Broadcom FY2026 Q3：从客户的计算成本，看定制芯片的需求与利润¶

原分析日期：16 Sep 2026。财报发布日期：2 Sep 2026；报告期截至 2 Aug 2026。

注记 · 23 Oct 2026 按客户成本、研发、生产、部署和收入重新整理。金额默认单位为十亿美元（b）。财报数据采用公司披露，成本测算注明研究机构与适用条件。

客户通过产品价格支付研发、制造和供应商利润¶

客户购买 NVIDIA GPU，通过产品售价支付制造、研发、软件生态的成本和 NVIDIA 的利润。采用定制 XPU 后，客户直接承担部分研发和软件投入，再向 Broadcom 采购量产芯片。 两条路线的经济性，取决于这些支出合计后，完成同样任务需要多少钱。

XPU 是本文对定制 AI 加速器的统称，Google 的 TPU、Meta 的 MTIA 是具体产品。它们拥有自己的计算单元、内存接口和执行软件，可以承担训练或推理任务。Broadcom 按客户规格开发和供应这类芯片。（Broadcom FY2025 10-K）

客户将任务部署到 XPU 后，相应的计算硬件采购便从 GPU 转向 XPU。替换主要发生在新增采购和设备更新时：已有 GPU 继续服务原有任务，适合定制硬件的新增任务进入 XPU 集群。客户的 AI 计算需求持续增长时，两类芯片的采购可以同时增加。

Broadcom 的收入确认政策列有一次性工程开发费（NRE）安排。具体项目怎样分担研发投入、怎样确定量产价格，由合同约定；单个 AI 项目的费用明细仍待公开披露。（Broadcom FY2025 10-K，收入确认政策）

从传统定制芯片到 AI 扩张：2025 年前后的增长曲线¶

新增 · 26 Oct 2026

Broadcom 的定制芯片能力长期服务于通信、数据处理和专用计算。以 2025 年前后观察业务变化，可以看到两条需求来源：已有业务为提高处理效率而采用专用芯片，AI 客户为扩大训练和推理规模而持续增加加速器及网络采购。公司披露显示，AI 的收入加速已发生在 2023–2024 年，2025 年则成为 AI 收入超过半导体收入一半的节点。

早期需求：通信设备和视频处理¶

2014 年，后来并入现今集团的 Broadcom Corporation 已在年报中列出 Custom Silicon Products：把客户自己的知识产权与其他电路整合到一颗 ASIC 中，为客户取得成本、功耗和性能收益。当时公司的主要市场是有线与无线通信，定制化是设备厂商实现产品差异和系统集成的一种方式。（Broadcom Corporation 2014 年报，Custom Silicon Products）

到 2023 年，SemiAnalysis 记录的 Broadcom 定制产品已经包括定制路由与交换芯片、YouTube 视频编码芯片，以及 Google TPU、Meta MTIA。该机构当时估计，Custom Silicon 已发展为年收入约 2–3b 以上的业务；这是包含 AI 项目的研究估计，公开年报尚未提供完整的非 AI 定制芯片逐年收入。（SemiAnalysis，2023 年业务梳理）

YouTube 视频处理提供了清晰的非 AI 需求案例。用户上传的视频需要转换为适合不同设备、清晰度和网络条件的版本。视频量增长、分辨率提高，以及更复杂的压缩格式，都会增加计算开支。Google 在 2021 年发表的 VCU 论文报告，专用视频加速器在真实数据中心任务中的效率，是此前经过优化的无加速器系统的 20–33 倍。（Google，视频加速器设计与部署论文）

这类需求与本文开头的成本逻辑一致：客户已有大量重复任务，投入专用硬件开发，以后续每次处理节省的资源回收投入。视频分钟数、编码复杂度和设备升级决定业务量；工程能力沿产品迭代积累。

财务曲线：AI 规模上升，非 AI 业务经历收缩¶

下面按公司披露的 AI 半导体与其余半导体收入观察需求变化。AI 半导体包含定制加速器和 AI 网络；其余部分包含无线、宽带、存储及传统网络等产品。非 AI 定制芯片的规模，仍需在更细的产品披露中追踪。

金额单位为 b。FY2020–2022 的 AI 占比来自公司 2024 年投资者演示；FY2022 金额按约 10% 占比推算。FY2023–2025 AI 金额采用公司后续披露，非 AI 为半导体总收入减 AI 收入。表中金额四舍五入，图与下文增量采用原始半导体收入及披露的近似 AI 金额计算。（FY2021 财报，含 FY2020；FY2023 财报，含 FY2022；FY2024 财报；FY2025 财报；2024 年投资者演示，第 14 页；2025 年股东委托书；2026 年股东委托书）

FY2020–FY2022 是传统业务占主导的扩张阶段：半导体收入从 17.3b 升至 25.8b，AI 占比在这段时期从低于 5% 升至约 10%。通信、无线、宽带和存储等需求构成了当时绝大部分业务，AI 需求随后在这套产品和工程基础上扩大。

FY2024 最能体现两类需求的差异。 AI 收入增加约 8.4b，非 AI 收入减少约 6.5b，两者合计后半导体收入增加约 1.9b、增长约 7%。公司当年披露，AI 收入同比增长约 220%，来自 XPU 和以太网产品。增长的新需求与传统业务下行，在同一份财报中同时出现。（FY2024 财报）

到 FY2025，AI 收入再增加约 8.0b，非 AI 收入减少约 1.2b，半导体总收入增加约 6.8b、增长约 22%。AI 已成为增长的主要来源，并占半导体收入约 55%。（FY2025 财报；2026 年股东委托书）

需求变化怎样放大既有能力的价值¶

从需求机制看，传统定制项目围绕具体设备或任务优化，订单随设备出货、业务量和产品升级展开。AI 项目把这套工程能力用于持续扩张的计算集群：客户既要增加计算芯片，也要增加芯片间的数据传输能力。

Broadcom 的 2024 年演示资料给出了集群规模的变化：每个集群的 XPU 数量，从 2022 年的 4,000 颗以上，升至 2023 年的 10,000 颗以上、2024 年的 30,000 颗以上。单个部署规模扩大，使已经验证的接口、封装和量产流程承接更多芯片出货，并带动连接产品需求。（2024 年投资者演示，第 17 页）

这个案例显示，成熟的定制芯片能力，可以在客户工作量急剧扩张时获得新的增长曲线。 传统业务提供长期积累的 IP、实现与交付能力，AI 工作负载带来加速器及配套网络的新增需求。判断增长持续性，需要继续观察客户计算量、单位任务效率和后续部署，而传统业务仍按各自的终端需求与库存周期运行。

从业务任务到量产部署，各环节怎样分工¶

客户定义要优化的任务¶

需求首先来自客户已有的业务：内容推荐、广告排序、模型训练，以及向用户提供生成式 AI 推理。客户能够从生产系统中测量请求量、响应速度、设备利用率和成本，确定值得优化的任务。

Meta 已披露部署数十万颗 MTIA，为内容和广告推理服务。其后续路线以生成式 AI 推理为重点，并采用多种芯片分别满足不同任务。长期、大规模的业务使用，为定制硬件提供了持续的工作量。（Meta，MTIA 路线说明）

客户需要把业务要求转成硬件目标，例如在给定响应时间内处理多少请求、需要多少内存、芯片之间交换多少数据，以及每个机架允许使用多少电力。这些目标决定后续架构设计。

客户与 Broadcom 完成芯片设计¶

客户从自身任务出发，定义计算、内存和通信需求；Broadcom 提供可复用的芯片设计模块（IP），并参与设计集成、验证、物理实现和封装工程。物理实现要把设计落实为满足频率、面积、功耗和可靠性要求的电路。

Broadcom 公开的 3.5D 平台将计算、内存和输入输出接口集成到同一封装中，并提供关键接口 IP 的验证与生产准备。它把多年积累的底层模块和工程流程用于客户项目。（Broadcom 3.5D XPU 平台公告）

2026 年 4 月，Meta 宣布与 Broadcom 扩大多代合作，范围涵盖芯片设计、先进封装和网络。双方合作已延伸到连续多代产品的规划和交付。（Meta 与 Broadcom 的合作公告）

软件团队把模型映射到硬件¶

模型需要经过软件转换，才能在芯片上高效率执行。编译器后端把模型运算映射到硬件支持的指令和数据布局，算子实现负责具体计算，运行时管理内存、执行和同步。

NVIDIA 的 Tensor Cores 提供矩阵计算能力，TensorRT 等工具优化执行方式、融合操作并减少数据搬运。客户在这套成熟工具上完成模型适配和性能调优。（NVIDIA GPU 性能说明；TensorRT 优化说明）

定制 XPU 路线需要客户和相关平台团队维护对应的软件能力。软件成熟度直接影响芯片利用率、模型覆盖范围和迁移时间。Meta 的路线采用 PyTorch、vLLM、Triton 等软件生态，并通过模块化设计加快产品部署。（Meta，MTIA 路线说明）

供应商完成制造、封装与测试¶

设计完成后，晶圆厂制造电路，内存供应商提供高带宽内存（HBM），封装与测试环节将计算芯片、内存和接口组合成可交付产品。制造成本受到制程、芯片面积、内存配置、封装复杂度和良率影响。

Broadcom 依赖外部制造供应链。本财年前三季度，合同制造商为其生产的晶圆约 95% 来自台积电。先进制程、内存和封装的供应情况，会影响交付量、成本及时间。（FY2026 Q3 10-Q，供应链风险）

系统厂商和客户完成部署¶

芯片随后进入服务器、机架和数据中心。客户在真实任务中验证吞吐、响应时间、利用率、耗电和运行稳定性。网络、电力、散热、软件与计算硬件共同决定有效产出。

具体项目的分工随合同而变化。项目进入量产后，客户还要维护软件、扩大部署，并规划下一代芯片。

成本节省来自采购价格和任务效率¶

采购价格决定客户买到算力的成本¶

定制路线的产品价格同样包含供应商利润。客户比较的是包含这些利润后的整套采购与使用成本。

SemiAnalysis 在 2025 年 11 月的 TPU 研究中分析了这种空间：Google 采购 TPU 向 Broadcom 支付利润；NVIDIA 则通过其销售的 GPU、CPU、交换机和网卡等产品取得收益。该机构估算，Google 自用的特定 Ironwood 全系统配置，按芯片分摊后的总拥有成本（TCO，包含采购及使用成本）比 GB200 方案低约 44%。这项估算描述系统成本，完成任务的成本还取决于有效吞吐。（SemiAnalysis，TPUv7 研究）

从客户角度看，定制路线使一部分原先用于采购供应商产品的支出，转向自身研发与平台建设。最终节省多少，由双方的产品定价、系统配置和运行效率共同决定。UBS CIO 的研究也强调了销售价格与内部制造成本的口径差异；采购决策应使用客户实际支付的价格。（UBS CIO，PDF 第 14 页）

专门设计提高目标任务的效率¶

客户了解任务中的主要瓶颈，可以据此分配芯片面积、功耗和内存带宽，优化计算与数据搬运的比例。

Google TPU v4 的 SparseCore 是具体例子。搜索、广告和推荐模型使用大量 embedding 操作，即从庞大的特征表中查找、搬运和交换数据。SparseCore 专门加速这类处理。Google 论文报告，它占约 5% 的芯片面积和功耗，对依赖 embedding 的模型带来 5—7 倍加速；这一数字衡量 SparseCore 对相应模型的贡献。（Google TPU v4 论文）

这种设计把工程投入集中到客户大量执行的操作上。收益可以体现为更少的设备、更高的吞吐、更低的耗电，或更好的响应速度。对持续运行的大规模任务，每次处理节省的资源会累积成可观的年度成本差异。

同任务测试衡量最终产出成本¶

客户最终需要比较：在相同模型、质量和响应要求下，每次推荐、每个 token 或每次训练花费多少。

SemiAnalysis 于 2026 年 9 月发表的 InferenceX 预览测试，在 Qwen3.5 397B、FP8、8k 输入/1k 输出及集中式服务配置下，给出了以下估算。比较点的每用户生成速度均为 100 tokens/s：

这里采用外部客户采购 TPU 的 TCO 口径。测试吞吐与成本模型结合后，反映这一任务和服务配置下的单位产出成本。（SemiAnalysis，测试与方法）

测试状态为预览，硬件成本来自模型，页面内容按 22 Oct 2026 的可见版本读取。精度、首 token 延迟、并发和服务方式都是比较条件。Google 自身研发项目的回报，还需要加入它承担的研发和软件投入。

规模、软件复用与产品寿命决定回本¶

定制芯片有较大的前期投入。项目先取得单位任务成本优势，再靠足够的使用量积累节省，覆盖研发、软件和迁移支出。规模的作用是摊薄固定成本，并放大每次任务的节省。

Morgan Stanley 在 2023 年的定制芯片研究中，将前期设计费、规模带来的固定成本摊薄及供应商议价权放在一起讨论。这项历史研究提供了分析框架，具体项目成本需要使用对应代际和合同的数据。（Morgan Stanley 原研报，印刷页 20–21）

芯片寿命取决于后续模型对计算、内存和通信能力的需求。TPU 等加速器通过软件运行不同模型，客户持续更新编译器、算子和运行时，使新模型利用已有硬件。多代产品还可以复用接口、验证流程和机架设计；Meta 的模块化路线就以这种复用加快迭代。（Meta，MTIA 路线说明）

回本条件可以概括为：

在芯片的经济使用期内：

被替代方案的采购与运行成本
− XPU 方案的采购与运行成本
>
新增设计、软件、迁移及过渡投入

核算时按合同归集各项费用，每笔费用计入一次，并考虑资金时间价值、延期和提前淘汰。持续维护的软件费用进入相应方案的运行成本。

GPU 路线的经济价值包括成熟软件、较快部署和跨任务调配能力。客户已有的软件积累、预计使用量，以及部署时点可购买的最新产品，共同决定它适合承担多少定制投入。任务明确、规模大且软件能力强的客户，更容易回收这笔投资。

系统费用也会影响回本。Morgan Stanley 在 2025 年研究的媒体转述中讨论了光连接、HBM、先进封装及软件工时对成本的影响。该来源为媒体转述，项目核算仍需取得实际报价和工程投入。（Morgan Stanley 研究的媒体转述）

TPU 的代际更新：旧设备用途、经济寿命与残值¶

新增 · 26 Oct 2026

芯片更新会改变旧设备能够承接的任务、每单位计算成本，以及后续出租和出售的价值。Google、NVIDIA 和研究机构从这些不同环节讨论设备寿命。

Google：多代 TPU 同时服务，设计需要预判任务持续性¶

2025 年 10 月，Google 的 AI 基础设施负责人 Amin Vahdat 在 a16z Runtime 活动上表示，公司当时有七代 TPU 同时服务内部和外部客户，七八年前的 TPU 利用率仍达到 100%。他将这一使用状况放在算力供给受电力、土地、许可和供应链约束的背景下讨论。（a16z，Google 与 Cisco 访谈，2025-10-29）

同一场访谈中，Vahdat 也指出，顶尖团队从专用芯片构想到生产部署，理想情况下需要约 2.5 年。因此，设计团队要预测未来的任务需求及其持续时间。这是专用硬件投资的重要风险：前期设计依据的工作量，要在芯片交付后继续支撑足够长时间的使用。

这些陈述提供了 Google 实际使用旧 TPU 的信息。各代设备的任务组合、利用率统计定义和净现金流，仍需更细的披露。

Google：更新由能效与系统改造共同决定¶

在 Sequoia 的另一场访谈中，Vahdat 介绍，旧 TPU 仍有显著使用量；Google 会结合约六年的折旧周期和新设备的能效安排更新。实际操作通常以整个 TPU pod 为单位，还要处理新旧系统占地和基础设施改造。（Sequoia，Amin Vahdat 访谈）

对客户而言，继续使用旧系统能节省新增采购，更换系统则可能提高有限电力与机房中的计算产出。更换时点取决于两种安排各自的成本和收益。约六年是访谈提到的折旧周期，具体设备的运行与更换由系统部署情况决定。

NVIDIA：软件更新和任务范围延长设备价值¶

NVIDIA 在 2026 年 10 月的官方文章中，将平台的长期回报归于产出能力、使用寿命和任务适用范围。它强调 CUDA 跨代软件支持及持续优化，使已安装 GPU 继续提升产出；旧设备还能转去承接其他 AI 阶段，以及科学计算、仿真和图形等工作。（NVIDIA，Productive, Durable, Fungible，2026-10-01）

这套竞争论述把 GPU 的灵活性转化为资产价值：一种任务需求下降时，更广的适用范围有助于设备继续找到工作。该文章是供应商对自身平台的说明，TPU 与 GPU 的实际寿命差异还需要同批设备的长期使用与交易数据。

Goldman Sachs：性能价格比和后续任务决定经济寿命¶

Goldman Sachs 将 AI 加速器常见的寿命假设列为 4—6 年，并讨论两股同时存在的力量：新一代产品的性能价格比改善，推动客户更新；推理、合成数据等后续任务扩大，为旧设备延续用途。其讨论覆盖 GPU 和 ASIC。（Goldman Sachs，The Economic Useful Life of AI Chips）

财务模型对使用年限的假设会直接影响项目回报。如果经济使用期缩短，客户需要更早购买新设备，并在更短时间内回收原有投资。这里应同时跟踪旧设备的任务收入、耗电、维护费用，以及新设备在同一部署条件下的产出。

Epoch AI 提供了另一种历史观察。其 2025 年研究统计芯片设计公开发布后，到最后一个已知采用它的前沿模型发表之间的跨度，较新芯片样本的中位数约为 3.9 年。该指标衡量前沿训练中的公开使用窗口；设备后续承接推理和其他任务的时间属于另一段使用记录。（Epoch AI，2025-03-05）

KBRA：租约到期后的客户和价格决定退出价值¶

评级机构 KBRA 于 2026 年 6 月发布 GPU、TPU 再出租风险研究。公开发布说明列出的评估因素包括：原客户续租、第三方需求、任务适配、芯片可替代性、软件转换成本、单位计算电力成本和更新策略。（KBRA，研究发布说明，2026-06-22）

原客户拥有现成软件和任务，可以继续使用旧设备；金融机构接手资产后，则需要找到愿意支付合适价格的客户。后者的需求范围与迁移成本，会影响再出租收入和处置价值。本轮取得的是 KBRA 官方发布说明，完整报告正文尚待取得，公开说明没有给出 TPU 相对 GPU 的残值折价比例。

这与 Broadcom 的客户融资相连：租约期间的设备利用率、租约到期后的续租能力，以及违约后的资产处置价格，分别影响不同阶段的现金回收。

产品服务的实际更新记录¶

2025 年 8 月，Colab 官方宣布将免费层 TPU v2-8 切换至 v5e-1，计划于同年 9 月完成。Cloud TPU 的 v2、v3 文档在 2026 年 10 月仍列有支持配置，支持终止日期标为未设定；v2 所用的 Cloud TPU API 进入缺陷和安全维护阶段，v3 可通过 GKE 管理。（Colab 官方公告；Cloud TPU v2；Cloud TPU v3）

这些记录呈现了服务渠道各自的更新安排。判断某代 TPU 的经济价值，还需要逐代任务分配、实际运行成本与二次租售成交记录。现有资料提供了运营方的使用陈述、供应商的平台论述和金融机构的评估框架，支持进一步追踪这些具体指标。

Broadcom 从开发、量产和多代合作取得利润¶

一项合作可以带来开发服务收入、量产芯片毛利，以及配套网络和连接产品收入。开发费用及风险分担按合同约定，量产芯片的采购价格则覆盖生产成本和 Broadcom 的产品利润。（Broadcom FY2025 10-K）

客户节省与供应商利润能够同时产生：定制方案相对于替代方案创造的价值，一部分由客户保留，一部分通过产品和服务价格由 Broadcom 取得。

项目量产后，利润取决于出货规模、单位毛利、软件与系统部署进度，以及下一代合作。多代项目复用底层 IP 和工程经验，使既有投入持续产生收入。客户也会根据成本、交付和技术路线选择设计伙伴，Broadcom 需要持续提供有竞争力的工程能力。

Broadcom 在 AI 基础设施中有两类相关产品：

• 定制 XPU承担计算任务，争取客户的计算硬件预算。
• 网络和连接芯片承担数据传输，可以服务 XPU 或 GPU 集群。

因此，Broadcom 的 AI 收入同时受计算平台选择和网络建设影响。配套产品的供应份额由各项设计与采购决定。

FY2026 Q3：需求转化为收入和现金流¶

本季度总收入 29.591b，同比增长约 86%；AI 半导体收入约 16.7b，同比增长 221%。收入增量主要来自 AI 半导体。（FY2026 Q3 财报；FY2025 Q3 财报）

AI 半导体贡献约 84% 的同比收入增量，占集团收入约 56%，包含定制加速器与 AI 网络产品。非 AI 半导体为半导体分部减 AI 半导体的近似值，受四舍五入影响。

半导体分部收入 20.839b、分部营业利润 12.770b，分部营业利润率约 61.3%。分部口径涵盖多类半导体产品，部分股权激励及收购摊销等费用列在集团未分摊项目中。集团本季度自由现金流（FCF，经营现金流减资本开支）为 13.665b，约占收入 46%。（FY2026 Q3 10-Q；FY2026 Q3 财报）

软件业务继续贡献利润和现金流；定制加速器与 AI 网络构成当前收入增长的主要来源。

客户融资把支付能力纳入交付链条¶

Broadcom 在 Q3 披露，为金融合作方承接的 AI 机架客户五年租赁义务提供担保支持（backstop）。全部机架部署后的最大潜在责任约 29b；截至报告期，相关担保的公允价值不重大，已支付金额为零。（FY2026 Q3 10-Q，Financial Guarantee）

这种安排使金融合作方购买设备，客户通过租赁取得算力。Broadcom 承担约定的担保责任，其风险敞口随部署、客户付款及设备处置价值变化。订单的经济质量因而同时取决于客户业务收入、租赁支付能力和设备剩余价值。

从需求到现金回收，可以沿以下环节跟踪：客户任务规模、芯片和软件就绪程度、实际单位任务成本、量产与数据中心部署进度，以及客户付款。现有财报提供收入、利润和担保责任，公开案例提供任务与产品进展；单个项目的完整开发费、采购价、软件工时和实际回本期仍待披露。

Comments