{"id":"raw_4a5df096b9f3d795","account":"mubei","brand":"@mubei","title":"Broadcom 刚交出了一份惊人的成绩单：单季 AI 芯片收入飙升到 167 亿美元。 但真正震动硅谷的，是财报里披露…","summary":"Broadcom 刚交出了一份惊人的成绩单：单季 AI 芯片收入飙升到 167 亿美元。 但真正震动硅谷的，是财报里披露的一连串客户名字与交付进度。 OpenAI 的第一代自研芯片 Jalapeño 已经在三季度开始出货。 Google 的新一代 TPU v8i 开始量产交付。…","body":"Broadcom 刚交出了一份惊人的成绩单：单季 AI 芯片收入飙升到 167 亿美元。\n但真正震动硅谷的，是财报里披露的一连串客户名字与交付进度。\nOpenAI 的第一代自研芯片 Jalapeño 已经在三季度开始出货。\nGoogle 的新一代 TPU v8i 开始量产交付。\nAnthropic 锁定了吉瓦级别的专用算力。\n它即将在 2027 年成为 Broadcom 最大的自研芯片客户。\n这几家在全球大模型竞赛里打得最凶的对手，正在做同一件事：\n集体把推理任务，从通用的 GPU 搬到定制的专用芯片上。\n为什么连最缺算力的头部实验室，都不再只买 NVIDIA 的显卡？\n是旗舰显卡算得不够快，还是底层的经济账已经彻底变了？\n把这笔账算到底，会看到一台支配着整个算力世界的冰冷机器。\n通用计算税。\n通用的图形处理器是按全能标准设计的。\n为了应付图形渲染和各种复杂的算法分支，\n芯片里塞满了调度单元与冗余电路。\n在模型训练阶段，算法天天改，代码随时变。\n这种万能的灵活性是必需品。\n可一旦模型训练完成，进入全天候的推理服务，情况就彻底变了。\n大模型推理做的事情高度固定：\n海量的矩阵乘法，加上高带宽的数据搬运。\n在通用 GPU 上跑推理，就像雇了一整支交响乐团，天天在路口吹哨指挥交通。\n那些用不上的庞大电路依然占着昂贵的晶圆面积，每一毫秒都在空耗电费。\n这就是通用计算税：\n你为用不上的万能灵活性，付出了几倍的硬件溢价与电力成本。\n当算力规模还在几千张卡的时候，没人计较这点损耗。\n但当部署规模冲到吉瓦级别，电力成了整个数据中心最硬的物理天花板。\nOpenAI 规划在 2027 年部署 1.3 吉瓦的 Jalapeño。\n到 2028 年，这个数字要扩张到 5 吉瓦以上。\nAnthropic 给出的规划更激进：2028 年要部署 10 吉瓦的专用算力。\n在吉瓦级的电网约束面前，算力的较量不再是谁能堆出多高的理论峰值。\n核心指标只剩下一个：每一瓦电力，到底能产出多少个标记。\n把所有无关的电路全部剥离，只留下最贴合模型结构的计算核与高带宽互联。\n这就是 Broadcom 这类芯片设计伙伴搭建的专用机器。\n它不负责通用世界里的所有可能性。\n它只负责用最低的功耗和成本，把模型推向几亿用户的终端。\nAI 行业过去信奉一套军备竞赛叙事，以为护城河全在通用的软硬件生态里。\n可当技术从实验室走向工业化量产，\n通用的全能，往往会变成最沉重的商业负担。\n万能的工具适合探索边界。\n但当工业化降临，胜负只取决于谁能把每一度电的浪费剥离到极限。","category":"其它","score":100,"translated_x_url":"https://x.com/i/status/2095443533926637941","translated_status_id":"2095443533926637941","published_at":"2026-09-03 10:27:49","created_at":"2026-09-03T10:27:49.460930"}