價值歸前沿模型，晶片是必要分食者；

繫結 6 家閉源前沿模型客戶，以協同設計定製 XPU 建構護城河；

用先進封裝與多 die 整合替代製程演進，把價值從晶圓廠轉向架構與整合；

收入指引受供給約束，真正瓶頸是電力與資料中心施工；

用 XPV 融資結構承接無現金流前沿客戶，轉移信用風險、擴大 TAM；

資本配置轉向分紅+回購，不提前償還低息債。

最大矛盾與跟蹤點：AI 收入指引能否兌現，取決於電力/施工而非晶片；客戶商業成功與信用敞口間接掛鉤；開源模型若收入側改善，可能重估“價值歸閉源”的核心論斷。

一、AI 採用觀：企業仍處早期，ROI 只在"高品質創造"場景成立

Hock Tan 以 Broadcom 自身為樣本（3 萬名工程師中 1.5 萬人使用 AI 工具，借助 Mythos Preview 等模型），給出非常冷靜的企業 AI 採用畫像：

最大瓶頸不是模型而是"用例與使用者"：找到 ROI 顯著且清晰的用例很難；模型只是工具，不同人使用效果天差地別，像用 ChatGPT 一樣取決於 prompt 能力。

真正立得住的用例：①晶片/系統設計——AI 提升的是質量而非泛泛的生產力，價值錨點是避免一次 leading-edge respin（6 個月 + 3000 萬美元），這個 ROI 清晰可算；②用 Mythos 做網路安全掃描；③未來用頂級模型復刻特定功能軟體棧（尚未投入，潛在回報大）。

好使用者的定義：能看懂上下文、環境和工作流的"關鍵思考者"（架構師、資深人士）；過去 3 個月剛開始用 agent，重要性將進一步放大。一句話："AI 幫助非常聰明的人變得更聰明"——暗含對"AI 普惠替代人力"敘事的保留。

二、價值歸屬論：價值流向"最好的前沿模型"

Tan 的核心立場：AI 像半導體一樣，"最好者通吃，第二名一無所獲"。他給出的經濟學帳：

1 GW ≈ 300 億美元 ARR，運行成本約 100 億美元/年 → 200 億美元歸屬於模型方及應用，100 億美元由電力、雲、晶片、記憶體分食。

因此只要前沿模型保持（近）指數級改進，價值鏈長期駐留在模型層；晶片層是"必要的分食者"，而非價值終點。

他用同一邏輯判斷開源模型：全球推理 token 年化生成成本約 2000 億美元，對應模型方收入約 1500 億美元；其中前沿模型消耗約一半 token、拿走 75% 收入（1200 億 vs 1000 億成本），開放權重模型消耗另一半以上 token、卻只產生 300 億收入 vs 1000 億成本——開放原始碼的商業模式可持續性存疑。結論：價值歸屬於智能持續改進之處。這也意味著 Broadcom 的客戶結構天然繫結閉源前沿模型陣營。

三、定製矽片（XPU）業務：協同設計是護城河本體

客戶畫像極度聚焦：只有 6 家客戶，全部是自研前沿模型者；合作邏輯不是供應多元化或單純降本，而是與模型演算法深度耦合的協同設計——客戶把模型突破轉化為架構規格，Broadcom 負責微架構與物理實現。

OpenAI/Jalapeno 是能力證明：10 GW 協議（2025 年 10 月）後 9 個月內交付首款 XPU 樣品，性能對標乃至超越最強通用加速器；目前已在共同開發後續兩代。

對 Google 的 LTA（至 2031）：合作 10 年、歷代的 TPU 共同演進；面對"客戶自研"擔憂，Tan 列出的護城河包括：高速 SerDes/IO IP、單位面積乘法器密度、多 die 間低功耗高速互聯、先進封裝，以及 30 年與同行（乃至與客戶內部團隊）競爭的經驗。關鍵資訊：他把客戶自研也視為常態競爭對手，而非不可承受威脅。

四、"後摩爾定律"敘事：以封裝整合替代製程演進

先進製程每代僅能擠出約 5% 性能提升，摩爾定律終結；

物理上限：單 die 光刻極限 800mm²；Broadcom 的路徑是 2 die → 當前 4 die → 下一代或達 8 die 合一（等效約 6000mm² 單晶片）；

價值創造點從晶圓廠轉向晶片架構與整合設計（die 間通訊、低功耗一致性、先進封裝）——這些是 Broadcom 自有、且與客戶模型迭代深度繫結的能力，也是對 Google/OpenAI 持續吸引的技術核心。

五、收入路徑與約束：約束在"電與樓"，不在"片與存"

指引：AI 收入 2027 年 1150 億美元、2028 年 2300 億美元，且是"供給受限"口徑——即不是需求上限，而是交付上限。

約束分層：晶片側（先進晶圓、HBM、基板）已大部分鎖定（2027 鎖定、2028 鎖定中），相對可控、確定性強；真正不確定的是資料中心物理交付——電力就緒場地、變壓器/燃機、施工速度與地方許可。要讓場地 2028 年電力就緒，客戶現在（提前約 1.5–2 年）就得開工。

含義：Broadcom 的預測只建立在"clear line of sight"上，因此 2300 億並非拍腦袋上限，而是把電力/施工進度計入後的審慎數字；反過來，電力與施工的任何提速都可能帶來上行。

六、XPV 融資結構：用金融工程承接"無現金流的前沿客戶"

針對 6 家客戶中 2 家最強者（OpenAI、Anthropic）現金流不足以支撐算力的問題：

首期 350 億美元、Apollo + Blackstone 參與、覆蓋 20+ GW；Anthropic 今年 1 GW、2027 年 5 GW；

結構要點：Broadcom 不直接放貸、不從自家資產負債表掏錢；金融夥伴承擔主要風險（動機是相信需求 + 更優利率），Broadcom 僅對裝置提供殘值擔保式 backstop；

Tan 反覆強調"這不是循環融資"：客戶可以不買 Broadcom 晶片，融資創造的是真實存在的需求。

戰略意圖：在 6 家閉源前沿模型"不知道誰贏、可能共存"的格局下，Broadcom 用資本結構手段把自己繫結到贏家身上，擴大可服務市場（TAM），同時把信用風險轉移給金融資本。

七、資本配置：分紅 + 回購，不提前還低息債

2026 年 10 月底將錄得創紀錄現金；2027 年含非 AI 與軟體後自由現金流率約 40 中段，2028 年更甚；

560 億美元債務鎖定於低利率時代 → 提前償還不理性；資本配置實際只剩兩選項：增加分紅與股票回購；具體方案待 12 月董事會。

資料中心物理交付（電力就緒、施工許可、燃機/變壓器）是 2027–2028 指引下修或上行的第一變數；客戶開工進度是領先指標。

閉環疑問：XPV 結構雖已隔離資產負債表，但"裝置殘值擔保 + 客戶收入仍依賴模型貨幣化"意味著 Broadcom 的信用敞口與客戶商業成功間接掛鉤；需跟蹤 Anthropic/OpenAI 的收入兌現與再融資能力。

開源陣營的潛在反擊：Tan 的 2000 億/1500 億帳是靜態快照，若開放權重模型收入側改善（如企業私有化部署放量），其"價值歸閉源"論斷和客戶集中度邏輯都需要重估；他對此留了"一兩年可能變化"的餘地。

客戶自研/第二供應商：護城河論述（SerDes、乘法器密度、多 die 整合）是否足以長期抵禦 Google 等加深 in-house，需要逐代產品驗證；下一代 8 die 方案的量產良率是試金石。

中國客戶問題：Tan 未正面回答中國開源玩家是否會成為客戶——結合其閉源價值歸屬論與出口管制現實，短期大機率不構成客戶增量。

Broadcom Inc.（AVGO）Goldman Sachs Communacopia + Technology 大會

Hock Tan —— 總裁、CEO 兼執行董事

James Schneider —— 高盛集團研究部

James Schneider（高盛）
大家下午好。歡迎來到高盛 Communacopia 科技大會午餐環節。我是 Jim Schneider，高盛半導體分析師。今天很高興請到 Broadcom 的 CEO Hock Tan 上台。Hock，歡迎，真高興你能來。

James Schneider： Hock，在深入聊你的 AI 業務之前，我想先聽聽你對 AI 及其在全球 adoption 的 broader 看法。鑑於你對企業各方面有深入洞察，值得問一問：你會如何刻畫當下普通企業客戶的 AI 採用現狀？

Hock Tan： 這是個很有意思的問題，Jim。我先從 Broadcom 自身說起——和今天大多數大企業一樣，我們一直在認真研究如何通過前沿模型、甚至眼下流行的開放權重模型來採用生成ative AI。我們認真做這件事已經一年了。我們的一個優勢是能充分使用 Mythos Preview（模型），我們研究它如何幫助業務。

我們重點關注的是：作為科技公司，我們如何創造產品、設計產品——硬體和軟體都算。公司已讓 3 萬名工程師中的 1.5 萬人參與，覆蓋硬體和軟體。收穫了很多洞察、很多經驗。最大的問題是：要找到能產生你所稱"有意義且顯著的投資回報（ROI）"的用例，這並不容易。我猜外面很多公司面臨同樣問題。

第二點是：對前沿模型而言，任何以此建構的應用都只是工具，不是字面意義上用來替代員工的——至少在你意識到它是工具、懂得如何使用之前是這樣。我們發現，不同使用者因人不同，使用這個工具的效果差異很大：有人用得非常好、非常高效，也有人怎麼用都不得其門。就像我們使用 ChatGPT：坦率說，取決於我怎麼問、怎麼寫 prompt，得到的答案質量不一、有些明顯更有用。隨時間推移你會越來越熟練，但終究有上限。

所以我們真正悟到的是：要找到絕佳用例，我認為眼下最直接的一個用例——至少從我們的視角——是創造新產品、創造或幫助我們創造新技術。我們期望的不是讓它憑空創造，而是通過我們的工程師來創造。我們發現真正有價值的是：它以非常高的質量完成創造。質量極為關鍵，這正是 AI 工具能為我們做到、且能加速做到的事情。

對半導體晶片來說，這就有實質意義了：我們的工程師仍然在設計晶片，但如果出了 bug 需要 respin（重新流片），那就是 6 個月時間和 3000 萬美元的成本——對領先製程矽片而言。OpenAI、Anthropic、Gemini 的工具能幫助我們消除 respin 的需要。這就是 ROI。所以我們覺得這是有目標的用例。但若只是單純提升"生產力"，ROI 是有爭議的。核心在於質量、在於加速部署或創造領先技術的時間——而不是回頭重做過去的東西。

另一個應用當然是網路安全，通過 Mythos 做掃描、更好地保護基礎設施。最後還有一點我們還沒用過、但可以想像：在特定職能領域的關鍵思考者（critical thinkers）頭腦中使用類似 Fable 5 這樣的模型，真正復刻我們在特定領域使用的軟體棧。這絕對是大事，能產生巨大回報。但這需要更多投入，我們還沒到那一步。

總結就是：仍處於早期，但我們認為這很重要，最重要的因素是"使用者"。我定義的好使用者是關鍵思考者——簡單說就是架構師、資深人士——他們能理解上下文、理解我們所在的業務環境、工作流，並能指揮模型幹活。我可以想像，當他們開始使用 agent（我們過去 3 個月剛開始嘗試），這一點會變得更加重要。所以概括來說：AI 幫助非常聰明的人變得更聰明。

James Schneider： 說得睿智。我就不說反話了。隨著模型更高效、更強大，你談到 token 成本大幅下降。你個人認為 AI 技術堆疊中最大的價值將歸屬於那裡——模型層、應用層，還是別處？

Hock Tan： 我相信一點：智能，以及智能越多越獨特。這就像做半導體：當我們設計出一款網路交換晶片，是那一代中最好的、恰逢其時，"全世界都會踏破門檻來找我們"。最好的東西沒有替代品，第二名什麼都得不到。我用同樣視角看 AI：只要前沿模型公司持續——我幾乎是說指數級地——改進 LLM，價值隨時間將歸屬於做出最好前沿模型的人。

我們這樣算這筆帳：拿一個非常優秀的前沿模型來說，1 吉瓦可產生 300 億美元 ARR，各位都知道；而運行 1 吉瓦的成本約每年 100 億美元。那麼就有 200 億美元歸屬於模型公司及配套應用，剩下 100 億美元由電力方、雲服務商、乃至晶片和記憶體廠商來分。所以我認為，價值在於創造最好的模型，並通過最好的產品把應用貨幣化。

James Schneider： 明白。好，如今這輪支出與基礎設施建設的節奏和規模超出了很多人預期。在你的定製矽片業務中，你一貫強調只與極少數擁有自研模型、能長期支撐超大支出計畫的大客戶合作。你認為客戶與你合作想達成什麼？是供應多元化、成本最佳化，還是軟體與定製矽片結合帶來的性能優勢？甚至能否量化一下與你合作的優勢？

Hock Tan： 其實非常直接、非常簡單。當我們為客戶設計、開發——我稱之為定製加速器，各位都聽到了，我們叫 XPU——真正有效的前提是：我們與之緊密協同設計、與該客戶緊密合作，而這個客戶在我們看來必須是前沿模型開發者。發生的情況是：我們的工程團隊深度嵌入客戶團隊之中，客戶團隊負責創造那些前沿模型。一切從前沿模型出發。

客戶理解自己要創造什麼，理解為讓演算法運行得更有效、更高產、更高效需要實現那些突破，然後把規格交給我們。我們與客戶合作，一路做到晶片物理層面，讓電晶體能夠處理該模型的工作負載。這種協同設計、共同工作、緊密協作真正造就了差異。各位看到了最近的一個活生生的例子——OpenAI 的新聞——我們與 OpenAI 團隊緊密合作，一年內就做出了一款叫 Jalapeno 的 XPU，性能與市面上最好的通用加速器持平甚至更好。

James Schneider： 可以。下面進入你上周財報電話會給出的預測核心。你基本描繪了未來兩年 AI 收入每年翻倍的路徑：2027 年 1150 億美元，2028 年 2300 億美元。你還說這些是供給受限的估計。我想花幾分鐘拆解一下。

關於供給受限這一點，你提到物理資料中心的部署能力是約束之一——土地、電力、廠房。你認為基礎設施側資料中心可用性的"卡脖子"時間窗口在什麼階段？其中最大的限制因素是什麼——電網電力、燃氣輪機、還是施工？另外，你如何把"政治反彈"這個變數放進這個等式裡？

Hock Tan： 這正是我們現在看到的情況。這個現象積極的一面是：建 AI 資料中心不可能一蹴而就，需要很長的 lead time，所以我們對"需要做什麼"有相當好的能見度。但同樣，這個 lead time 有時會讓時間點的精確性存在相當程度的不確定性。

說具體限制之前，先講我們做的部分：無論是 AI 加速器還是網路晶片、互聯晶片，我們清楚晶片供應鏈需要什麼——先進製程晶圓、記憶體，甚至基板。這部分已經鎖得相當死：2027 年基本完全鎖定，2028 年正在鎖定過程中——在一定程度上。這部分更在我們的掌控之中。

有意思的是，我們發現要建成 AI 資料中心，光有這些還不夠：你需要電力、需要場地、需要建築——需要廠房來安放晶片讓它運行。這是約束的另一部分。我不是說晶片和記憶體不是約束，它們也是約束；但至少這些約束我們可以應對、更具確定性。確定性較低的是"電力就緒"的場地——不是沒有電，而是電沒有就緒。比如要讓一個場地在 2028 年電力就緒，現在就得開工。而這不是我們的事，是我們的客戶現在就得在該場地上開工，才能讓它屆時可用、就緒。這差不多是兩年後，1.5 年後。

而且這不只是裝置的事——變壓器、燃氣輪機當然是其中一部分——還有施工。施工包括地方許可審批（雖然有些已存在），以及施工速度。打個比方，各位裝修或蓋過自己的房子就知道施工是怎麼回事。現在這件事正在大規模發生。所以有很多其他因素交織，使其——我稱之為——"受限"。因為如果我要給各位一個預測（我們確實給），我想確保那是一個有清晰能見度（clear line of sight）的預測。這就是你提到那些數字的由來：它是基於不僅是記憶體、晶圓的供應，還基於電力場地的可用性和就緒程度而做出的判斷。

James Schneider： 可以。關於客戶，Google 是你在定製矽片領域長期的戰略夥伴之一。Thomas Kurian 幾小時前剛在這裡講過他們的戰略。今年 4 月，你披露了與 Google 的長期協議（LTA），到 2031 年供應 TPU 和網路產品。能否談談這份長期協議如何在 that 時間框架內加深你與 Google 的合作？

Hock Tan： Google 和我們的關係非常牢固。從第一代 TPU 起我們合作超過 10 年了，此後每一代都是我們做的。在這份 LTA 下我們會繼續做下去，因為它——如果說有什麼變化的話——是擴展並強化了我們與 Google 長達 10 年的、非常技術化、戰略化的關係，而且我們看到這種關係會繼續。

我們相信我們給 Google 提供的東西之一，是我們在半導體設計上的實力與技術廣度。因為每一代 GPU——我們的情況是 XPU——我們都在推進，我們的工程師在推進半導體技術的極限。舉個例子：過去 10 年，要讓 CPU 晶片性能更好，靠的是遷移到下一代製程節點。每 18 個月左右遷移一次新節點，電晶體數量翻倍、性能翻倍。這就是摩爾定律。

但摩爾定律已經終結。往下走製程節點，你做不到電晶體性能翻倍了，勉強擠出 5% 的改進，但功耗（有改善）。做我們今天做的這種加速器——這些怪物級晶片，極其複雜——我們在與客戶做的是：我稱之為用別的東西替代摩爾定律。簡單理解：一塊半導體晶片受光學物理極限約束，最大 800 平方毫米——這是能做出的最大 die。一塊 die 能塞的電晶體就那麼多，而 AI 加速器裡電晶體大多是無窮無盡的乘法器。

我們現在做的是：把 2 個 die 放進 1 顆晶片，等效 1600 平方毫米，以此翻倍性能。我們正在做的當前一代是 4 個 die，各位可以想像。再下一代可能會到——也許沒有上限——8 個 die，8 die 合一。晶片尺寸等效於 800×8，約 6000 平方毫米，作為一顆單晶片運行。

要讓這運行起來，所需的技術量和複雜度非常高——而且這不是晶圓廠或記憶體夥伴創造的，是我們設計出來的。非常有挑戰性、非常有意思。這正是我們與每一位客戶關係中非常令人興奮的部分：我們能持續讓他們造出性能更高的晶片，作為其技術堆疊的關鍵部分，支撐他們把 LLM 做得越來越好——指數級地更好——從而帶來我前面說的越來越多價值。

我的看法是：憑藉創造這類晶片的能力，加上研發工程師、資料科學家的想像力與智能——他們編寫演算法、尋找通往超級智能的突破——我們完全看不到前沿模型指數級改進的極限在那裡。

James Schneider： 是的。另外你也知道，一些投資者擔心你的部分客戶——包括 Google——可能在定製矽片戰略中更多轉向自研（in-source）。請幫我們理解：你有那些深層的技術和/或商業護城河，讓你有信心這項業務會隨該客戶增長？

Hock Tan： 正如我部分表達過的，它們在不斷增長。具體例子是：在半導體領域，我們擁有的 IP 可能多於幾乎所有同行——橫跨各個領域：I/O、超高速互聯 SerDes；在每一平方毫米內塞進更多乘法器密度；以及把多 die 合一——這要求 die 之間能非常好、非常快地通訊，且以極低功耗實現；再到先進封裝——如何把多 die 封裝進一顆晶片。

所有這些都是我認為的深層護城河，同行要挑戰我們，就得先把這些做出來，而我們起步早於多數人。最重要的是：這與我們過去 30 年作為半導體公司的經歷沒有兩樣——我們選準不同領域，無論是交換、還是不同視角下的網路、乙太網路、計算，我們都能實質性地用工程師與競爭對手競爭。這裡也一樣：無論是另一家半導體同行，還是——更有意思的是——甚至是我們客戶自己。

James Schneider： 好。你之前提到了 OpenAI，那再聊聊他們。去年 10 月你簽過一份 10 吉瓦定製矽片產能的供應協議。然後 6 月底，如你所提，你交付了首個 ASIC 樣品——叫 Jalapeno，9 個月內完成，我認為相當快。請談談與 OpenAI 的合作，以及是什麼讓你們能在如此加速的時間表上交付？

Hock Tan： 最重要的是：與所有前沿模型開發者客戶一樣，他們有強大的模型開發團隊，也有一支團隊負責把模型需求轉化為計算硬體所需的架構規格。我們則結合客戶側的架構與我們側的架構，創造這顆晶片——微架構和物理設計都由我們完成。

當這種協作流程極其緊密、幾乎無縫時，快速造出這種水準的晶片就沒那麼難了。關鍵就在於與客戶的緊密協作。不用說，關係非常牢固並持續如此，因為我們正在開發 Jalapeno 之後的兩代產品。

James Schneider： 好。6 月你們還宣佈了一個特殊目的載體（SPV），與 Apollo 和 Blackstone 合作，為 20 多吉瓦算力容量提供首期 350 億美元融資，面向多家 AI 實驗室，今年先給 Anthropic 1 吉瓦，2027 年 5 吉瓦。請幫我們理解這份協議的參數？以及是什麼讓 Anthropic 能擴展其算力容量，這份協議可能擴展到什麼廣度？

Hock Tan： 這回到我們對 generative AI 的願景。我們的看法是：目前我們總共只有 6 家客戶，非常集中的群體，但我相信這 6 家都在創造自己的前沿模型、LLM，每一家都在持續投入，努力創造最先進、最領先的模型。這正是這一切如此有趣的原因——這就是"超級智能"現象的孕育過程：從模型誕生產品與應用（你們這麼稱呼），從中實現貨幣化，企業消費者從中受益。

懷著這一聚焦點，我們也務實地看問題：我們想支援這 6 家，因為他們做得最好；而我們無法預知誰會贏。順便說一句，鑑於模型持續——我幾乎是說革命性地——指數級進化，他們最終可能共存於不同位置。這 6 家中，最強的兩家沒有足夠現金流來生成訓練、以及將模型產品化用於推理所需的算力。

我們為他們造晶片。我們站出來，讓他們獲得支撐模型所需的算力。我們做這件事不是直接從帳上掏現金，而是搭建一個平台——我們稱之為 XPV——讓他們能獲得融資。我們不直接提供融資。而且我直說：這不是循環融資（circular financing）。客戶看到自己的需求、推高了對我們晶片的需求，但他們不必非用我們不可，也可以找別家——這不是循環融資。我們是用融資來創造需求，而需求本身就在。

我們所做的是匯聚一群願意進來、實質上為 Anthropic 和 OpenAI 的融資承擔風險的金融夥伴和銀行——至少是部分風險。剩餘部分，正如我們與 Apollo 所做的、以及未來 XPV 將做的，我們提供殘值擔保（residual guarantees）形式的 backstop，以那些裝置作為抵押。所以結構是：一群金融夥伴進來——他們進來的重要原因，一是相信需求，二是利率——通過這種模式他們能獲得更好的利率。而我們的夥伴 OpenAI 和 Anthropic，有能力隨規模增長、隨收入越來越多地增長，來承接這種額外融資能力。

James Schneider： 好。這個話題最後一個問題。我們看到中國圍繞開源、開放權重模型有大量快速發展，該地區玩家活躍，無論是 Moonshot、DeepSeek 還是其他。你怎麼看開源/開放權重 AI 模型在市場中的長期角色？從你的位置看，你認為其中任何一家未來有可能成為 Broadcom 的客戶嗎？

Hock Tan： 這是個有趣的問題。順便說，這個問題要讓我長篇大論了。正如我在所有回答中說的，我們相信 generative AI 會走向超級智能。我們還沒到，還沒實現 AGI，但可以到達。做前沿模型的人在推動我們走向那裡。我也說過：模型越好、應用用例越好、產出結果越好。但同樣，要到那些模型、那些產出，模型只是工具——你需要訓練，需要有懂得使用它的使用者。

所以顯然，我是閉源前沿模型的信徒。這不是說開放權重模型不能共存，它們可以。但我認為，價值鏈——未來 5 年——將歸屬於最前沿的前沿模型，而不是開放權重模型。即便它們可能共存，因為我向企業賣產品時總聽到：他們不喜歡 token 成本在變貴——當他們把模型用於複雜應用時；也許開源能給他們更便宜的來源。

但我的想法和作為一家技術公司的經驗是：不，最終重要的是最好的，價值歸屬於最好的。給各位算筆今天看到的經濟帳——只是今天的帳。我同意一兩年後的情況可能變，但過去這段時間開放權重模型與閉源模型之間已經變化很大，而且 OpenRouter、Vercel 上各位能查到這些資料。

全球範圍內推理 token 的消耗與生成總量、生成這些 token 供消費的成本——這顯然是推理的資料（訓練不易監測）——大約每年 2000 億美元，粗略量級。這是生成這些 token 的基礎設施成本，2000 億。各位問自己：模型公司由此創造並賺取的收入有多少？你們可以數、可以看那些模型公司——大約 1500 億美元。

彙整鉅亨號中所有使用「TMT科技大會」關鍵字，所發布的內容 (依照時間排序，最新在前，舊的在後)`

博通CEO陳福陽參加高盛2026TMT科技大會演講全文（深度解讀）