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…

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。 Anthropic 锁定了吉瓦级别的专用算力。 它即将在 2027 年成为 Broadcom 最大的自研芯片客户。 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： 集体把推理任务，从通用的 GPU 搬到定制的专用芯片上。 为什么连最缺算力的头部实验室，都不再只买 NVIDIA 的显卡？ 是旗舰显卡算得不够快，还是底层的经济账已经彻底变了？ 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。 通用计算税。 通用的图形处理器是按全能标准设计的。 为了应付图形渲染和各种复杂的算法分支， 芯片里塞满了调度单元与冗余电路。 在模型训练阶段，算法天天改，代码随时变。 这种万能的灵活性是必需品。 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。 大模型推理做的事情高度固定： 海量的矩阵乘法，加上高带宽的数据搬运。 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。 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。 这就是通用计算税： 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。 当算力规模还在几千张卡的时候，没人计较这点损耗。 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。 OpenAI 规划在 2027 年部署 1.3 吉瓦的 Jalapeño。 到 2028 年，这个数字要扩张到 5 吉瓦以上。 Anthropic 给出的规划更激进：2028 年要部署 10 吉瓦的专用算力。 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。 核心指标只剩下一个：每一瓦电力，到底能产出多少个标记。 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。 这就是 Broadcom 这类芯片设计伙伴搭建的专用机器。 它不负责通用世界里的所有可能性。 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。 AI 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。 可当技术从实验室走向工业化量产， 通用的全能，往往会变成最沉重的商业负担。 万能的工具适合探索边界。 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。