Broadcom 正在赢得 AMD 与 Google 的 AI 芯片分化竞赛

Broadcom 已将 AMD 与 Google 的 AI 芯片竞争带入另一条赛道：在这里，供应定制芯片的重要性可能超过销售自有品牌加速器。

Nvidia 仍主导通用 AI 加速器市场，而 AMD 正通过其 Instinct 产品组合扩大布局，成为领先的替代选择。Google 则走上另一条路径，推出围绕自身工作负载设计的 Tensor Processing Units，即 TPU。大型云服务运营商发现，标准 GPU 供应商未必能够满足所有基础设施需求时，Broadcom 便能从中受益。

这并不意味着 Broadcom 已是毫无争议的赢家。Nvidia 仍创造了高得多的数据中心收入，AMD 也为客户提供了可信的第二个 GPU 平台。变化在于，Broadcom 无需在整个市场取代这两家公司，也能实现增长。

它的机会存在于定制加速器、以太网网络、芯片互连和系统设计之中。随着 AI 实验室围绕自己充分了解的工作负载构建集群，这些组件的价值愈发突出。因此，Broadcom 较少争夺开发者关注，更多是在基础设施路线图中争取一席之地。

Broadcom 的 AI 收入已不再只是边缘业务

Broadcom 最新业绩显示，定制 AI 芯片和网络业务已成为核心增长引擎，而非试验性产品线。

Broadcom 报告称，2026 财年第二季度营收为 222 亿美元，同比增长 48%。与 AI 相关的半导体营收达到 108 亿美元，同比增长 143%。

首席执行官 Hock Tan 将这一增长归因于定制 AI 加速器和 AI 网络业务。该公司预计第三季度 AI 半导体营收将达到 160 亿美元，同比增幅超过 200%。

这些数字直接来自 Broadcom 的季度业绩。它们也解释了为何投资者越来越将 Broadcom 视为一家 AI 硬件公司。

加速器负责执行训练或运行 AI 模型所需的大量密集数学运算。Nvidia 和 AMD 通常销售可支持众多客户、模型和软件环境的通用加速器。

Broadcom 采用不同模式。它帮助特定客户打造面向工作负载的专用处理器，通常称为 XPU 或专用集成电路。这些芯片牺牲部分通用性，以聚焦于更有限的一组操作。

客户掌握工作负载策略，而 Broadcom 则提供工程能力、接口、互连和生产经验。这种安排可以缩短从内部芯片设计到可部署系统之间的路径。

网络业务构成了机会的另一半。大型模型无法在单个处理器上运行，因此数千个加速器必须以低延迟交换数据。

Broadcom 为这些数据流量提供以太网交换和互连技术。因此，它既可参与计算层，也可参与将这些计算连接起来的网络层。

这一组合解释了为何其披露的 AI 营收增长速度，快于单纯的定制芯片业务所能带来的增长。每一次更大规模的加速器部署，都会进一步带动交换机、光链路和配套组件的需求。

这一模式不同于 Nvidia 的高度集成平台。Nvidia 将 GPU、NVLink 互连、网络产品、系统、软件库和开发者工具整合在同一品牌之下。

Broadcom 则支持由客户自行掌控的基础设施。其产品会成为承载 Google、Meta、Anthropic 或其他运营商品牌的系统中的组成部分。

这一定位的公众曝光度较低，但也降低了说服数百万开发者采用全新专有编程环境的必要性。

Broadcom 的增长并不能证明定制芯片将取代 GPU。它表明，超大规模云服务商如今已将定制加速视为一项值得进行多年投入的生产策略。

公司的业绩还包含一个重要警示。服务于数量有限的超大规模客户的供应商，可能会因单个部署项目跨季度调整而经历明显波动。

Broadcom 依赖客户成功设计模型、获得数据中心容量，并维持其内部芯片计划。其营收可以快速增长，但客户集中度也带来了议价和预测风险。

不过，最新数据改变了举证责任。定制 AI 加速器已无需再证明真实市场的存在。问题在于，它们能够在下一轮基础设施周期中夺取多大份额。

为何 AMD 与 Google 的硬件分野有利于 Broadcom

AMD 与 Google 的分化代表两种不同的采购理念；当云服务运营商选择所有权而非通用性时，Broadcom 将从中受益。

AMD 的 Instinct 加速器遵循通用 GPU 模式。客户购买由 AMD ROCm 软件栈支持的标准化处理器，随后将其用于不同的训练和推理工作负载。

Google 的 TPU 则建立在另一项前提之上：Google 将硬件、编译器、模型、网络和数据中心视为一个协调系统的组成部分。

这种差异使 AMD Google 这一关键词不再只是两个芯片名称之间略显生硬的比较。它描述了每一位大型 AI 基础设施买家所面临的战略选择。

一种选择是从 Nvidia 或 AMD 购买灵活的加速器。另一种则是围绕已知工作负载设计专用硬件，并对最终系统保留更大的控制权。

AMD 的 MI350 系列最高配备 288 GB HBM3E 内存，以及每秒 8 TB 的内存带宽。HBM 是一种堆叠式内存，部署在靠近加速器的位置，以实现更快的数据传输。

该公司将 MI350 系统定位于训练、推理和高性能计算。其加速器规格也强调了对开放软件和标准服务器部署的支持。

这种灵活性对服务众多客户的云服务商和企业至关重要。它们无法始终预测未来需求将由哪些模型、数值格式或开发框架主导。

由于控制着重要的内部工作负载，Google 面临着不同的考量。搜索、广告、Gemini、YouTube 和 Google Cloud 形成了规模庞大、持续且具有可识别运行模式的需求。

当处理器的拥有者能够持续让其满负荷运行时，定制处理器就更具吸引力。高利用率能将设计成本分摊到庞大的计算规模之上。

Google 的第七代 Ironwood TPU 体现了这种方式。Google 表示，Ironwood 在训练和推理场景下的单芯片性能超过 Trillium 的四倍。

Google 还表示，一个 Ironwood pod 可连接 9,216 颗芯片。每颗处理器配备 192 GiB 高带宽内存，而完整系统可提供 1.77 PB 容量。

Ironwood 使用 XLA，这是一种将模型操作转换为针对 Google 硬件优化指令的编译器。这种软硬件协同设计可以减少通用平台为实现更广泛兼容性而必须保留的开销。

Broadcom 对每一代 Google TPU 的具体贡献，尚未在公开披露中得到完整说明。长期以来，报道一直将两家公司联系在一起，但双方都未公布工程职责的完整划分。

这一缺口很重要。Google 将这些处理器描述为定制设计，因此不应将其全部功劳归于 Broadcom，因为 Google 提供了关键的架构、软件和工作负载知识。

更站得住脚的结论更为有限：Broadcom 已建立起一项业务，帮助超大规模运营商将定制加速器计划转化为大规模部署。

这使 Broadcom 位于买方与晶圆厂之间。它无需拥有客户的模型、云服务或开发者平台。

该公司还可以支持多条定制路线图，而无需将某一款公开的加速器包装成适用于所有工作负载的答案。这一产品组合将其风险敞口分散至不同 AI 实验室。

AMD 必须说服客户，其通用平台能够提供足够的性能、供货能力和软件成熟度。Google 则必须证明，其集成技术栈足以弥补更专用架构带来的限制。

Broadcom 从第二种论点所创造的需求中获益。当超大规模云服务商认定差异化需要自有芯片时，Broadcom 就会成为潜在的工程合作伙伴。

这正是为何 AMD 与 Google 的分野创造了比单纯 GPU 基准测试更大的机会窗口。真正的竞争关乎谁掌控架构，以及谁能从构建架构中获得收入。

定制芯片改变了与 Nvidia 的竞争格局

Broadcom 无需直接击败 Nvidia 的 GPU 平台，因为定制芯片瞄准的是重复且可预测工作负载的经济性。

Nvidia 的地位依然强大。其 2026 财年数据中心营收达到 1,937 亿美元，同比增长 68%。

仅第四季度的数据中心营收就达到 623 亿美元。这些财务业绩表明，若宣称 Nvidia 已被取代，将忽视市场的规模。

Nvidia 提供的不只是处理器。CUDA 软件、优化软件库、网络产品、参考系统和广泛的云端可用性，共同降低了开发者的部署摩擦。

当工作负载快速变化时，这种广度使 Nvidia 极具价值。探索新架构的研究团队通常更偏好适应性强的硬件和熟悉的开发工具。

当工作负载趋于稳定后，定制芯片会变得更有吸引力。运营商可以移除极少使用的功能，并将更多芯片面积专用于高频计算。

推理是一个尤其相关的案例。推理是运行已训练模型以生成预测、答案、图像或其他输出的过程。

一项被广泛使用的服务可能会数十亿次执行相似操作。即便效率仅有小幅提升，也会影响数据中心的供电、散热和容量需求。

这便是 Broadcom 的机会所在。其定制加速器平台让客户能够围绕模型结构、内存传输、数值精度和网络行为进行优化。

网络同样重要，因为更快的处理器仍可能在等待数据。集群的有效性能取决于芯片共享模型参数和中间结果的效率。

Nvidia 通过 NVLink、InfiniBand 和以太网产品应对这一问题。Broadcom 则主要通过以太网展开竞争；以太网是一项成熟标准，使运营商能够从多家供应商组装基础设施。

这场讨论并不只是专有网络与开放网络之间的对立。买家会比较延迟、拥塞管理、软件集成、组件供给、运营熟悉度和控制权。

当客户偏好以太网，并希望避免依赖单一完整供应商时，Broadcom 将从中受益。当集成平台的性能超过这一顾虑时，Nvidia 将从中受益。

这正是本文的核心转折：Broadcom 可以在 AI 支出中扩大份额，而无需说服更广泛的开发者市场放弃 Nvidia。

其客户在内部做出这一决策。他们为特定工作负载部署定制加速器，同时继续采购 Nvidia GPU，用于研究、外部云服务或可预测性较低的任务。

Google 采取了这种混合策略。它在提供 TPU 的同时，也通过 Google Cloud 提供 Nvidia GPU 实例。

Meta 则是另一个例子。Broadcom 宣布扩大合作伙伴关系，支持 Meta Training and Inference Accelerator 芯片至 2029 年。

两家公司表示，该计划包括一款两纳米加速器及多代硅芯片。他们还提到了以数千兆瓦计的部署计划。

双方的 MTIA partnership 将定制计算与 Broadcom Ethernet 技术结合。不过，在客户实际安装并使用承诺的算力之前，这些部署计划仍属前瞻性规划。

这种混合模式给两大 GPU 供应商都带来压力。Nvidia 面对的是希望在成本、供应和架构方面获得更多自主权的客户。

AMD 面临的挑战则更为微妙。它可以赢得寻求第二家商业加速器供应商的客户，但其中一些买家最终可能会将最大的工作负载迁移到内部芯片上。

对 AMD 而言，Google 同时体现了机遇和威胁。Google Cloud 可以提供 AMD 加速器，但 Google 自身的 TPU 计划降低了其完全依赖外部 GPU 的需求。

对 Broadcom 而言，无论哪种转变都可能带来需求。寻求替代方案的云运营商可能先采用 AMD，随后在工作负载达到足够规模时加入定制处理器。

这并不意味着每家 AI 公司都应自行设计芯片。定制硅芯片需要经验丰富的团队、稳定的工作负载、大规模部署量以及较长的规划周期。

大多数企业并不具备这些条件。它们将继续租用算力，或购买基于商业加速器的系统。

因此，Broadcom 的可服务客户集中在市场顶端。尽管存在这一限制，这仍可支撑一项庞大业务，因为这些公司掌握着巨额基础设施预算。

胜出并不在于拥有每一种加速器，而在于参与那些决心掌控更多计算栈的客户的支出。

Broadcom 的论点仍未证明什么

营收快速增长证实了需求，但并不能证明 Broadcom 已经相对于 Nvidia 或 AMD 获得了永久性优势。

第一个不确定性是客户集中度。Broadcom 的定制芯片项目涉及少数几家采购能力极强的公司。

这些买家可以强硬谈判、推迟部署，或重新分配工程资源。失去一条产品路线图，可能会对未来增长产生不成比例的影响。

第二个问题是开发风险。定制加速器早在部署前数年便开始研发，当时模型架构和内存需求仍存在不确定性。

AI 技术的意外变化可能使专用硬件与最新工作负载不再匹配。通用 GPU 为应对这种可能性提供了保障。

第三个问题是软件。Google 可以通过 JAX、PyTorch 集成、XLA 以及内部工程资源支持 TPU 开发。

规模较小的运营商很难轻易复制这种投入。即使处理器规格颇具吸引力，只要开发者难以将模型迁移至其上，它仍可能失败。

Google 一直努力降低这一门槛。其 Ironwood stack 在协调一致的系统中支持编译器优化和自定义内核。

不过，Google 公布的性能主张反映的是其自身硬件和软件环境。在多样化生产工作负载中的独立对比仍然有限。

因此，AMD 与 Google 之间的选择并不只是峰值计算能力的问题。它还涉及可移植性、开发时间、利用率、云端可用性以及维护软件的成本。

AMD 可以通过提升 ROCm 兼容性，并提供大容量内存加速器来应对。Nvidia 则可以在扩展一体化系统的同时降低推理成本。

两家公司也销售网络技术，或与系统供应商合作。Broadcom 不能假设其 Ethernet 领先地位和定制设计订单将始终无人挑战。

供应是另一项风险。Broadcom 依赖外部制造商和先进封装供应商，将设计转化为成品处理器。

定制加速器与其他 AI 芯片争夺同样的先进制程产能。即使客户需求依然强劲，封装限制也可能推迟收入确认。

电力供应同样变得至关重要。一个千兆瓦级部署需要电力、土地、冷却系统、变压器、网络和施工能力。

一颗已完成的芯片无法从尚未建成的数据中心产生收入。因此，基础设施进度可能主导半导体进度。

Broadcom 在 2026 年 6 月发起的融资计划同时说明了机遇与限制。该公司与 Apollo 和 Blackstone 共同参与一个平台，旨在于 2028 年前支持超过 20 吉瓦的 AI 部署。

该计划以一项初始交易启动，支持与 Anthropic 相关的超过一吉瓦容量。Broadcom 表示，其 XPU 和网络技术将服务于前沿 AI 实验室的部署。

这一 capacity platform 扩大了 Broadcom 在组件供应之外的角色，也揭示了现代 AI 集群需要多少资本与协调工作。

已宣布的容量并不等同于已经安装并具备生产能力的基础设施。融资、审批、建设、电网接入和客户需求必须协同到位。

另一个不确定性是透明度。Broadcom 对定制加速器客户的披露较为选择性，保密要求限制了外界对合同条款或项目经济效益的了解。

投资者可以看到整体 AI 半导体收入，却并不总能区分计算加速器和网络业务，或识别每位客户的贡献。

这使简单预测变得不可靠。一个强劲季度可能反映持续的平台转变、暂时性的出货集中，或两者兼而有之。

“最终赢家”的说法也忽视了市场扩张。随着 AI 总支出上升，Nvidia、AMD、Broadcom、云运营商、内存供应商和晶圆代工厂都可能实现增长。

只有先界定竞争内容，胜负才有意义。Nvidia 在广泛的加速器平台领域领先，而 Broadcom 正在定制硅芯片和 Ethernet 基础设施方面取得进展。

AMD 在数据中心加速领域规模仍较小，但提供了具有战略意义的替代方案。Google 既是云服务买家，也是内部芯片设计者。

这些定位彼此重叠，却并不相同。Broadcom 的优势来自服务于那些激励机制不同于传统半导体买家的客户。

如果定制芯片一再错过进度、无法提升实际效率，或始终局限于内部实验，这一论点便会被削弱。如果 Nvidia 的平台经济性抹去了专业化的理由，它同样会被削弱。

当客户部署连续几代芯片时，这一论点将得到加强。重复项目表明，定制硅芯片已经经受住运营测试，并赢得持续投资。

Broadcom 与 Meta 的协议延续至 2029 年，但承诺的各代产品仍必须成为可运行的系统。营收增长仍将是这一转化最清晰的公开证据。

三个信号将决定 AMD 与 Google 的 AI 芯片之争

下一阶段取决于部署证据、客户的重复承诺，以及商业 GPU 供应商能否削弱定制芯片的经济性理由。

第一个信号是 Broadcom 报告的 AI 半导体收入。管理层预计其 2026 财年第三季度收入将达 160 亿美元。

若达到这一预测，将支持这样一种观点：需求正从零星设计订单转向更大的量产规模。若未达预期，则会引发对出货时点和客户集中度的疑问。

构成与总额同样重要。投资者应关注是否有证据表明，定制加速器和网络业务均在多位客户中贡献收入。

单个季度无法证明持续性。与多项部署相关的连续增长，才能更有力地表明基础设施正在发生广泛转变。

第二个信号是 Google Ironwood 和 Meta MTIA 的实际采用情况。Google 在将 Ironwood 定位为面向训练和高吞吐量推理后，已使其正式全面可用。

Google 表示，Ironwood 的峰值性能是 TPU v5p 的十倍，每芯片性能超过 Trillium 的四倍。它还声称，其能效几乎是首款云 TPU 的三十倍。

这些是供应商测量数据，并非普遍适用的结果。更有力的证据将来自客户可用性、持续利用率、软件支持和重复部署。

Google 已表示，Gemini、Veo、Imagen 和 Anthropic 的 Claude 在训练或服务中使用 TPU。更广泛的客户使用将表明，定制硬件能够超越单一所有者的内部应用。

Meta 的两纳米 MTIA 项目提供了另一项检验。若能在 2029 年前交付多代产品，将验证 Broadcom 支持另一位客户进行大规模部署的能力。

延期将暴露定制硅芯片背后漫长的开发周期，也可能使工作负载重新流向 Nvidia 或 AMD 平台。

第三个信号是商业 GPU 供应商的回应。Nvidia 的 Rubin 平台在保留广泛软件环境的同时，瞄准更低的推理成本。

AMD 正在推进具备高内存容量的 MI350 加速器，以及日益成熟的 ROCm 技术栈。更好的软件可移植性将降低选择 AMD 而非 Nvidia 的代价。

如果 Nvidia 和 AMD 降低总运营成本的速度快于定制项目的推进速度，专业化的吸引力就会下降。客户可能更倾向于选择按可预测进度交付的适应性硬件。

如果定制芯片在稳定工作负载上持续带来效率提升，Broadcom 的地位将得到加强。超大规模云厂商会有更清晰的理由资助更多内部设计。

最可能的结果仍是异构基础设施。研究团队将使用灵活的加速器，而大型生产服务将日益考虑针对重复性任务优化的硬件。

这一环境有利于能参与多种架构的供应商。Broadcom 的计算、交换、连接和设计能力符合这一要求。

它也不支持轻易得出赢家通吃的结论。Nvidia 可以继续是最大的平台，而 Broadcom 则可获得不断增长的定制基础设施份额。

即便 Google 扩展 TPU，AMD 仍可提高商业加速器份额。Google 可以通过其云服务提供这三种选择，同时在内部优先采用自有芯片。

AMD 与 Google 的 AI 硬件之争，归根结底关乎控制权。买家必须决定，对工作负载的掌控是否足以证明拥有更多硅芯片所需成本和复杂性的合理性。

Broadcom 已将自身定位为帮助客户回答“是”的公司。其营收表明，几家主要客户已经得出了这一结论。

未来一到三个月应能更清楚地表明这些承诺是否正在加速。应关注 Broadcom 的 AI 收入、定制芯片的量产可用性，以及 GPU 供应商的推理经济性。

对开发者和企业买家而言，问题并不是哪个标识能赢得每一项基准测试。应思考你的工作负载在哪里需要灵活性，在哪里具有重复性，以及谁掌控软件栈。

这一决定将决定下一次部署是采用 Nvidia 或 AMD 硬件、Google TPU，还是其他定制加速器。它还将决定最终形成的基础设施中，有多少会通过 Broadcom 流转。