Broadcom 與 Marvell 正在主導 AI 資料中心的基礎平台敘事

Broadcom 和 Marvell 是 custom ASIC 領域的兩家主導公司。

Custom ASIC 是半導體中增長最快的細分市場之一。這之所以重要，或者說我想在這裡提出的重點是，

Moore’s Law 在 28nm 製程節點之後已逐漸失效，這意味著縮小晶片面積不再能帶來更高的 transistor 密度、更大的運算能力、更低的功耗，或是透過更高的 0/1 切換頻率帶來更快的計算速度。

在當今的 3 nm 和 2 nm 節點上，單一 wafer 的設計與 tape-out 成本已超過 $500 million，而整個產業的經濟結構無疑都必須被重新組織。

它將如何被重新組織？

如果你是 Google，而且你每年在 TPU training 和 inference 相關的電力與折舊上花費超過 $50 billion，那麼一顆可將 token inference 成本削減 30% 的客製化晶片，意味著可觀的節省。

在過去五年中，Hyperscaler 的 capital expenditures 中，有越來越高的比例流向自研晶片，而市面上可取得的 Nvidia GPUs 的美元邊際增幅則逐漸趨緩。Google TPU v7、AWS Trainium 2 和 Trainium 3、Microsoft Maia 100 和 Maia 200、Meta MTIA，以及 Apple’s in-house AI server chip 已在 2026 年得到正式確認。

在全球範圍內，真正只有兩家公司有能力承擔 hyperscaler 規模的 ASIC co-design 工作：Broadcom 和 Marvell。根據 Tom's Hardware 的行業研究，這兩家公司合計約佔 hyperscaler custom AI accelerator co-design 市場的 95%。

這 95% 集中度意味著什麼：在未來五到十年內，於 hyperscaler 推出的所有 AI capital expenditures 之中，任何內部 XPU 的誕生幾乎都必然會經由這兩家公司之一。

custom ASIC 的崛起不是一個商業故事；它是物理學觸及極限後被迫存在的一次經濟重組

客戶集中度高

首先，custom ASIC 的客戶高度集中於頂級 hyperscaler。

1974 年，Dennard 在 IBM Research 提出了 scaling 定律，發現當晶片縮小時，效能可以提升，而功耗則保持不變。

但到了 90nm 節點，由基本物理常數所施加的嚴重漏電問題，阻止了電壓繼續按比例下降，導致功率密度急劇上升。這就是 CPU 時脈在 2005 年前後停止上升的物理原因，也是後來多核心架構崛起的起點。

自 28nm 開始，每顆 transistor 的成本不再下降；相反地，它開始上升，推動製造與設計成本大幅提高。

如今，3nm 的 tape-out 成本高達 $500 million，而 2nm 更接近 $1 billion。如此高昂的固定成本意味著，只有每年消耗數百萬顆晶片的頂級 data center 巨頭，才能透過龐大的產量攤提成本。

根據 TSMC 與產業路線圖，製程技術預計將在 2030 年左右達到 A10，也就是 1nm 節點，屆時物理 transistor scaling 將走向終點。運算能力的提升將完全依賴 packaging、interconnect，以及架構創新，這是未來十年 custom ASIC 壟斷地位最大的結構性機會。

Moore’s Law 弱化改變了資本結構

其次，Moore’s Law 的失效改變了資本結構。過去，從 TSMC N5 到 N3，transistor 密度提升 1.6 倍，而 wafer 成本僅增加 18%，每顆 transistor 的成本下降 25%。

當 N3 轉向 N2 時，密度只能改善 1.15 倍，但由於製程複雜度提升，wafer 成本增加 50%，而每顆 transistor 的成本反而上升 30%。

因此，與直覺相反，先進製程節點不再讓晶片更便宜；相反地，它們使用更昂貴的 transistor 來實現那些只能在最先進節點上達成的絕對 compute 任務。

像 smartwatch 這類對成本敏感的低階 SoCs 仍會留在 N16/N7 之類的舊節點，而那些具有硬性 compute 要求、且能接受高額 premium 的頂級 AI accelerator 則必須使用 N3 甚至 N2。

Broadcom’s TPU v6e Trillium for Google 位於 N3 節點，TPU v7 Ironwood 位於 N3，而下一代 TPU 則轉向 N2。

Meta’s MTIA T-V1 for Meta 位於 N5 節點，而 MTIA T-V2 升級到 N3。

OpenAI 的第一顆內部 inference 晶片已確認採用 N3，第二代則直接跳到 N2。

Apple 的 AI server chip 從一開始就直接採用 N2。

Marvell’s Trainium 2 for AWS 位於 N5 節點，而 Trainium 3 升級到 N3。MRVL’s Maia 100 for Microsoft 位於 N5 節點，而 Maia 200 則在 N3。

所有來自 hyperscaler 的下一代旗艦 XPU 都正在進入 N3-to-N2 的過渡窗口。

這個窗口大致涵蓋 2026 到 2028 年，與 Broadcom 所指引的在 FY27 超過 $100 billion 的 AI revenue 目標相吻合，也與 Marvell 從 FY27 約 $8 billion 的 data center revenue 走向 FY29 接近 $20 billion 的隱含路線圖一致。

Backside power delivery 和 High-NA EUV

未來五年內，產業有兩個重要技術方向：backside power delivery 和 High-NA EUV。

其中，High-NA EUV 是由 ASML 領導的下一代 lithography 技術。當 AI 晶片縮小到約 1.4 nm 等效尺寸時，單位面積上的 transistor 密度可比 2nm 再提升超過 1.3 倍，相當於每顆晶片又一次提升 compute 水平。

如果導入進度延遲，整個產業將被迫更早轉向更激進的 packaging 解法，以及系統層級的架構創新，以提升 compute。

High-NA EUV 可能延後 12 到 18 個月，因為 mask、resist 材料與各種 metrology 工具都需要重新適配，這對 Broadcom、Marvell 的晶片設計，以及 TSMC 有利。

系統層級整合正在取代 transistor scaling，成為 compute 增長的新引擎

2010年，封裝成本約占晶片總成本的5%到8%；到2020年，這一比例已升至12%到15%；而到2026年，對於旗艦級 AI 加速器，封裝成本整體上已超過30%，某些極端設計接近40%。

原因在於，封裝已成為同時決定晶片效能上限與供應能力的關鍵瓶頸。

先說清楚概念：wafer 是原材料，bare die 是半成品，而已封裝並測試過的 chip 才是最終產品。

第一，mask 限制在物理層面上將單 die 面積約束在 858 millimeters square 左右，因此 AI 晶片正從越來越大的 single die 轉向多 die 整合。

第二是 memory wall 問題。一顆單晶片能支援的 HBM stack 數量，受限於可沿 die 邊緣排布的 HBM 介面數量。為了持續提升頻寬，HBM 必須在物理上更靠近 logic die，並透過寬而高速的介面直接連接。

第三，interconnect 的能耗已經超過了運算能耗，使得整合式封裝成為唯一可行的技術路徑。

因此，誰掌控先進封裝，誰就掌控 AI 加速器的實際交付上限。答案是 TSMC。

CoWoS 是 TSMC 於 2011 年推出的 2.5D 封裝平台。其基本結構有三層：最底層是 organic substrate，中間層是 silicon interposer，最上層則包含 logic dies 和 HBM dies。

CoWoS 剛推出時，主要服務高階 GPU 和 FPGA。它在 2016 年進入大眾化 AI 加速器市場，並自 2022 年起成為 hyperscaler 旗艦 XPU 的標準。

在過去幾十年裡，製程越先進，transistor 就越小，晶片上的 transistor 越多，效能越強，耗電越低。客戶願意持續轉向先進 node，因為這不僅是一次技術升級，也是一次經濟升級。

但從 3nm 走向 2nm，這個邏輯開始改變。這就是我們目前正在經歷的 node。

也就是說，前面提到的 Moore’s Law 失效，改變了資本結構。

先進製程成本體系的第一層是 NRE，或 non-recurring engineering cost，也就是一次性的技術開發成本，包含架構定義、IP 授權、RTL 設計、驗證、實體設計、timing 收斂、功耗最佳化、封裝協同設計、測試規劃、EDA 工具費用，以及更多項目。

第二層是 tape-out 和 masks。node 越先進，masks 越複雜，EUV 層數越多，試錯成本也越高。當晶片設計完成後，必須交給 foundry 進行試產，也就是 tape-out。一次失敗的 tape-out 所造成的損失極大，包含 6 到 9 個月的產品窗口、客戶導入時點、TSMC 的產能規劃、HBM 採購時程與封裝資源分配等多重因素。

第三層是 wafer 與 yield 成本。

在 2nm 初期量產階段，每顆 die 的成本可能明顯高於 3nm。

因此，2nm 是整個產業的轉折點

對 hyperscalers 來說，單位 token 的生成、處理或理解總成本更重要。

在相同功耗下，晶片能否執行更多 inference？在同一個 rack 內，晶片能否帶來更高的計算密度？在相同的電力與折舊支出下，它能否服務更多使用者請求？它能否降低每百萬 token 的 inference 成本？它能否改善 AI 產品的毛利率？

只要 workload 足夠穩定且規模足夠大，客製化晶片在生命週期成本上就可能優於通用方案。

因此，custom ASIC 的崛起並不是因為客戶突然喜歡自研；而是因為先進 node 太貴、通用 GPU 太貴，而且 AI inference 與 training 的規模太大。

Broadcom 和 Marvell 的價值在於複雜度管理

Broadcom 和 Marvell 提供了一整套管理複雜度的能力，包括現成 IP library、SerDes、PHY、interconnect、封裝協同設計、TSMC 製程經驗、yield 提升經驗、大規模量產測試經驗，以及與 hyperscalers 長期合作所累積的系統理解。

換句話說，2nm 製程越複雜，客戶就越需要外部的協同設計夥伴。先進製程成本越高，試錯成本就越大，而 Broadcom 和 Marvell 的價值就越高。

這裡需要引入兩個概念。

Design-Technology Co-Optimization (DTCO)。晶片設計在製程開發階段同步參與 standard cells、SRAM、design rules、power paths 和 timing models 的定義。

System-Technology Co-Optimization (STCO)。AI 晶片優化必須同時考慮 logic die、HBM、CoWoS、substrate、optical interconnect、rack network、供電與散熱。

製程越複雜，客戶就越需要經驗豐富的外部協同設計夥伴。這兩個概念解釋了為什麼 AVGO 和 MRVL 的護城河正變得越來越深。

Broadcom 和 Marvell 本質上是在出售複雜度保險。客戶不僅為設計付費，還為降低項目失敗機率、縮短進入量產的時間、提升 yield 確定性，以及加強供應鏈協同而支付額外費用。

Broadcom 的優勢在於更強的系統完整性、ASIC 協同設計能力、switching chips、SerDes、PHY、Ethernet、封裝經驗，以及更龐大的客戶基礎。

更重要的是，Broadcom 還擁有強勁的軟體業務現金流，使公司在資本市場上看起來像一個介於 AI semiconductors + infrastructure software cash flow 之間的混合平台。

Marvell 的優勢在於其 AI 資料中心業務更純粹，而且它在 optical interconnect、DSP、PAM4、資料中心 networking 以及客製化 silicon 專案中的重要性正日益提升。

Marvell 不像 Broadcom 那樣多元化，也沒有來自 VMware 的軟體現金流支撐。但正因為更純粹，一旦來自 AWS、Microsoft，以及其他大型客戶的大型專案成功 ramp，營收槓桿會更為明顯。

未來一段時間的關鍵問題是，

AI 資本支出從通用 GPU 轉向客製化 ASIC 的趨勢是否會持續。如果會，Broadcom 和 Marvell 就不再只是傳統的晶片設計服務供應商，而是 hyperscaler 自建運算系統中的核心基礎設施供應商。

但如果 2nm 成本過高，且客戶放慢轉型步伐，Broadcom 和 Marvell 的營收認列就會被延後。如果 Nvidia 提供半客製化解決方案，Broadcom 和 Marvell 的長期利潤率也將需要重新評估。

Nvidia 已對 Marvell 進行策略性投資，因此 Broadcom 實際上必須直接面對 Nvidia。

hyperscaler 自建 ASIC 的必要性

當 AI 工作負載足夠龐大、足夠穩定、且足夠可預測時，將部分 AI workload 從通用 GPU 轉向客製化 ASIC 才有意義，這是為了以更低的單位成本服務其自身業務，而不是取代 Nvidia。

Nvidia 的 GPU 在通用性、軟體生態、開發者生態，以及訓練 frontier 模型的靈活性方面具有優勢。對於新模型、新演算法、新 framework 和新 operator，GPU 仍然是最安全、最快、也最通用的選擇。

但一旦 AI 服務進入大規模商業化階段，成本結構就會改變，推理將超過訓練而成為主導 workload。

大規模推理、recommendation、廣告排序、搜尋、語音、翻譯、影像生成、程式碼補全，以及類似的 AI workloads，在規模巨大且模式穩定時，非常適合客製化。

Google 是最早的實踐者，也是第一個證明自建 ASIC 可以成為長期平台，而不只是單一專案的公司。

TPU 是為其自身生態系中的 AI workloads 設計的，從搜尋、廣告、翻譯與推薦，到 Gemini 和 Google Cloud AI，已成為 Google AI 的核心組成之一。

Google 是 Broadcom 的典型客戶，具備清晰的長期路線圖、穩定的晶片世代，以及對高階 interconnect 和系統協同最佳化的極高要求。

AWS 是一家雲端基礎設施供應商。因此 AWS 的 Trainium 和 Inferentia 被設計用來為雲端客戶提供更便宜、更可控、且更有價值的 AI 運算能力。

Microsoft 的需求集中在 Azure OpenAI、GitHub Copilot、Microsoft 365 Copilot、Bing、Windows AI，以及企業 AI 服務。其自建 Maia 不只是為了降低成本，也是一種基礎設施選擇，讓 AI 可以轉移到更易控管的內部晶片上，降低長期成本並提升供應鏈韌性。

Meta 的 MTIA 需求也類似，服務於 recommendation、廣告排序、內容分發，以及 social graph 系統。

深入看 Broadcom $AVGO

Broadcom 的業務主要分成四大部分，

1) 客製化 AI 加速器；

2) AI 資料中心中的 switching、Ethernet、NIC 與 fabric 晶片；

3) 如 SerDes、PHY、CPO 與光互連等高速 I/O 能力；

4) 透過 VMware 收購而來的軟體業務。

這是 Broadcom 與許多其他 AI 半導體公司之間最大的差異。許多公司只有單一層面的業務，或者是 GPU，或者是 HBM，或者是光模組。Broadcom 則同時佈局於 AI 資料中心的多個關鍵節點。

Broadcom 的業務是透過持續收購、整合、削減非核心成本、保留高利潤率產品線，並改善現金流轉換而建立起來的，形成了一種非常有特色的資本配置模式。其底層邏輯高度一致。

無線晶片、寬頻晶片、企業儲存、網路 switching、SerDes、ASIC，以及 VMware 軟體，都有共同特徵：客戶轉換成本高、設計週期長、產品生命週期長、進入門檻高，以及強勁的毛利率與現金流品質。

因此 Broadcom 不是一家公司以創新為導向的傳統半導體公司；它是一家複雜資產運營公司，擅長將複雜產品線轉化為長期現金流資產。

hyperscaler 客製化 AI ASIC 也是一個複雜度極高、轉換成本極高、且生命週期極長的業務。一旦客戶選擇 Broadcom 共同開發某一代 AI 加速器，這段關係不會只因為一顆晶片就結束。

而且 ASIC 並不是為每個客戶從零開始完全重做。客戶需要的是針對不同 AI workload 的調整，例如 Google 的 TPU、Meta 的 MTIA、OpenAI 的推理晶片，以及 Apple 的 private-cloud AI 晶片；各自需求不同。

但 Broadcom 可以重複利用 SerDes、PHY、die-to-die 協同、封裝經驗、測試流程，以及底層量產方法。

一顆 hyperscaler 規模的 AI ASIC 至少包含六個關鍵模組，

1) 計算陣列；

2) 晶片上的 SRAM 與 cache 系統；

3) HBM；

4) interconnect 模組；

5) SerDes / PHY；

6) 電源管理與其他相關模組。

SerDes 必須在極高速資料率下確保訊號完整性、功耗、bit error rate，以及可靠性。累積周期通常以年計，無法僅透過短期增加人力而快速複製。

晶片間、伺服器間、機櫃間，以及資料中心間的資料傳輸，決定了整個 AI 資料中心叢集的使用率。

Broadcom 在這個領域幾乎處於壟斷地位。

Tomahawk 系列交換晶片主導 AI 資料中心的高速骨幹網路，而單顆 Tomahawk 5 的吞吐量可達 51.2 Tbps，專為超高頻寬場景設計。

Jericho 系列專注於處理 AI 訓練中常見的 “microbursts”。透過硬體層級的流量控制機制，它消除了電路邏輯層級的緩衝區溢出，並在實體層實現無損傳輸，而不是依賴之後透過軟體協議重傳。

目前，在基於 Ethernet 的 AI 資料中心網路中，Broadcom 的商用交換晶片佔據絕對主導地位。真正唯一的對手是 Nvidia 的 InfiniBand 解決方案，但除了 Nvidia 本身之外，整個產業都在大力推動 Ethernet 替代路線。

SerDes / PHY / optical interconnect：Broadcom 基礎 I/O 的定價能力

交換晶片決定 AI 資料中心內部資料調度的能力，而 SerDes、PHY 與 optical interconnect 則決定資料能否在更大規模的叢集之間，以足夠低的功耗、足夠高的可靠性和足夠大的頻寬穩定流動。

SerDes 是 serializer / deserializer 的縮寫。它的作用是將晶片內部的並行資料轉換為高速串列訊號進行傳輸，然後在另一端再轉回來。

因為 AI 叢集越大，資料流動就越重要。所有跨晶片、跨板卡、跨 switch 以及跨 rack 的通訊都要經過高速 I/O。速度越高，訊號完整性、功耗、散熱和 bit error rate 就越成為問題。

這也是為什麼高階 SerDes 是類比與 mixed-signal 設計中最困難的領域之一。高階 SerDes 需要多年的產品迭代、silicon 驗證、與客戶現場除錯、封裝協同設計，以及系統層級的問題定位。

如果某家 hyperscaler 只想做一顆晶片，或許會有許多設計服務供應商可供選擇。但如果想把一顆 AI ASIC 變成一個可互連、可安裝進 rack、可跨世代重複迭代，並且能與 HBM、CoWoS、交換網路和 optical interconnect 協同優化的系統產品，那麼選擇就會迅速縮小。

這就是 Broadcom 第二個定價能力來源：基礎 I/O IP 的擴展性與可重用性。

VMware：軟體現金流將影響 AI ASIC 的估值

VMware 對 Broadcom 的 AI 估值有兩個重要影響，

1) 它創造現金流；

2) 它提供了進入企業基礎設施的一個切入點。

收購 VMware 後，Broadcom 增加了一塊高毛利、現金流品質更好的基礎設施軟體業務，形成了相對穩定的現金流緩衝。

這使 Broadcom 成為 AI 半導體成長 + 基礎設施軟體現金流的綜合平台。

這並不意味著 VMware 沒有風險。Broadcom 收購 VMware 之後，市場也一直在討論客戶遷移、價格壓力與生態摩擦。一些企業已經嘗試降低對 VMware 的依賴，這表明 VMware 不是一個完全沒有風險的完美元現金流資產。

但從 Hock Tan 的資本配置邏輯來看，VMware 的策略不是最大化客戶數量，而是追求高價值、高利潤率的企業客戶，以及更集中的產品組合。

這與 Broadcom 整合 CA 和 Symantec Enterprise 的方式一致：砍掉低回報業務，保留核心客戶，提高訂閱滲透率，並改善利潤率與現金流轉換。

在成長週期中，ASIC 與資料中心業務提供成長槓桿。在下行週期中，VMware 提供現金流緩衝。這筆現金流反過來又支持股息、股票回購、M&A 整合，以及下一輪對 AI 基礎設施的投資。

對 Marvell $MRVL 的深入分析

Marvell 是否真的就是 Broadcom 之後最有價值的客製化 silicon 第二供應商，還是只是一檔因 AI 故事而被提前拉升的高 beta 週期股？這是理解 Marvell 的核心問題。

Marvell 和 Broadcom 不是同一種類型的公司

不能簡單把 Marvell 描述成另一個 Broadcom。

Broadcom 的優勢在於平台化。ASIC、AI 資料中心、SerDes / PHY、VMware 軟體現金流，以及 Hock Tan 的 M&A 紀律，共同支撐著公司的估值框架。

Marvell 的故事更聚焦於 AI 資料中心，特別是 ASIC、optical interconnect、DSP、Ethernet 交換、PCIe retimers、AEC DSP，以及 scale-up、scale-out 和 scale-across 的擴展。

因此 $MRVL 更像是一檔 beta 更高的 AI 資料中心基礎設施股票。

如果客戶專案加速成功，營收槓桿會比 Broadcom 更直接；但如果客戶時點延後，或 optical interconnect 的價格壓力上升，股價也會更敏感。

Marvell 的定位：從儲存/網路晶片公司走向 AI 資料中心連接平台

十年前，Marvell 主要被市場視為一家儲存控制、企業網路和通訊基礎設施晶片公司。

Matt Murphy 接手後，公司從傳統半導體供應商重新定位為一家資料基礎設施半導體公司。

這個定位非常重要。因為 AI 資料中心不只是 GPU，也不只是 ASIC。

大型 AI 叢集背後是一整套資料基礎設施。運算、記憶體、網路、光模組、交換晶片、PCIe、retimers、DSP、CPO、NPO、DCI、rack 互連以及資料中心之間的互連，都是不可或缺的組成部分。

資料中心的需求不僅在於晶片的計算速度有多快，而在於數萬顆 GPU 或 XPU 是否能以高利用率、低延遲、低丟包率和可擴展性的方式連接成一個系統。當訓練大型模型時，數萬顆 GPU 或 XPU 需要持續同步參數與梯度。

當推理以大規模商業化時，系統必須持續以高並發和低延遲服務使用者請求。

當 Agentic AI 工作負載出現時，問題變得更加複雜。上下文變得更長，工具呼叫次數增加，多輪互動增加，而模型不再是一個單輸入、單輸出的系統；它會持續讀取、呼叫、返回並重新推理。

這將持續加劇資料中心內部以及資料中心之間的互連壓力。

因此，Marvell 的機會在於站在資料流動的關鍵節點。這也是為什麼 Marvell 與 Nvidia 的關係正成為 Nvidia AI 生態系統中一個重要的策略性互補。

這是 Marvell 與 Broadcom 的第一個差異。Broadcom 更像是 AI 基礎設施中的一個整合平台，而 Marvell 則更像是 AI 資料中心中的一個連接平台。

Marvell 的 AI 營收並不是單一 ASIC，而是一個資料中心產品組合

Marvell 的 AI 業務可分為四層，

1) ASICs，也就是為 hyperscalers 設計的客製化 AI 加速器或相關運算晶片；

2) ASIC attach，也就是客戶自研 XPU 周邊所需的連接、控制、I/O 和支援晶片。

3) Optics / DSP，也就是用於 800G 和 1.6T 光連接的數位訊號處理器、PAM4 DSP、coherent DSP、driver、TIA 及相關元件。

4) Switching / Retimer / DCI，也就是 Ethernet switch 晶片、PCIe retimer、主動式纜線 DSP、資料中心互連模組及類似產品。

在 Marvell 的 FY2027 Q1 財報中，公司明確指出，上調後的營收展望由多項 AI 相關產品推動：800G 和 1.6T scale-out 光方案、51.2T scale-out Ethernet switch、用於 NPO 和 CPO 的 scale-up 光方案、scale-across 資料中心互連模組，以及 custom ASIC 和 ASIC attach 方案。

這裡需要解釋三個概念，

1) Scale-up 指的是將更多加速器連接在單一伺服器、單一機架或相對緊密的系統內，以提升某一計算域內的協同效率。

2) Scale-out 指的是連接更多伺服器、更多機架和更多節點，以形成更大的 AI 叢集。

3) Scale-across 指的是資料中心之間、區域之間以及叢集之間的連結。

總結來看，Marvell 的核心業務就是盡可能深入參與 AI 資料中心的資料流動鏈路，從 XPU 到光連接，從機架內到機架間，從 scale-up 到 scale-out 再到 scale-across。

Marvell 押注的是，AI 資料中心的瓶頸正在從單一晶片的運算能力，轉向資料移動能力。只要這一趨勢持續，Marvell 就有機會同時受益於多個細分市場。

但反過來說，這也解釋了為什麼市場對 Marvell 的估值爭論更加激烈。

ASICs 需要被加速，光模組需要升級，DSP 需要維持價值，switch 需要滲透更多 AI 網路，而 retimer 與 DCI 需要跟上資料中心擴張的步伐。若任何一個環節不及預期，市場估值就會受到影響。

因此，問題在於 Marvell 是否能將 AI 資料中心的資料流動需求，轉化為其整個產品組合上的持續營收成長。若可以，Marvell 不僅是一家普通的網路晶片公司，而是一個 AI 資料中心連接平台。若不行，市場將把它重新定價為一檔 beta 很高的週期股，且 AI 敘事已被提前推高。

Celestial AI: Marvell 已買下 scale-up 光連接的長期價值選擇權

收購 Celestial AI 是一個值得詳細討論的案例。這筆交易買到的不是短期營收；而是下一代系統內 scale-up AI 連接的技術門票。

Marvell 已於 2026 年 2 月完成收購 Celestial AI。Celestial AI 的核心資產是 Photonic Fabric 光子互連技術，旨在於新一代 AI 與雲端資料中心架構中實現高頻寬、低功耗、緊密整合的連接。

當單一 AI 系統中的 XPU 數量持續增加，HBM 也持續變得更昂貴，而並行與專家並行模型變得更加複雜時，節點內與機架內的高頻寬、低延遲連接將變得越來越重要。

傳統電連接將面臨功耗、距離和頻寬密度方面日益增大的限制。若光連接能更早進入系統，它就可能改變 ASIC 叢集的架構。

Marvell 也明確表示，Celestial AI 的技術與團隊將被整合進 Marvell 的資料中心業務，以增強下一代 AI 系統的端到端連接能力。

Marvell 透露，Celestial AI 的初始營收貢獻預計將於 FY2028 下半年開始，並在 FY2028 Q4 達到 $500 million 的年化速度。到 FY2029 Q4，年化營收預計將翻倍至 $1 billion。同時，這筆收購預計將使約 $50 million 的 annual non-GAAP 營運費用增加。

Nvidia 對 Marvell 的投資將 ASICs 納入其範圍

當然，Nvidia 不會希望 hyperscaler 的內部 ASIC 完全繞過其系統生態系。如果客戶堅持開發自己的晶片，更好的選擇是讓那些內部 ASIC 能像 NVLink 一樣連接到 Nvidia 的生態系。

隨著 AI inference 規模擴大、內部 AI 工作負載更加穩定，以及資料中心成本壓力上升，客戶無疑會持續推動內部 ASIC。

因此 Nvidia 推出了 NVLink Fusion，允許第三方以某種程度加入 Nvidia 的互連生態系。即使客戶使用 Marvell 提供的 ASIC，他們仍然可以使用 Nvidia 的 interconnect 技術。

Marvell 的理想定位，不僅僅是成為 Nvidia 的下游供應商，而是成為多種不同 AI 系統路徑都需要的關鍵連接層供應商。

因此在過去，市場主要是將 MRVL 與 Broadcom 比較，並問 Marvell 是否能成為僅次於 Broadcom 的第二大 ASIC 供應商。

現在又多了一層估值邏輯：Marvell 是否能同時站在 Nvidia 生態系與 hyperscaler 內部生態系之間，成為雙方都需要的連接平台？

如果可以，其估值潛力將大於一家純 ASIC 設計公司，因為它掌控了系統連接能力。

Broadcom 與 Marvell 的簡要比較

Broadcom 是 ASIC，Marvell 是光互連。這是一個初步結論。它沒有錯，但過於簡化。

Broadcom 更強的定位在於 Ethernet scale-up / scale-out 網路架構，以及交換晶片、SerDes / PHY、網路卡和網路平台。

該公司的核心能力，是透過高效能網路，將 AI 資料中心中的大量運算節點連接成可擴展、可排程、可量產的系統。Tomahawk、Jericho、SerDes、PHY、NICs、CPO 和 ASIC 共同構成了 Broadcom 在 AI 資料中心中的系統層級控制點。

因此 AVGO 的定位更偏向網路交換矩陣的控制點。

任何建置大型 AI 叢集的人，都需要高效能交換晶片、低功耗高速 I/O、壅塞控制、Ethernet 架構，以及系統級調優能力。這就是 Broadcom 的優勢。

Marvell 更強的定位在於 DSP、PAM4、coherent 光通訊、ASIC 外圍能力、資料中心之間的連接、silicon photonics，以及在參與 NVLink Fusion 之後的半客製化 scale-up interconnect。

該公司的核心能力不是像 Broadcom 那樣控制整個網路架構，而是盡可能掌握 AI 資料流移動鏈條中的更多關鍵連接點。

因此 Marvell 的定位更偏向資料交換鏈中的多個連接點。

Marvell 不是每一層的絕對領導者，但它參與了許多細分領域，包括 ASIC 外圍、光模組內部、資料中心之間連接、PCIe retimers、主動式纜線 DSP、silicon photonic interconnect，以及 scale-up interconnect。公司的收入更多來自 AI 資料移動時對連接晶片持續增長的需求。

而 hyperscaler 的採購哲學通常是：短期買最好的方案，中期扶持第二供應商，長期推動開放標準，同時依不同 workload 將供應鏈拆分。這也是 MRVL 股價可能擁有更大上行空間的重要原因之一。