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。
義合控股投資者關係部
(芯片與算力系列之63)
