piattaforma GPU di Nvidia, perché il silicio personalizzato interviene sull'economia di carichi di lavoro ripetuti e prevedibili.

La posizione di Nvidia resta formidabile. I suoi ricavi dai data center nell'esercizio fiscale 2026 hanno raggiunto 193,7 miliardi di dollari, con un incremento del 68 percento rispetto all'anno precedente.

I soli ricavi dai data center del quarto trimestre hanno raggiunto 62,3 miliardi di dollari. Questi risultati finanziari mostrano perché dichiarare Nvidia scalzata ignorerebbe la scala del mercato.

Nvidia fornisce più di un processore. Il software CUDA, le librerie ottimizzate, il networking, i sistemi di riferimento e l'ampia disponibilità cloud riducono l'attrito nell'implementazione per gli sviluppatori.

Questa ampiezza rende Nvidia preziosa quando i carichi di lavoro cambiano rapidamente. Un gruppo di ricerca che esplora una nuova architettura preferisce generalmente hardware adattabile e strumenti di sviluppo familiari.

Il silicio personalizzato diventa più convincente dopo che un carico di lavoro si stabilizza. Un operatore può rimuovere funzioni che usa raramente e dedicare più area del chip ai calcoli frequenti.

L'inferenza offre un caso particolarmente rilevante. L'inferenza è il processo di esecuzione di un modello addestrato per generare previsioni, risposte, immagini o altri output.

Un servizio ampiamente utilizzato può eseguire operazioni simili miliardi di volte. Anche un modesto miglioramento dell'efficienza può incidere sui requisiti di alimentazione, raffreddamento e capacità del data center.

Questo crea l'apertura per Broadcom. La sua piattaforma di acceleratori personalizzati permette a un cliente di ottimizzare attorno alla struttura del modello, al movimento della memoria, alla precisione numerica e al comportamento del networking.

Il networking è altrettanto importante perché processori più veloci possono comunque attendere i dati. Le prestazioni utili di un cluster dipendono dall'efficienza con cui i chip condividono parametri del modello e risultati intermedi.

Nvidia affronta questo problema con NVLink, InfiniBand e prodotti Ethernet. Broadcom compete principalmente attraverso Ethernet, uno standard consolidato che consente agli operatori di assemblare infrastrutture da più fornitori.

Il dibattito non riguarda semplicemente il networking proprietario contro quello aperto. Gli acquirenti confrontano latenza, gestione della congestione, integrazione software, disponibilità dei componenti, familiarità operativa e controllo.

Broadcom beneficia quando i clienti preferiscono Ethernet e vogliono evitare la dipendenza da un unico fornitore completo. Nvidia beneficia quando le prestazioni di una piattaforma integrata superano questa preoccupazione.

Questo è il ribaltamento centrale dell'articolo. Broadcom può guadagnare quote della spesa AI senza convincere il più ampio mercato degli sviluppatori ad abbandonare Nvidia.

I suoi clienti prendono questa decisione internamente. Implementano acceleratori personalizzati per carichi di lavoro selezionati, continuando al contempo ad acquistare GPU Nvidia per la ricerca, i servizi cloud esterni o le attività meno prevedibili.

Google adotta questo approccio misto. Offre TPU e al tempo stesso fornisce istanze GPU Nvidia tramite Google Cloud.

Meta rappresenta un altro esempio. Broadcom ha annunciato una partnership ampliata per supportare i chip Meta Training and Inference Accelerator fino al 2029.

Le aziende hanno dichiarato che il programma include un acceleratore a due nanometri e molteplici generazioni di silicio. Hanno inoltre descritto piani per implementazioni misurate in diversi gigawatt.

La loro partnership MTIA combina elaborazione personalizzata con la tecnologia Ethernet di Broadcom. Tuttavia, i piani di implementazione restano prospettici finché i clienti non installano e utilizzano la capacità promessa.

Il modello misto mette sotto pressione entrambi i principali fornitori di GPU. Nvidia deve confrontarsi con clienti che cercano maggiore controllo su costi, forniture e architettura.

AMD affronta una sfida più sottile. Può conquistare clienti alla ricerca di un secondo acceleratore commerciale, ma alcuni di questi acquirenti potrebbero alla fine trasferire i loro carichi di lavoro più grandi su chip interni.

Per AMD, Google illustra sia l'opportunità sia la minaccia. Google Cloud può offrire acceleratori AMD, ma il programma TPU di Google riduce la necessità di affidarsi esclusivamente a GPU esterne.

Per Broadcom, entrambe le transizioni possono generare domanda. Un operatore cloud alla ricerca di alternative può iniziare con AMD, per poi aggiungere processori personalizzati quando i carichi di lavoro raggiungono una scala sufficiente.

Ciò non significa che ogni azienda di AI debba progettare un chip. Il silicio personalizzato richiede team esperti, carichi di lavoro stabili, grandi volumi di implementazione e cicli di pianificazione lunghi.

La maggior parte delle aziende non dispone di queste condizioni. Continuerà ad affittare capacità o ad acquistare sistemi basati su acceleratori commerciali.

I clienti indirizzabili da Broadcom sono quindi concentrati nella fascia più alta del mercato. Questo limite può comunque sostenere un grande business perché tali aziende dispongono di enormi budget infrastrutturali.

La posizione vincente non consiste nel possedere ogni acceleratore. Consiste nel partecipare alla spesa dei clienti determinati a possedere una quota maggiore del proprio stack di calcolo.

Cosa la tesi su Broadcom non dimostra ancora

La rapida crescita dei ricavi conferma la domanda, ma non dimostra che Broadcom abbia assicurato un vantaggio permanente su Nvidia o AMD.

La prima incertezza è la concentrazione dei clienti. I programmi di chip personalizzati di Broadcom coinvolgono un ristretto gruppo di aziende con un enorme potere d'acquisto.

Questi acquirenti possono negoziare aggressivamente, ritardare le implementazioni o riallocare le risorse ingegneristiche. La perdita di una roadmap potrebbe avere un effetto sproporzionato sulla crescita futura.

La seconda questione è il rischio di sviluppo. Un acceleratore personalizzato viene avviato anni prima dell'implementazione, quando le architetture dei modelli e i requisiti di memoria restano incerti.

Un cambiamento imprevisto nelle tecniche di AI può rendere l'hardware specializzato poco adatto al carico di lavoro più recente. Le GPU generaliste offrono una protezione contro questa possibilità.

La terza questione è il software. Google può supportare lo sviluppo delle TPU tramite JAX, integrazioni PyTorch, XLA e risorse di ingegneria interne.

Gli operatori più piccoli non possono replicare facilmente questo sforzo. Un processore con specifiche interessanti fallisce comunque se gli sviluppatori faticano a trasferirvi i modelli.

Google ha lavorato per ridurre questa barriera. Il suo stack Ironwood supporta l'ottimizzazione del compilatore e kernel personalizzati in un sistema coordinato.

Tuttavia, le dichiarazioni di prestazioni pubblicate da Google riflettono il suo ambiente hardware e software. I confronti indipendenti su carichi di lavoro produttivi diversificati restano limitati.

La scelta tra AMD e Google non riguarda quindi soltanto il picco di calcolo. Include portabilità, tempi di sviluppo, utilizzo, disponibilità cloud e costo della manutenzione del software.

AMD può rispondere migliorando la compatibilità di ROCm e offrendo acceleratori con una notevole capacità di memoria. Nvidia può ridurre i costi di inferenza ampliando al contempo i propri sistemi integrati.

Entrambe le aziende vendono inoltre tecnologia di networking o collaborano con fornitori di sistemi. Broadcom non può presumere che la leadership Ethernet e le vittorie nella progettazione personalizzata resteranno incontrastate.

Anche l'approvvigionamento presenta un rischio. Broadcom dipende da produttori esterni e fornitori di packaging avanzato per trasformare i progetti in processori finiti.

Gli acceleratori personalizzati competono per la stessa capacità produttiva all'avanguardia utilizzata da altri chip per l'AI. I vincoli nel packaging possono ritardare i ricavi anche quando la domanda dei clienti rimane forte.

La disponibilità di energia è diventata altrettanto importante. Un'implementazione su scala gigawatt richiede elettricità, terreni, raffreddamento, trasformatori, networking e capacità di costruzione.

Un chip completato non può generare ricavi da un data center incompiuto. I calendari infrastrutturali possono quindi dominare quelli dei semiconduttori.

L'iniziativa di finanziamento di Broadcom del giugno 2026 illustra sia l'opportunità sia il vincolo. L'azienda si è unita ad Apollo e Blackstone in una piattaforma progettata per consentire oltre 20 gigawatt di implementazioni AI entro il 2028.

L'iniziativa è iniziata con una transazione iniziale a supporto di oltre un gigawatt di capacità associata ad Anthropic. Broadcom ha affermato che le sue XPU e il networking serviranno implementazioni per laboratori di AI di frontiera.

Quella piattaforma di capacità amplia il ruolo di Broadcom oltre la fornitura di componenti. Rivela inoltre quanto capitale e coordinamento richiedano i moderni cluster di AI.

La capacità annunciata non equivale a infrastruttura installata e produttiva. Finanziamento, autorizzazioni, costruzione, connessioni alla rete e domanda dei clienti devono allinearsi.

Un'altra incertezza riguarda la trasparenza. Broadcom discute selettivamente dei clienti degli acceleratori personalizzati e la riservatezza limita la visibilità sui termini contrattuali o sull'economia dei programmi.

Gli investitori possono osservare i ricavi aggregati dei semiconduttori per l'AI. Non possono sempre separare gli acceleratori di calcolo dal networking o identificare il contributo di ciascun cliente.

Questo rende inaffidabili le semplici previsioni. Un trimestre forte potrebbe riflettere un cambiamento duraturo della piattaforma, una concentrazione temporanea delle spedizioni o entrambe le cose.

La formulazione del “vincitore finale” trascura anche l'espansione del mercato. Nvidia, AMD, Broadcom, operatori cloud, fornitori di memoria e fonderie possono tutti crescere quando la spesa complessiva per l'AI aumenta.

La vittoria diventa significativa solo dopo aver definito la competizione. Nvidia guida l'ampia piattaforma di acceleratori, mentre Broadcom sta guadagnando terreno nel silicio personalizzato e nell'infrastruttura Ethernet.

AMD resta più piccola nell'accelerazione per data center, ma fornisce un'alternativa strategicamente importante. Google è al contempo un acquirente cloud e un progettista interno di chip.

Queste posizioni si sovrappongono senza essere identiche. La forza di Broadcom deriva dal servire clienti i cui incentivi differiscono da quelli degli acquirenti convenzionali di semiconduttori.

La tesi si indebolisce se i chip personalizzati mancano ripetutamente le scadenze, non migliorano l'efficienza utile o restano confinati a esperimenti interni. Si indebolisce anche se l'economia della piattaforma Nvidia elimina la ragione per specializzarsi.

Si rafforza quando i clienti implementano generazioni successive di chip. I programmi ripetuti mostrano che il silicio personalizzato ha superato i test operativi e ha meritato investimenti continui.

L'accordo di Broadcom con Meta si estende fino al 2029, ma le generazioni promesse devono ancora diventare sistemi funzionanti. La crescita dei ricavi resterà la più chiara prova pubblica di questa conversione.

Tre segnali decideranno la corsa ai chip AI tra AMD e Google

La prossima fase dipende da prove di implementazione, impegni ripetuti dei clienti e dalla capacità dei fornitori di GPU commerciali di ridurre il vantaggio economico dei chip personalizzati.

Il primo segnale è il fatturato dichiarato da Broadcom nei semiconduttori per l'AI. Il management prevedeva 16 miliardi di dollari per il terzo trimestre fiscale del 2026.

Raggiungere questa previsione sosterrebbe l'affermazione che la domanda sta passando da vittorie di progettazione isolate a volumi di produzione più ampi. Mancarla solleverebbe interrogativi sulla tempistica delle spedizioni e sulla concentrazione dei clienti.

La composizione conta quanto il totale. Gli investitori dovrebbero cercare prove che sia gli acceleratori personalizzati sia il networking contribuiscano attraverso diversi clienti.

Un trimestre non può dimostrare la durabilità. Aumenti successivi legati a molteplici implementazioni fornirebbero un'indicazione più forte di un ampio cambiamento infrastrutturale.

Il secondo segnale è l'adozione nel mondo reale di Google Ironwood e Meta MTIA. Google ha reso Ironwood generalmente disponibile dopo averlo posizionato sia per l'addestramento sia per l'inferenza ad alto volume.

Google afferma che Ironwood offre dieci volte le prestazioni di picco di TPU v5p e oltre quattro volte le prestazioni per chip di Trillium. Sostiene inoltre un'efficienza energetica quasi trenta volte superiore rispetto alla sua prima TPU cloud.

Si tratta di misurazioni del fornitore, non di risultati universali. Le prove più solide arriveranno dalla disponibilità per i clienti, dall'utilizzo sostenuto, dal supporto software e dalle implementazioni ripetute.

Google afferma già che Gemini, Veo, Imagen e Claude di Anthropic utilizzano TPU per l'addestramento o il serving. Un utilizzo più ampio da parte dei clienti dimostrerebbe che l'hardware personalizzato può estendersi oltre le applicazioni interne di un singolo proprietario.

Il programma MTIA a due nanometri di Meta offre un test separato. La spedizione di molteplici generazioni fino al 2029 convaliderebbe la capacità di Broadcom di supportare un altro cliente su larga scala.

I ritardi metterebbero in luce i lunghi cicli di sviluppo alla base del silicio personalizzato. Potrebbero anche riportare i carichi di lavoro verso le piattaforme Nvidia o AMD.

Il terzo segnale è la risposta dei fornitori di GPU commerciali. La piattaforma Rubin di Nvidia punta a ridurre i costi di inferenza mantenendo al contempo il suo ampio ambiente software.

AMD sta promuovendo gli acceleratori MI350 con elevata capacità di memoria e uno stack ROCm sempre più maturo. Una migliore portabilità del software ridurrebbe la penalità della scelta di AMD rispetto a Nvidia.

Se Nvidia e AMD riducono i costi operativi totali più rapidamente di quanto avanzino i programmi personalizzati, la specializzazione diventa meno convincente. I clienti potrebbero preferire hardware adattabile che arriva secondo un calendario prevedibile.

Se i chip personalizzati offrono ripetuti guadagni di efficienza su carichi di lavoro stabili, la posizione di Broadcom si rafforza. Gli hyperscaler avrebbero una ragione più chiara per finanziare ulteriori progetti interni.

L'esito più probabile resta un'infrastruttura eterogenea. I team di ricerca utilizzeranno acceleratori flessibili, mentre i grandi servizi di produzione considereranno sempre più hardware ottimizzato per attività ricorrenti.

Questo ambiente favorisce i fornitori che possono partecipare a diverse architetture. Le capacità di Broadcom in elaborazione, switching, connettività e progettazione soddisfano questo requisito.

Impedisce inoltre una facile conclusione del tipo “il vincitore prende tutto”. Nvidia può rimanere la piattaforma più grande mentre Broadcom conquista una quota crescente dell'infrastruttura personalizzata.

AMD può guadagnare quota negli acceleratori commerciali anche mentre Google espande le TPU. Google può offrire tutte e tre le opzioni attraverso il suo cloud, privilegiando al contempo internamente i propri chip.

Il dibattito sull'hardware AI tra AMD e Google riguarda in ultima analisi il controllo. Gli acquirenti devono decidere se la proprietà dei carichi di lavoro giustifichi il costo e la complessità di possedere più silicio.

Broadcom si è posizionata come l'azienda che aiuta a rispondere affermativamente. I suoi ricavi suggeriscono che diversi clienti importanti siano già giunti a questa conclusione.

I prossimi uno-tre mesi dovrebbero chiarire se questi impegni stanno accelerando. Osservate i ricavi AI di Broadcom, la disponibilità in produzione dei chip personalizzati e l'economia dell'inferenza dei fornitori di GPU.

Per sviluppatori e acquirenti aziendali, la domanda non è quale logo vinca ogni benchmark. Chiedetevi dove i vostri carichi di lavoro necessitano flessibilità, dove sono ripetitivi e chi controlla lo stack software.

Quella decisione stabilirà se il prossimo deployment verrà eseguito su hardware Nvidia o AMD, sui TPU di Google o su un altro acceleratore personalizzato. Determinerà inoltre quanta parte dell’infrastruttura risultante passerà attraverso Broadcom.