财报后下跌，现在是买博通 $AVGO 的好时机吗？

network

财报后下跌，现在是买博通
$AVGO
的好时机吗？🧐

营收创纪录，AI 收入同比 +143%，单季新增订单 300 亿。博通最新财报几乎全面超预期，股价却下跌。

原因不在业绩，在预期。

博通财报讨论和电话会本质上，翻来覆去就是一个问题，明年超过 1000 亿的 AI 收入，能不能兑现。

一个有趣的点，电话会上，JPMorgan 分析师 Harlan Sur 质疑管理层，按"下半年是上半年两倍"来算，全年 AI 收入应该超过 600 亿美元，你们只给 560 亿，只有 1.5 倍。

这句话说明，大家私下的预期早就到 600 亿以上，财报前市场还在传"AI 在手订单已达 730 亿美元"，再加上股价过去一年从 241 涨到接近 496，预期定得非常高。

所以这次下跌是好消息提前反映在了股价里，不是基本面转弱。

————————

1⃣ 实际数字其实很强。Q2 营收 222 亿美元，同比增长 48%，创纪录；非 GAAP 营业利润率 67.3%；

自由现金流占营收 46%；其中 AI 半导体 108 亿美元，同比增长 143%，超过指引。

更重要的是订单。单季 AI 新增订单超过 300 亿美元，而出货只有 108 亿，订单出货比约 3 倍。

订单出货比＝新订单÷出货收入，大于 1 说明需求在累积。

管理层说，可见性已经从 2027 延伸到 2028。第三季度指引营收 294 亿（增长 84%），AI 160 亿（增长 200% 以上）。

毛利方面。ASIC/TPU 占比上升，稀释了高毛利的软件 93%和网络。

同期营业利润率反而上升，因为费用几乎没涨。所以管理层建议，把半导体和软件分开建模，否则会误判盈利能力。

————————————

2⃣ 客户方面，博通明确是六大核心客户驱动。

1）Google：长期协议，多代 TPU + AI 网络。

2）Anthropic：2026 年超过 1GW 的 TPU 算力；2027 年起再增 5GW 下一代 TPU 算力。

3）OpenAI：硅片已交付，2026 年底量产；2027 年承诺部署 1.3GW（属于到 2029 年的 10GW 大单）。

4）Meta：多代 MTIA，到 2028 年部署 3GW（首期 1GW 已下单）。

5）另两家客户：合计 6 亿美元采购订单，2026 年底开始出货。

这里有一个实用的测算方法。2027 年计划出货约 10GW，官方 AI 收入目标"超过 1000 亿"，两者相除得到保守下限。每 GW 约 100 亿美元；

而部分机构用 150 到 200 亿每 GW 测算，对应 1500 到 2000 亿。也就是说，官方指引可能偏保守。

但最大风险也在客户，就是 Google 份额。CEO 被问到时承认“会有一定的供应商多元化"。市场担心两件事，Google 自研、联发科竞争。

Google 是最大的 AI 客户，份额一旦流失，就直接冲击最大的收入来源。

与此相关的还有一个新动作：博通联合 Apollo、Blackstone 搭建 AI 算力融资平台，到 2028 年部署 20GW 以上，首期约 350 亿美元，帮客户解决资金和电力问题。

好处是锁定出货，风险是引入了客户的信用风险，以及"需求是真实的还是被融资催生的"这个质疑。

————————————

3⃣ 推理端的未来是整个逻辑的核心。

预计到 2026 年底，AI 会从训练为主转向推理为主。推理阶段，客户最在意的指标变成每 Token 成本、投资回报率和总体拥有成本（TCO）。

这时候，把客户自研算法直接做进芯片的定制 ASIC，在能效和单位成本上优于通用 GPU，而博通正是 Google TPU 和 Meta MTIA 的设计伙伴。

网络互联同样关键。推理需要海量节点之间低延迟协作，网络正成为扩展集群时新的制约因素。

博通的 Tomahawk 6 100Tbps 交换芯片已经量产一年，下一代 200Tbps 本季流片，配合 200G SerDes 支持铜缆直连。

第二季度网络占 AI 收入的 40%，第一季度是 33%，长期会回到约 30%，但因为毛利更高，这块是利润的重要来源。

软件这条线则被低估。VCF 9.1 让企业在私有云里跑 AI 推理，支持 AMD、Intel、NVIDIA 异构算力，据称比公有云省最多 40% 的服务器成本。

第三季度软件收入指引增长 31%，明显加速。

————————

总结以下，这份财报真正的问题不是超没超预期，而是 FY27 的超过 1000 亿能不能按节奏兑现，以及客户多元化能不能抵消 Google 的集中度风险。

但是博通基本面很强。强到市值已经是美股新晋七姐妹之一了，超越特斯拉和 Meta。

强到英伟达也得联合 Marvell 做 ASIC 阻击博通。

所以，如果把博通当成半导体周期股，那现在价格是高估的。但是，当成 AI 基础设施平台 + 高利润软件现金流来源，现在价格绝对是低估。

Broadcom Inc
AVGO
$479.23
-0.49%
引用
戈多Godot
@GodotSancho
·
5月28日

network

详解定制化 AI 芯片巨头博通科技的技术布局与业务结构（二）










接上文，

《万字长文：详解定制化 AI 芯片巨头博通科技的技术布局与业务结构（一）》

https://x.com/GodotSancho/status/2059103684987170912





系统级互连与光学传输技术



博通：AI 算力隐形基建



GPU、TPU 解决算力，把矩阵乘法做到极致。

但一万张 GPU 堆在一起，需要持续、高速、无损地交换参数，每完成一轮计算就要做一次全局同步。

这个同步过程的物理带宽和延迟，决定了整个集群的实际有效算力。

博通掌握的，是让同步过程得以发生的全套底层技术。

在集群内部，Tomahawk 和 Jericho 负责 GPU 之间通信在无损、低延迟的前提下调度海量东西向流量。

在单台服务器内部，SerDes 把芯片算出来的数据，转换成可以在物理介质上传输的高频信号，PCIe Retimer 确保这个信号在铜线上走完全程不失真。

当通信需要跨越机架、延伸到更远的距离，CPO 把电信号直接在封装内转化为光，送入光纤。

四个组件，一条数据出行的完整路径



流程如下，

ASIC：计算发生的地方

ASIC是数据的起点。以谷歌 TPU 为例，内部的矩阵乘法单元完成运算后，结果以极宽的并行总线形式存在。

SerDes：数据出门的唯一通道

SSerDes 是后续所有传输环节的物理基础。erDes 位于 ASIC 芯片的物理边缘，是数据离开芯片的必经之路，把 ASIC 内部几千根并行线上的低速数字信号，压缩转换为少数几对引脚上的高频串行模拟信号。

发送端在转换时还会对信号做预处理，主动拉高容易衰减的高频分量，为接下来的物理传输提前补偿。接收端则反过来，从失真的波形中恢复出原始的 0和 1。

PCIe Retimer：电链路的中途接力

Retimer 解决的是电信号在铜线上中短距离传输的衰减问题，活动范围局限在服务器内部。

信号离开 ASIC 之后，高频电信号每走几英寸就会严重衰减，PCIe Gen 5的信号走完 10到 15英寸主板路径后，波形已经模糊到无法正确判读的程度。

Retimer 的作用是在链路中途介入，用自身的 SerDes 电路接收这个残缺信号，内部重新数字化提取出原始数据，再由发送端以完整的电压摆幅和干净的时序重新生成信号继续传输。

CPO：把电信号转化为光，送往远端

当数据需要跨越机架、跨越机房传输时，铜线和 Retimer 都到了极限。

CPO 是把光电转换引擎直接封装进 ASIC 所在的同一块基板，距离逻辑芯片只有几毫米。SerDes 只需用极低功耗驱动这段极短距离，信号就直接进入硅光引擎。

调制器利用电光效应，把 SerDes 输出的电压波动映射为激光的明暗变化，数据从此以光子的形式在光纤中传输。

CPO 改变的不是传输原理，而是光电转换发生的位置，从服务器外部提前到芯片封装内部，从根本上降低了长距离传输的能耗和延迟。

四者的层级

一条完整的数据路径可以这样理解：

ASIC 产生数据 → SerDes 将其转换为可传输的电信号 → 若走铜线短传，Retimer 在中途重建信号质量 → 若需长距离传输，CPO 在封装内将电信号转为光信号送入光纤。

SerDes 是基础，贯穿所有环节；ASIC 是数据来源；Retimer 和 CPO 分别对应两种不同距离、不同介质的传输需求，各自在 SerDes 能力的基础上延伸出去，解决铜线和光纤场景下各自的工程问题。

对于谷歌、Meta这类想要摆脱通用GPU、自研专用加速器的客户，博通还提供从逻辑设计到物理封装的完整工程能力。

台积电负责在原子层面雕刻晶体管，NVIDIA 和谷歌负责在数学层面设计计算架构，而博通 Broadcom 则负责在电磁学、光子学与热力学的物理缝隙中，铺设让这些海量算力得以协同运转的高速公路。 这就是互连技术霸权的工程本质。

AI 芯片物理链条



我们再来以更宏观的视角看博通在 AI 供应链中的位置。

ASML 阿斯麦：定义物理边界

ASML 处在供应链最顶端，不造芯片，但决定了所有人能造什么样的芯片。

ASML 生产的极紫外（EUV）光刻机是在硅晶圆上雕刻纳米级晶体管的唯一工具，光学透镜的物理视场极限约为 858平方毫米，是单块芯片面积的天花板。

英伟达与谷歌：两条路线的算力逻辑

在 ASML 阿斯麦划定的边界内，英伟达和谷歌分别代表了两种不同的计算架构选择。

英伟达通用。H100、B200这类 GPU 包含大量流式多处理器和张量核心，能够处理各种精度和算法类型的 AI 负载，买来即用，适配面广。

谷歌定制。TPU 彻底抛弃了图形渲染，专门为 AI 矩阵乘优化设计，用脉动阵列架构在特定任务上做到极致效率。

两者都是纯设计公司，只产出逻辑图纸，不碰物理硅片。

美光科技、SK 海力士、三星：HBM 解决内存墙

美光、SK 海力士、三星的 HBM 高带宽内存，通过将多层 DRAM 裸片垂直堆叠，以超宽总线实现 TB/s 级别的内存带宽。

英伟达芯片和谷歌 TPU，都需要 HBM 堆叠在同一封装内才能发挥完整算力。

HBM 作为独立组件，会被运送到台积电的封装厂与逻辑芯片整合。

博通：解决三堵物理高墙

博通的工作发生在算力逻辑设计完成之后，负责解决数据如何进出芯片以及多颗芯片如何协同的物理工程问题。

面对三个层面的挑战。

第一是分别制造多个独立的小芯片 Die/Chiplet，最后通过先进封装技术将它们拼在一起。

这种方式在业内被称为异构集成 Heterogeneous Integration。

博通 Die-to-Die (D2D) 在这个领域拥有行业绝对技术优势，微凸块间距压缩到 45微米以下，每毫米芯片边缘可实现数 Tbps 的吞吐量，单比特传输功耗低于 0.25皮焦。没有这种互联能力，Chiplet 架构在工程上无法闭环。

第二是内存墙。谷歌知道怎么设计 TPU 的计算逻辑，但如何把逻辑核心与多颗 HBM 整合在同一封装里，是另一套专业。

博通提供 HBM 控制器的物理层接口，负责硅中介层上数十万根走线的布局布线，还要处理芯片全速运行时超过 500安培电流阶跃带来的电源完整性问题。

第三是长距离传输的能耗问题。数万颗 GPU 或 TPU 要跨机架同步数据，铜线在超过十几英寸的距离上高频衰减严重，强行用大功率 SerDes 驱动会让单机架功耗突破热力学极限。

博通的 CPO 方案把硅光引擎直接封装进交换芯片的同一块基板，信号出芯片后走几毫米就转为光子进入光纤，省去了传统光模块里耗电庞大的 DSP，光电转换功耗从每比特 15皮焦以上压缩到 5皮焦以下。

此外在集群网络层面，博通的 Tomahawk 和 Jericho 交换芯片构成了连接数万张 GPU/TPU 的以太网骨干，PCIe Retimer 则解决服务器内部 CPU 与 GPU 之间主板走线的信号衰减问题。

台积电：把所有图纸变成真实硅片

台积电是整条链条的终极执行者，买来 ASML 光刻机，用 4nm 或 3nm 工艺把英伟达、谷歌和博通的逻辑设计刻印在硅晶圆上。

再通过 CoWoS 先进封装工艺，把逻辑裸片与美光的 HBM 堆叠放置在硅中介层上，在几百平方毫米内完成数十万根金属走线的物理互连。没有台积电的制造能力，所有设计都只是图纸。

真正的主角：光子互联 Silicon Photonics



从宏观视角有了图谱之后，接下来才是这个章节的主角，光子互联 Silicon Photonics 。

没错，我就是为了这碟醋包的饺子。

最后材料学极限全是光子的承载物。

电子在铜线里跑不动了

在过去的几十年里，芯片之间的通信靠铜线，也就是我们前面讨论的 SerDes 技术。

AI 时代，随着数据传输速率突破 112Gbps 甚至逼近 224Gbps，电互联撞上了极限。

这个极限无法通过优化突破，因为这个极限来自最底层的材料。

高频电信号在铜线中传输时，频率越高，电子越趋向挤在导线表面而非内部，能量以热量的形式大量耗散。这就是趋肤效应。

在224Gbps的传输速率下，电信号在普通服务器主板上走不到十厘米，波形就已经衰减成无法识别的噪声。

为了让信号走得更远，芯片必须加大发射功率，接收端还要用复杂的 DSP 算法强行恢复失真波形。

在大型 AI 数据中心里，仅仅搬运数据这一件事消耗的电力，已经在逼近 GPU 进行矩阵计算本身的耗电量。这在商业上是不可持续的，从物理上也已接近天花板。

铜线还有密度问题。交换机端口密度越高，需要的铜缆接口就越多，芯片边缘的物理空间早已被引脚占满，再也塞不进更多数据通道。

光子为什么是出路

光在硅波导中传输，几乎没有电阻，也不受电磁干扰。

不管是十厘米还是一千米，信号衰减极低，无需沿途不断放大。更

关键的是波分复用 WDM。铜线同一时间只能承载一路电信号，但不同波长的光可以同时在同一根光纤里传输而互不干扰，一根头发丝粗细的光纤带宽可以瞬间扩展数十倍。

硅光技术 Silicon Photonics 的突破在于，把传统光学器件——激光器、调制器、探测器——用半导体 CMOS 工艺直接刻在硅片上，可以在普通晶圆厂大规模量产，成本和尺寸都下降到可以集成进芯片封装的程度。

硅片如何驾驭光

硅本身不能发光，依赖以下几个核心微观结构的精妙配合：

1）激光源

通常引入外部磷化铟激光器作为光源，提供持续稳定的光束射入硅片内部的通道。

2）核心黑魔法：马赫-曾德尔调制器（MZM, Mach-Zehnder Modulator）

光束进入硅片后，是连续不断的，这代表不了 0 和 1。我们需要以每秒上千亿次的极高频率把切断和打开，这就依赖 MZM。

数据编码依靠马赫-曾德尔调制器 MZM 完成。光束进入芯片后被分成两条并行路径，通过向硅中注入或抽出电子，硅的折射率会发生微小改变，导致其中一条路径的光相位产生偏移。

硅光芯片通过电极，根据我们要发送的 0或 1，瞬间改变其中一条路径的折射率，导致这条路里的光子跑得稍微慢一点点。

两路光重新汇合时，相位相同则叠加增强，代表 1，相位相反则互相抵消变暗，代表 0。整个过程没有任何机械部件，纯粹依靠改变硅的微观电学特性，就实现了每秒数百亿次的光信号调制。

3）接收端：锗探测器

接收端则依赖锗探测器。硅的带隙太宽，无法吸收红外光，工程师在硅片内局部掺入锗元素，锗吸收到光子后立即激发出电流，将光信号精确还原为电信号。

CPO：把光学引擎装进芯片封装

理解了硅光的器件原理，CPO 共封装光学的意义就清晰了。

传统方案中，光电转换发生在服务器前面板的可插拔光模块里，距离交换芯片有十几厘米的 PCB 走线。

在 112Gbps 以上的速率下，这段铜线路径对信号的破坏程度极大，每个光模块里必须内置一颗专门负责信号整形的 DSP 芯片。

它不做任何计算，唯一的工作就是把走烂了的信号洗干净再交给调制器。在一台 51.2T 的交换机里，这些 DSP 消耗的电力甚至超过了交换芯片本身。

CPO 的解法是把硅光引擎直接封装进交换芯片所在的同一块基板，电信号出芯片后走两三毫米就进入光学引擎。在这么短的距离内，高频信号几乎没有任何衰减，DSP 因此可以彻底去掉。

整个光互联系统功耗降低 50%以上，光纤不再插在面板上，而是直接连入芯片封装内部。

为什么博通在这里的优势难以复制

CPO是三个顶级工程领域的交叉：数字交换逻辑、高速模拟接口，以及硅光引擎与晶圆级封装。

博通恰好在这三个方向上同时具备量产能力——Tomahawk交换芯片、领先的SerDes IP、以及硅光器件的封装工程。

任何一个环节存在短板，系统级 CPO 就无法实现闭环量产。这种跨领域的同步积累，是博通在 AI 底层基建中护城河最深的地方。

AI 更多参数、更多数据、更多 GPU，模型就会更强。

但这个逻辑有一个前提，网络通信能跟上。当集群规模扩张到三五十万张 GPU，如果底层网络带宽和延迟无法支撑，增加算力反而会因通信拥堵导致效率下降。

CPO 是目前已知的、能在物理层面撑住这个扩张逻辑的解法。

能耗是另一个维度。目前很多地区新建数据中心的瓶颈不是买不起 GPU，而是当地电网供不了电。传统架构下，相当比例的电力被用于数据搬运而非计算。CPO 把互联功耗砍掉一半，省出来的电力直接转化为可以多部署的 GPU 数量。

从竞争格局看，CPO 把入场门槛从芯片逻辑设计拉升到硅光物理+先进封装+热力学+模拟电路的全栈能力要求。

过去一家初创公司融几千万美元还能在以太网芯片市场找到立足点，CPO 时代这条路基本关闭。

能同时拿出顶级数字交换逻辑、顶级 SerDes、以及硅光封装量产能力的公司，全球范围内屈指可数。

博通与英伟达 CPO：两场不同的战争



博通和英伟达的 CPO 两者瞄准的战场不同。

博通 CPO 是为了把数以万计的服务器高效连接起来，英伟达的 CPO 是为了把 GPU 本身的计算边界向外无限延伸。

博通：以太网的终极形态

博通 CPO 的核心逻辑是围绕 Tomahawk 交换芯片展开的。把硅光引擎封装进交换芯片的同一块基板，省掉面板光模块和 DSP，让数据出芯片后几毫米就变成光子。

目标是让成千上万台服务器之间的数据传输更快、更省电、密度更高。不管这些服务器里装的是谁的 GPU。

中立性是博通商业模式的核心。谷歌、Meta、微软这些不愿被英伟达全栈绑定的云厂商，用博通的 CPO 以太网连接自研芯片或 AMD 的 GPU，博通是整个开放生态的网络基础设施供应商。

目前博通的 Bailly 51.2T CPO 交换机已经进入量产交付阶段，是全球唯一能稳定向云计算巨头规模出货 CPO 系统的厂商。

英伟达：把 NVLink 变成光

NVLink 是英伟达用于连接 GPU 的私有高速互联技术，目前依靠铜线在同一机箱内连接最多72张GPU。

问题在于 GB200 这代产品，机箱内的 NVLink 铜缆总长度已经达到数英里，重量极大，散热极难，铜线互联已经逼近物理极限。

英伟达正在与台积电合作，计划将硅光引擎直接封装进 GPU 或 NVSwitch 交换芯片，让 NVLink 跨越机柜边界，通过光纤连接数千乃至上万张 GPU，也就是 Optical NVLink。

一旦成功，英伟达可以直接向客户交付一个用光互联融合的超大规模算力系统，整个系统内没有标准以太网，没有博通的交换机，全是英伟达自己的私有协议栈。

这是一个彻底封闭的生态，也是一个想象空间极大的商业图景。

当前格局与未来走向

在 CPO 的工程落地层面，博通目前领先英伟达大约一到两年。

英伟达的 Optical NVLink 还处于与台积电联合打样的阶段，预计要到 Rubin 或更下一代架构才会大规模成熟。

但从战略杀伤力来看，两者的方向决定了截然不同的终局。

博通的 CPO 延续并强化了现有的开放网络架构，把标准以太网的性能推向物理极限，联合云厂商和 AMD 共同对抗英伟达的封闭生态。

英伟达的 CPO 则试图彻底消除网络这个概念本身，让分布在不同机柜里的 GPU，在算法视角下感觉就像焊在同一块主板上，届时计算、存储、网络在英伟达体系内实现一体化闭环。

这场博弈的胜负，最终取决于一个商业判断：云厂商们更害怕被英伟达锁定，还是更渴望英伟达那套买来即用的超级算力？

如果前者占主导，博通的开放路线就有持续的生存空间；如果英伟达的算力集群足够香，香到让人心甘情愿接受私有协议，博通的以太网生态就会面临真正的战略压力。

网络操作系统与行业技术对比



开放网络软件：SONiC 如何控制博通芯片



博通的 Tomahawk 和 Jericho 交换芯片本身是纯硬件，需要一套软件来下达指令。

传统方案是思科这类厂商提供的闭源网络操作系统，硬件和软件捆绑销售，客户无法自行修改底层逻辑。

微软、谷歌这类云厂商不接受这种模式。他们需要根据自身业务深度定制网络行为，而不是被设备商的软件版本迭代节奏绑架。

这推动了软硬件解耦的出现。微软主导开发的 SONiC（Software for Open Networking in the Cloud）是目前最广泛部署的开源网络操作系统，运行在Linux内核之上，管理各个网络功能模块。

底层依赖一个关键接口：SAI（Switch Abstraction Interface，交换机抽象接口）。

每一代 Tomahawk 芯片的硬件实现不同，寄存器地址和调用方式各异。如果 SONiC 直接调用底层，每次芯片迭代都需要大规模重写软件。

SAI 在中间建立了一层标准化的 C 语言 API。博通提供 SDK，将自家芯片的底层操作翻译成统一的 SAI 函数。SONiC 只需调用这套标准接口，不需要关心下面跑的是 Tomahawk 5 还是下一代芯片。

谷歌、Meta 可以在 SONiC 上开发定制化控制逻辑，部署在博通芯片上，不依赖任何设备商的许可或软件版本。

InfiniBand 与以太网：AI 网络工程持续时间最长的路线之争



英伟达收购 Mellanox 掌握了 InfiniBand 完整技术栈，以博通为核心的以太网阵营（UEC 超级以太网联盟，成员包括微软、Meta、谷歌、AMD）则在持续另一种方案。

InfiniBand 从诞生起就为高性能计算设计，原生支持无损传输，发送端必须获得接收端发出的信用额度才会发送数据。

以太网最初为通用互联网设计，默认允许丢包，依靠上层 TCP 协议重传自我修复。为了适配 AI 训练场景，RoCEv2 方案在数据链路层引入 PFC（优先级流量控制）和 ECN（显式拥塞通知），强行打上无损补丁。

在 1000卡以下的小规模集群，InfiniBand 表现更优。在万卡以上的超大规模集群，博通带宽利用率达到 90%以上，延迟与同规模 InfiniBand 方案的差距收窄至可接受范围。

成本是另一个维度。InfiniBand 交换机是以太网方案的3到5倍，且只能采购英伟达的硬件，没有第二供应商。以太网方案基于开放标准，硬件来源多元，议价空间更大。

所以。

对延迟极度敏感、集群规模在数千卡以内、且愿意接受英伟达全栈方案的场景，InfiniBand 依然是更稳妥的选择。

而对于万卡以上、需要多供应商灵活采购、且运维团队有能力精细调优 RoCEv2 拥塞控制参数的超大规模部署，博通主导的以太网方案在性能和成本的综合权衡上已具备竞争力。

这也是为什么 Meta 的 AI 集群、谷歌内部的 TPU 网络，以及微软 Azure 的大规模训练基础设施，都在转向以太网路线。

博通的另一面：VMware与真实的利润来源

如果只看半导体业务，博通确实强大，但它与Marvell这类竞争对手之间的差距，并没有外界想象的那么悬殊。真正把博通推上另一个利润维度的，是2023年完成的一笔610亿美元收购——VMware。

VMware是企业级虚拟化软件的绝对霸主。全球绝大多数大型企业的数据中心，服务器虚拟化、私有云管理、混合云架构，底层跑的都是VMware的软件。

这类基础设施软件有一个典型特征：一旦部署，迁移成本极高，客户几乎不会主动切换。这不是技术锁定，而是组织惯性和历史积累共同构成的粘性——几千名IT工程师积累了十年的VMware运维经验，没有人愿意为了换一套系统重新培训整个团队。

陈福阳收购VMware之后，做了他一贯擅长的事：大幅精简产品线，把原本复杂的授权模式整合为少数几个高价订阅套餐，强制现有客户迁移到新的定价体系。这一策略引发了相当多客户的不满和公开抱怨，但从财务结果来看，效果相当直接。

数字能说明问题。博通整体EBITDA利润率高达67%，而专注于芯片业务的Marvell营业利润率约为15%。这个鸿沟的根源不在于博通的芯片业务效率碾压对手，而在于软件业务的利润结构与芯片业务有着本质差异——软件没有制造成本，边际利润率接近百分之百，一旦建立客户基础，收入几乎是纯粹的现金流。

这也是理解博通商业模式不可忽视的一面。它在AI基础设施领域的技术护城河是真实的，但支撑其整体估值和利润率的，是半导体与软件两条腿并行的结构。单看芯片，博通是强者之一；加上VMware，它是另一种量级的生意。

陈福阳的逻辑始终如一：不追求第一个吃螃蟹，而是找到那些已经被市场验证、客户深度依赖、但尚未被充分货币化的资产，买下来，重新定价，榨取最大价值。博通今天的样子，是这套逻辑二十年持续执行的结果。

结语



英伟达和博通代表两条平行但同样不可或缺的路线。

英伟达是通用整机，从 GPU 到互联协议到整套服务器系统，形成封闭但强大的全栈方案，主导当前 AI 算力市场绝大多数份额。

博通是定制，不造整机，让算力协作。谷歌 TPU、Meta 自研芯片，这些试图摆脱对英伟达单一依赖的定制方案，几乎无一例外地建立在博通的网络芯片、物理接口和封装工程能力之上。

两种路线并不对立，但博通在定制上的垄断地位，使其成为 AI 基础设施领域真正意义上的第二极。

CPO 硅光技术是博通另一个战略支点。当前 AI 集群扩张面临的根本瓶颈，不是算力本身，而是算力节点之间的数据传输。

铜线的物理极限正在成为制约集群规模继续增长的硬约束。

CPO 把光电封装进交换芯片，从空间密度、布线复杂度和传输延迟三个维度突破传统架构的天花板，是目前已知的、能在工程上支撑下一阶段算力扩张的解法之一。

博通不仅是这项技术的先行者，也是目前唯一能规模量产 CPO 系统的供应商。

就在近期，博通与谷歌、Anthropic 签署了新一轮长期合作协议，进一步扩大了 TPU 定制芯片的生产供应，侧面印证了其在 AI 定制芯片和互联技术领域的不可替代性。

截至目前，覆盖博通（AVGO）的华尔街分析师中，31位分析师给出的共识评级为强烈买入，12个月平均目标价约 464美元，目标价区间从 314美元到 630美元不等。

从基本面来看，博通目前持有约 730亿美元的 AI 订单积压，管理层认为这一数字在执行节奏上相当保守，实际交付周期可能比预期更短。

博通的市值，取决于 AI 算力需求的实际扩张速度、CPO 技术的量产进展，以及英伟达闭源生态与开放以太网阵营之间博弈的最终走向。

就当下的产业格局而言，博通所处的位置，本身就是一种稀缺的价值。







想发布自己的文章？
升级为 Premium





上午10:35 · 2026年5月28日
·
2.1万
查看