两个金融播客主持人在节目上当场吵了起来。

一边说：AI时代的赢家已经定了，就是Nvidia和台积电，不要试图找”下一个Nvidia”。另一边说：赢家不只一个，Broadcom的定制加速器业务已经被系统性低估了。

这场争论发生在 Earn Your Leisure 的一期最新节目里，主持人 Troy Millings 和 Rashaad Bilal 公开表达了截然不同的判断。Bilal的立场是坚定的保守主义：那些已经”在排行榜上的人”（台积电、Nvidia、苹果、谷歌、微软）才是安全的投注。Millings则走了另一条路：他把Broadcom的定制加速器业务放在了核心逻辑的位置。

这场争吵并不只是投资圈的小圈子辩论。它触及了2026年AI行业最关键的一个结构性问题：当AI正在从”训练大模型的黄金时代”转向”大规模推理部署的普及时代”，芯片行业的价值分配是否正在悄悄重组？

Broadcom的数字给出了一个挑衅性的回答。

221%：不该被更大数字淹没的增速

2026财年第三季度，Broadcom AI半导体营收达到167亿美元，同比增长221%。第四季度指引217亿美元，预计增长236%。CEO Hock Tan在分析师电话会上描绘了一条陡峭的增长曲线：FY2027约1150亿美元，FY2028约2300亿美元。

这些数字很容易被Nvidia更宏大的叙事所淹没——Nvidia同期营收962亿美元，年增约106%，市值超过5万亿美元。但如果你做一个并排比较，会发现一个意味深长的不对称：Broadcom的AI业务增速（221%）是Nvidia（106%）的两倍，但市值（约1.8万亿美元）只有Nvidia的不到三分之一。

这个差异背后，藏着两种截然不同的商业逻辑，以及市场对两者的不同定价方式。

Nvidia卖的是通用平台：一颗H100或B200可以运行任何AI工作负载，客户涵盖初创公司到国家级研究机构，配套着超过400万开发者的CUDA生态系统。这是”卖给所有人”的规模化商业模式。Broadcom卖的是定制化服务：每一颗XPU（扩展处理单元，一种为特定LLM工作负载专门设计的ASIC）只为一个特定客户、一个特定的模型架构量身定制，天然排斥了中小规模客户，只服务能消耗数十亿美元算力的极少数超大规模运营商。

这个根本的商业模式差异，决定了两家公司的护城河形态、增长上限、以及风险特征——也是Millings和Bilal争论的核心。

AI计算的两种场景，以及不同的芯片需求

要理解为什么2026年突然出现了”Broadcom时刻”，必须先厘清AI计算中两种主要工作负载的根本差异。

训练（Training）是用海量标注数据和大量并行算力”教会”一个神经网络如何回答问题的过程。训练通常耗时数周到数月，需要数千甚至数万颗GPU协同工作。训练场景的关键特征是模型架构的快速迭代——每一代新模型（从GPT-4到GPT-6 Astra，从Claude Opus 3到Claude Opus 4.8）都可能引入全新的注意力机制、混合专家架构、新的量化策略，芯片需要足够的通用性来适应这种持续变化。这正是Nvidia GPU和CUDA生态的传统优势：通用、灵活、配套工具链成熟。

推理（Inference）是把训练好的模型实际部署出去、响应真实用户请求的过程。这里的工作负载特征完全不同：一旦模型确定，推理调用就变得高度重复而稳定——ChatGPT每天数十亿次调用的都是同一个GPT-6 Astra模型，Claude每天响应的都是Opus 4.8。这意味着推理场景对每token计算成本极度敏感，对通用性的需求反而低很多。

ASIC在推理场景有一个通用芯片天然无法比拟的优势：由于只需要处理一种固定的工作负载，芯片设计可以把每个电路单元都精确优化到极致，去掉所有用不上的通用逻辑，最大化能效比和每瓦特性能。这就是Broadcom XPU的核心价值主张。

Hock Tan在电话会上引用了一个具体案例：OpenAI的Jalapeno XPU在运行推理时，每token成本约为通用GPU的一半。这个数字来自CEO的电话会，需要带着一定折扣来理解，但方向经过了多个独立研究的验证：对于稳定的超大规模推理，定制ASIC确实可以实现30%到60%的成本节省，取决于工作负载的具体特征。

最能说明问题的数据是：Broadcom AI营收中，XPU已经占到73%的比例。这意味着Broadcom的高速增长主要由这些为超大规模客户量身定制的推理专用处理器驱动，而不是网络芯片或宽带硬件。

客户名单：世界上最稀缺的五家公司

Broadcom XPU的客户名单短得令人咋舌，也令人印象深刻。

Google是最早也是最大的XPU客户。Google的TPU（张量处理单元）是和Broadcom共同开发的，第六代TPU已经在大规模服务Gmail、Google Search、Gemini Ultra等产品的推理请求。Google每年在AI推理上投入的算力成本估计数以百亿美元计——哪怕定制芯片把单位成本降低10%，也是每年十亿美元量级的节省，轻松覆盖数亿美元的定制开发费用。

Meta通过MTIA（Meta Training and Inference Accelerator）项目在Broadcom的客户名单内。Meta的Llama模型系列的推理体量极大，Instagram、WhatsApp、Messenger上每天发生的AI辅助交互次数以数十亿计，从内容推荐到AI助手，全部需要超大规模推理基础设施。

OpenAI正在建设Jalapeno XPU基础设施，用于支撑ChatGPT的大规模推理。根据247wallst的分析引用，OpenAI最新模型需要100颗Vera Rubin芯片来支撑——这是播客级别的说法，准确性存疑，但方向可信：随着GPT-6 Astra的推出以及ChatGPT订阅用户的激增，OpenAI的推理算力需求正以极快的速度扩张，定制化路线有其经济理性。

Anthropic也在Broadcom的生态圈内。Anthropic在截至2026年8月的11个月内已签署约5170亿美元、合计14.8吉瓦的算力采购承诺，其中一部分预期通过定制芯片路线实现成本优化。

这四家公司加上亚马逊的Trainium/Inferentia项目，几乎代表了全球AI推理计算需求的顶端。它们共同驱动了Broadcom AI业务的221%增速，也构成了Broadcom最大的客户集中风险。

Nvidia的应对策略：它没有在旁观

理解Broadcom的机遇，同样需要理解Nvidia的反应——因为Nvidia绝非坐以待毙。

应对一：架构层推理优化。 Nvidia的B200（Blackwell架构）相比H100，单卡推理吞吐量提升约4倍，内存带宽大幅增加，专门针对长上下文窗口推理做了硬件优化，甚至引入了专用的推理模式（Transformer Engine的升级版）。Nvidia的工程师很清楚推理效率是未来几年的核心战场。

应对二：推理部署平台。 Nvidia的NIM（NVIDIA Inference Microservices）是一套完整的推理服务框架，提供经过高度优化的模型容器和部署工具。它的设计目的之一，就是通过深度集成降低企业迁移到竞争芯片的可能性：如果你的推理基础设施已经深度绑定了NIM，切换到Broadcom XPU的工程成本会非常显著。

应对三：维护CUDA护城河。 这是Nvidia最根本的防线。截止2026年，全球AI开发者使用CUDA生态的比例仍然超过85%。PyTorch、TensorFlow、JAX的最高度优化后端都是基于CUDA实现的。对于没有数十亿美元规模算力需求的中小企业，切换到Broadcom XPU意味着放弃整个工具链，重写推理服务，并放弃CUDA生态多年积累的优化技巧——这个成本是大多数企业难以承受的。

Bilal的反驳正是基于这个逻辑：”那些已经在排行榜上的人已经赢了。”CUDA的400万开发者生态，是Nvidia最难被复制的护城河，也是Broadcom永远无法覆盖中小企业市场的根本原因。

Bilal的论点在逻辑上是成立的——对于那些没有能力定制芯片的99%的企业，答案确实是继续用Nvidia。但Broadcom的策略从一开始就没打算去服务这99%，它的生意只需要那五六个超大规模运营商。

台积电：所有人都站在同一块基础上

一个被两位播客主持人都不约而同认可的投资逻辑是台积电（TSMC）。

无论Broadcom的XPU还是Nvidia的GPU，最终都在台积电的晶圆厂里被制造出来。Broadcom先进节点XPU采用台积电N2工艺；Nvidia的B200系列同样深度依赖台积电的CoWoS先进封装技术和2纳米级别制程。台积电2026年8月营收同比增长53.3%，连续多月刷新历史纪录，前向市盈率约20倍。

这里有一个值得记住的”基础设施投资者”逻辑：台积电不需要在Broadcom和Nvidia之间押注，它同时服务双方，还有AMD、苹果、高通等几乎所有主要芯片设计公司。AI芯片总量扩张，台积电的收入就随之增长。它在全球最先进制程领域的垄断性地位为这种增长提供了相当高的确定性——虽然地缘政治风险（台海局势）是悬在头上的永久性折扣因素。

Millings把台积电称为”最确定的AI基础设施投注”：不需要押注谁赢，只需要押注总量增长。

估值解码：三个市盈率，三种风险哲学

并排看三家公司的估值，会发现市场对不同风险特征的定价方式：

Nvidia，前向P/E约44倍。溢价来自CUDA护城河（400万开发者生态）、品牌垄断（AI=Nvidia的心智占领）、以及市场对其在训练和推理双线主导的预期。哪怕在9月14日AI减速叙事引发的大跌日，Nvidia也只下跌约3%——市场对其基本面的信心非常高。

Broadcom，前向P/E约19倍。相对低估的背后有两重折扣：第一是客户集中风险（少数五六个超大规模客户占了绝大部分营收，失去任何一个都是重大打击）；第二是对Hock Tan激进预测的怀疑（从实际营收到FY2028约2300亿美元，意味着不到两年实现约2.5倍增长，这个曲线比任何已知的先例都更陡峭）。

台积电，前向P/E约20倍。估值处于两者之间，但有一个被普遍认可的地缘政治折扣——台湾议题给任何关于台积电的长期持有判断都增加了一层难以量化的不确定性。

把这三个数字放在一起，可以读到市场的隐含判断：通用GPU平台（Nvidia）的规模化护城河值得高倍数溢价；定制硅的高速增长（Broadcom）存在且可观，但客户集中和预测大胆需要折价；制造基础（台积电）被地缘政治风险压低了它的”应有”估值。

这三种定价逻辑各有其道理，也各有其盲点。

Broadcom的真实风险：不能回避的清单

公平地评价Broadcom，它的风险清单同样不短。

客户集中风险。如果Google某天决定把TPU全面内化自研（他们拥有这个能力），或者Meta的MTIA项目实现完全自给自足，Broadcom的AI营收可能出现急剧收缩。这不是假设——这些公司的自研能力在持续提升，这是Broadcom商业模式的根本性脆弱点。

自研趋势的加速。超大规模运营商都在增加芯片自研投入。亚马逊的Trainium2和Inferentia3已经服务于AWS内部的大量推理工作负载；微软的Maia 2加速器在Azure上稳步部署；谷歌的第六代TPU比以往更多地内化了设计工作。定制芯片外包给Broadcom的空间，可能会随着这些公司自研能力的成熟而收缩。

Nvidia的持续反攻。不要低估Nvidia在推理效率上持续迭代的能力。如果B200 + NIM组合把通用GPU和定制ASIC之间的成本差距从50%压缩到15%，很多客户会选择牺牲一部分效率换取通用性和CUDA生态的便利性。Broadcom的竞争优势并非固定，它会随着Nvidia的进化而变化。

宏观周期性风险。当前AI芯片的高速增长在一定程度上是”大规模基础设施建设热潮”驱动的。多家分析机构预警，如果2027-2028年出现算力利用率下滑（超额建设带来的必然结果），Hock Tan的预测可能面临相当大幅度的下修，届时Broadcom的估值将承受严峻考验。

“AI芯片赛道”是一个错误的框架

Millings和Bilal争论的本质，是对”AI芯片行业”认知框架的不同假设。

如果你把AI芯片视为一个单一的赛道，那Nvidia已经赢了，而且赢了很多，Bilal是对的。

如果你把AI芯片视为多个按工作负载和客户规模分层的细分市场的组合，那这个市场正在向多极格局演化，Millings的判断有其合理性。

2026年的数据支持后一种理解框架：Broadcom AI业务增速221%、AMD Data Center营收同比增长107%、Positron AI推理专用芯片完成8.75亿美元融资、台积电营收增长53.3%——这些数字加在一起，描述的不是一个赢家通吃的单一市场，而是一个快速膨胀、同时在结构上分层的生态系统。

Nvidia仍然是这个生态里最重要的玩家，这一点不值得争议。但”最重要”从来不等于”唯一”。Broadcom的故事，是用季度业绩数字证明：在AI推理这个特定的细分市场，定制化路线拥有通用平台无法复制的经济优势，而这个细分市场的体量，正在随着AI大规模部署的加速而快速膨胀。

当两位播客主持人当场争论不休，往往意味着这道题没有唯一正确答案。

而没有唯一正确答案的地方，往往是最值得深入思考的地方。

定制芯片的隐含假设：模型架构会稳定吗？

Broadcom XPU商业模式有一个重要的隐含前提——未来几年，主要超大规模客户的旗舰模型架构会足够稳定，使得定制芯片的长期投资值得回收。这个前提并不是不言自明的。

如果我们处于一个”旗舰模型每隔6个月颠覆一次架构”的世界，定制芯片的风险就会大幅上升：客户花费数亿美元定制了针对Transformer架构优化的XPU，但下一代模型引入了全新的状态空间模型（State Space Models）或混合专家架构的全新变体，定制芯片的优势就可能大打折扣。

但有迹象表明，主要模型的推理工作负载正在趋向稳定。GPT-6 Astra已经发布，并将作为OpenAI的主力推理模型服务未来18到24个月；Claude Opus 4.8系列同样处于大规模稳定部署阶段。这些模型在推理阶段的工作负载特征相当稳定——大量的矩阵乘法、固定长度的上下文窗口处理、标准化的注意力机制——正好是ASIC设计最擅长优化的场景。

这也是为什么Hock Tan能够看到从当前季度到FY2028的相对清晰的收入路径：客户已经确定了要部署的模型，正在大规模投资推理基础设施，而这个投资一旦开始就很难中途改变。一颗芯片从设计到流片到大规模部署，本身就需要18到24个月的周期——客户一旦下单，相当于锁定了未来两年的合作关系。

价值链重组：AI时代谁在拿走多少钱

Broadcom的崛起，以及更广泛的”定制芯片热潮”，揭示了一个更大的结构性趋势：AI时代的价值链正在经历从”通用平台主导”到”专用定制竞争”的深层重组。

在2020年到2024年的AI训练黄金期，价值链是相对清晰的：Nvidia提供通用GPU和CUDA生态，数据中心运营商购买并运营算力，AI公司在上面训练模型。Nvidia在这个链条里拿走了超额价值——因为没有其他人能提供足够好的替代品。

但2025年之后，随着主要AI公司进入大规模推理部署阶段，这个链条开始出现分叉：超大规模运营商（Google/Meta/Amazon）选择自研或合作开发定制芯片，削减对Nvidia的单一依赖；AI应用公司（OpenAI/Anthropic）开始为自己的旗舰模型定制专用推理芯片；专做推理优化的新兴创业公司（Positron等）获得大规模融资；芯片设计外包商（Broadcom）在这个分叉中找到了独特的价值定位。

这种分层竞争，对整个AI行业来说最终是好事：芯片供给的多元化会持续推动单token推理成本下降，使AI应用的经济性变得更好，促进更广泛的商业化落地。而Broadcom正在这个变化里切走一块越来越大的蛋糕。

给普通投资者的底线逻辑

对于大多数没有能力长期持有高波动资产的普通投资者，Bilal的建议更实际：Nvidia的CUDA护城河是真实的，品牌是真实的，每季度增长也是真实的，这个”最安全的中心”足以支撑相当长期的持有。

但对于愿意承担更高不确定性、寻求超额收益的投资者，Millings的Broadcom押注建立在一个扎实的逻辑基础上：当AI正在从训练时代进入推理时代，超大规模定制芯片的经济优势将在未来24到48个月内加速兑现，而Broadcom以约19倍前向市盈率被定价，意味着市场对这个增长轨迹给了相当大的折扣。

两者都可能是对的——只是在不同的时间维度和风险偏好维度上。

AI基础设施投资的故事，远比”Nvidia等于AI芯片”这个简化叙事要复杂和丰富。那个复杂性，既是风险，也是机会。

参考来源：

  • 247wallst.com，”Forget the Magnificent 7. This Duo Says Broadcom, Not Nvidia, Wins the Next Leg of AI”，2026-09-14：https://247wallst.com/investing/2026/09/14/forget-the-magnificent-7-this-duo-says-broadcom-not-nvidia-wins-the-next-leg-of-ai/
  • Broadcom Q3 FY2026 Earnings Call Transcript，Hock Tan XPU trajectory commentary，2026-09-12
  • CNBC，”What Amodei’s AI slowdown could mean for Anthropic’s imminent IPO”，2026-09-14：https://www.cnbc.com/2026/09/14/anthropic-walks-tightrope-to-nasdaq-pushing-slowdown-and-pursuing-ipo.html
  • TSMC August 2026 Revenue Announcement，2026-09-10