作者姓名: Mickey Zhong

海豚研究專欄 北京時間2026年3月5日凌晨美股盤後，英偉達頭號對手博通（AVGO.O）發布2026財年第一季度財報（截至2026年1月）。在AI浪潮席卷下，博通憑藉AI業務增長交出合格成績單，更給出超預期業績指引，這家半導體巨頭有望逆勢蓋過英偉達風采？ 具體財報核心內容如下： 整體業績符合預期：本季度實現營收193億美元，同比增長29%，與市場預期的192億美元基本持平；環比增長13億美元，增長動能主要來自AI業務帶動。本季度毛利率為68.1%，若剔除收購攤銷及重組費用影響，實際經營層面毛利率達75.8%，環比微降0.8個百分點，主要受毛利率相對偏低的定製ASIC業務佔比提升帶來的結構性影響。 半導體業務穩增，AI業務好於預期：本季度半導體業務實現收入125億美元，環比增長15億美元，AI業務貢獻主要增量。 （1）AI業務收入84億美元，環比增長19億美元，優於市場預期的82億美元，收入來自谷歌、Meta、字節三大客戶，季度增長主要受大客戶谷歌TPU出貨量增加帶動；谷歌、Meta等大廠近期陸續上調2026年資本開支展望，公司AI業務增長有望進一步提速，預計下季度AI業務收入達107億美元，環比增長23億美元。 （2）非AI業務收入41億美元，同比基本持平，整體表現平穩。 基礎設施軟件增長放緩：本季度實現收入68億美元，同比增長1.4%。此前該業務增長主要依賴VMware併購整合及收費模式調整（從永久許可證模式全面轉向訂閱模式），目前併購帶來的高增長已結束，未來軟件業務增長將主要依賴VMware訂閱模式的內生增長。 經營費用有所下降，規模效應顯現：本季度核心經營費用（研發費用+銷售及管理費用）達39.8億美元，環比略有下降；在規模效應帶動下，核心經營費用率降至21%左右。近兩年公司明顯增加股權激勵相關支出（當前股權激勵佔比接近一半），若剔除股權激勵影響，本季度核心經營費用為20.4億美元，環比減少0.9億美元。 存貨大幅增加，為需求備貨：本季度存貨達29.6億美元，環比增長30%。不同於過去個位數的環比增長，此次存貨大幅增加無需擔憂，主要因市場需求強勁，公司提前備貨以應對訂單需求。 VMware整合成效顯著，債務壓力消化完畢：長橋海豚君引入債務償還指標（總債務/過去十二個月調整後EBITDA），經測算本季度該指標進一步降至2，已回落至收購前水平，收購VMware對公司債務端的影響在兩年內已完全消化。 業績指引超預期：公司預期2026財年第二季度收入約220億美元，優於市場預期的208億美元；預計下季度調整後EBITDA利潤率為68%，同樣好於市場預期的67%；下季度AI業務收入有望繼續增長至107億美元。 長橋海豚研究整體觀點：AI增長提速，明確指引注入信心 博通本季度營收與毛利率均達市場預期，營收增長主要依賴AI業務貢獻；毛利率方面，剔除收購攤銷及重組費用後的實際經營層面毛利率為75.8%，環比微降主要受ASIC業務佔比提升的結構性影響。 下季度指引方面，公司預期收入達220億美元，環比增長27億美元，優於市場預期，增長動能仍來自AI業務。 收購影響消化完畢：本季度公司債務償還指標降至2，回到收購前水平，收購VMware對債務端的壓力已在兩年內完全消化。 AI業務表現強勁且前景樂觀：本季度AI業務收入84億美元，環比增長19億美元；公司預計下季度AI收入達107億美元，環比增長23億美元，優於市場預期的97億美元。 在VMware整合完成後，市場對博通的關注焦點集中在AI業務進展，核心圍繞三大方面： （1）大廠資本開支是核心驅動力：大型雲服務商是博通定製ASIC晶片的主要採購方，直接影響公司AI業務預期。結合各大廠指引，長橋海豚研究預計谷歌、Meta、微軟、亞馬遜四大核心雲廠商2026年合計資本開支有望達6600億美元，同比增速超60%，為AI晶片市場2026年增長提供堅實支撐。 （2）AI晶片市場份額逐步提升：在AI晶片市場，英偉達仍處絕對領先地位，博通扮演「追趕者」角色。目前博通在AI晶片市場的份額約1成，在谷歌TPU、Anthropic等需求帶動下，未來份額有望提升至2成左右，呈現穩步上升態勢。 （3）產品迭代緊跟行業節奏：博通已收穫谷歌、Meta、Open AI等客戶訂單，其中谷歌TPU是當前核心產品，其表現直接影響公司AI業務增長。目前TPUv7已開啟量產出貨，對比英偉達GPU，TPUv7在FP8等領域的表現大致接近英偉達B200（2024年四季度量產），整體落後英偉達約一年時間。 谷歌TPU與英偉達GPU的核心差異在於： （1）谷歌目前僅支持FP8領域，更側重穩定性與大規模集群效率； （2）英偉達更追求運算速度，在Blackwell系列中引入NVFP4格式，推理性能在FP8基礎上再翻倍。 綜合來看，下游客戶仍在增加資本開支，博通市場份額也在逐步提升，但公司近期股價表現平淡，長橋海豚研究認為核心原因是市場對大廠後續資本開支的不確定性存在擔憂。 以Meta為例，公司管理層給出2026年資本開支1,150-1,350億美元的指引，相當於Meta全年收入規模的50%以上，遠高於此前20-25%的區間；無獨有偶，谷歌、微軟等公司的資本開支佔比也將提升至4成及以上。 Meta的收入增速普遍在15-20%左右，而2026年資本開支/預期收入已達5-6成，後續進一步提升空間有限，意味著大廠資本開支的高增長難以持續。 正因如此，市場普遍預期大廠資本開支增速將在2027年左右大幅回落，行業「高增長、拔估值」的階段也將結束。對於2026財年的博通AVGO，是業績增長、消化估值的階段。 以上主要是行業層面尤其是英偉達面臨的困境。博通更為明确的問題是，雖然是雲服務商們的降本選項，但谷歌等有可能進一步將訂單交由台灣廠商或自研晶片承接。 比如博通的大客戶谷歌，其下一代的TPUv8是採取博通AVGO、聯發科MTK雙線併進的方式在研發。如果老客戶不進一步追加訂單，市場會擔心訂單交給了台廠等替代方案。 存量客戶本身的訂單量增長情況是公司要回答的質疑之一。同時，在AI業務做大過程中，不同於英偉達越來越高的毛利率，博通毛利率結構性走低，也是市場重點擔心的趨勢之一。 參考產業鏈情況，博通AVGO的估值依然高於英偉達。相對較高的估值中體現了ASIC搶佔份額的潛在機會，但行業的整體估值都出現了顯著回落。 至於後續的成長性，公司管理層明确給出了2027年的AI指引，其中六大AI核心客戶（Google、Anthropic、Meta、OpenAI等），合計算力需求接近10GW，大致對應1,000億美元以上的AI收入。 明确的指引，能在一定程度上緩解市場的擔憂，帶來短期的信心提振。而台廠 / 自研競爭帶來的訂單不確定性、毛利率結構性走低的趨勢，才是壓制公司估值表現的主要因素。 作者長橋海豚研究，專注有靈魂的思考、有態度的研究。 文章僅屬作者意見，不代表香港01立場。 01專欄精選不同範疇專家，豐富公共輿論場域，鼓勵更多維度思考。   原文網址: 海豚研究｜博通AVGO——AI業務火力全開，英偉達勁敵風頭正盛？ | 香港01 資訊來源: https://www.hk01.com/article/60327750?utm_source=01articlecopy&utm_medium=referral

「重要的事情說兩遍。」這聽起來像是玄學，但確實是真的。2026年，當很多的人還在費盡心機設計複雜提示詞，想讓AI更好地聽懂人類需求時，Google研究院悄悄發布了一篇論文，提出了一個簡單到讓人意外的方法——重複提示詞，就能大幅改善大語言模型在非推理任務上的表現。 方法簡單到離譜：先寫好你的需求提示詞，再把它複製一遍、貼上在後面，直接發給AI就可以。比如：之前你的提示詞是：「這是我的問題」。現在把它換成：「這是我的問題」「這是我的問題」，然後餵給AI。 這篇論文名為《提示重複可增強大語言模型非推理性能（Prompt Repetition Improves Non-Reasoning LLMs）》，它的核心結論，徹底顛覆了人們對AI提示詞設計的固有認知。（Google研究院） 這篇論文名為《提示重複可增強大語言模型非推理性能（Prompt Repetition Improves Non-Reasoning LLMs）》，它的核心結論，徹底顛覆了人們對AI提示詞設計的固有認知。整個論文比較長，我用AI總結了一下核心意思： 大模型本身無法讓提示詞裏的訊息相互關聯，提示詞的順序還會影響回答效果，而重複提示詞能讓這些訊息彼此呼應，且這個重複操作只在模型的並行預處理階段完成，不會影響後續的內容生成。 團隊測試了Gemini、GPT、Claude等7個主流模型，在多項標準任務和2個自定義任務中，無推理場景下該方法47次提升模型性能且0次失效，自定義任務裏模型準確率甚至從21.33%飆升至97.33%。 但讓模型逐步推理時，這個方法效果一般，因為推理型模型本就會自主重複部分提示詞。實驗還證實，性能提升是因為重複提示詞本身，而非單純增加輸入長度，重複三次在部分任務中效果更好。該方法基本不改變輸出格式，能直接適配現有系統，僅Claude處理超長內容時延遲會稍增，是個易落地的輕量優化方案。 說白了，這就是我們從小聽到大的「重要的事情說兩遍」，沒想到這個樸素的道理，在AI身上同樣管用。為了驗證這個方法是否可行，Google研究團隊做了嚴謹測試，選取了Gemini、GPT-4、Claude、DeepSeek等7個主流大模型，在70種不同場景下展開驗證。 結果出人意料：47個場景中，AI的表現有明顯提升；23個場景中表現持平；全程沒有出現因為重複提示詞，導致AI表現變差的情況。論文中設計了一項名為NameIndex的測試，具體來說，就是給AI一份包含50個名字的長名單，然後問它「第25個人叫什麼名字」。這項任務對人類來說，只要逐個數一遍就能完成，但對AI而言，要在長長的序列中精準定位，難度不小。 常規操作下，Gemini 2.0 Flash-Lite模型的準確率只有21.3%，幾乎和瞎蒙沒區別；而使用重複提示詞的方法後，準確率直接飆升到97.3%，提升幅度超過4倍，從幾乎無法使用的狀態，變得近乎完美。而且這種提升不是個例，像數學題、代碼理解這類不需要極強推理能力的任務，重複提示詞都能帶來穩定的效果提升。 這個看似很笨的土辦法，背後其實有明確的科學邏輯，並非什麼玄學。當前主流的大語言模型，都採用Transformer架構，它有一個明顯的短板，只能單向閲讀。AI讀取提示詞時，就像我們看直播彈幕一樣，只能逐詞往後看，讀到前面的內容時，根本不知道後面會講什麼，很容易遺漏關鍵訊息。 而重複提示詞，相當於讓AI做了一次「虛擬重讀」（Virtual Re-reading），當它讀第二遍內容時，已經對整體情況有了了解，就能借着第一遍的記憶，精準抓住那些真正重要的訊息，從而提高響應的準確性。 不過，這個技巧也不是萬能的，存在明顯的侷限性。Google論文中也明確提到，它對OpenAI的o1、國產DeepSeek-R1這類主打深度推理（Reasoning）的模型，效果並不明顯。原因很簡單，這類模型在給出答案之前，內部已經完成了類似反覆琢磨的過程，這時再在外部重複提示詞，就顯得多此一舉了。 另外，如果提示詞本身已經很長，快達到模型的上下文上限，再複製一遍，可能會導致AI處理速度變慢，甚至出現內存溢出的情況。除此之外，這個技巧更適合訊息提取、閲讀理解這類任務，要是讓AI寫小說、寫詩，重複提示詞不僅不會讓文采變好，反而可能讓AI感到困惑。 業內人士認為，這一研究也給大家提了個醒，優化AI性能，未必非要依賴複雜技術，有時候最樸素的方法，反而能帶來意外驚喜。對普通用戶來說，以後遇到AI答非所問，或者處理長文檔時丟三落四的情況，不用急着花心思改寫複雜提示詞，不妨試着把自己的需求複製粘貼一遍再發送。   原文網址: 問AI總是答非所問？1簡單方法讓智商翻4倍　網友：好用到不可思議 | 香港01 资訊來源: https://www.hk01.com/article/60327290?utm_source=01articlecopy&utm_medium=referral