1. 定制XPU（ASIC） ：为AWS、微软、谷歌等云巨头定制AI加速芯片，与英伟达GPU形成互补。
2. 光通信DSP：高速光模块中的核心芯片，负责信号的高速调制解调，是光互联的“大脑”。
3. 高速SerDes：芯片内部及芯片之间的高速数据传输接口技术，是连接性的底层基础。
4. 硅光子与CPO技术：通过收购Celestial AI等布局，掌握将光信号直接送入芯片封装内部的“光子织网”技术。
5. 以太网交换机芯片：新发布的100T以太网交换机，具备行业最低功耗，专为AI数据中心设计。
2026年3月，英伟达宣布向Marvell战略投资20亿美元，是英伟达继Lumentum、Coherent后最大的一笔产业链投资，也标志着双方“联姻”合作正式开启，Marvell从“供应商”升级为“生态核心伙伴”。
对于这次事件，最关键的不是Marvell的想象力，而是黄仁勋话语背后的深层逻辑：AI基础设施的瓶颈正在从“算力”向“连接”转移。
第一阶段：算力瓶颈。
2023-2025年，AI大模型训练需求爆发，英伟达GPU凭借CUDA生态+高带宽优势垄断高端算力市场，2026年市值突破5万亿美元，成为全球首家达此里程碑的科技公司。但单一芯片算力提升已遭遇物理瓶颈：单芯片功耗突破1000W，单卡算力增速从每年2倍降至1.3倍，“算力墙”显现。
第二阶段：内存瓶颈。
2025-2026年，随着万亿参数模型训练需求爆发，HBM成为新瓶颈：单H100需80GB HBM3，Blackwell需192GB HBM3E，内存成本占GPU成本40%+。三星、SK海力士、美光凭借HBM技术优势，先后在2026年市值突破1万亿美元，内存成为AI第二增长极。
第三阶段：连接瓶颈（正在发生）。
当算力和内存都大幅提升后，如何将数百万颗处理器高效协同、让数据以极低延迟和功耗在芯片间、机柜间传输，成为限制系统性能的最后一公里。当前AI集群的瓶颈已从“算力和内存不足”转向“连接不够快、不够宽”。
据伯恩斯坦测算，2025年AI连接市场规模140亿美元，2030年将达730亿美元，年复合增速39%，占AI基础设施总市场的39%，是AI产业链增长最快的环节。Marvell作为该领域市占率超30%的龙头，直接受益这一浪潮，这也是黄仁勋给出“万亿美元市值”预判的核心依据。
黄仁勋也再次强调，AI正在迈向智能体模式——一个复杂任务被拆解成无数子任务，分布式部署在巨大的计算集群中并行处理。这种模式对集群内和集群间的通信带宽与延迟提出了极高要求。连接的优劣，直接决定了Token的生产效率和成本。
万亿连接市场的核心环节：
1. 芯片级连接（XPU-to-XPU，Scale-up核心）。在芯片内部，计算核心之间的互联效率决定了单芯片的性能上限。主要包含高速SerDes、Scale-up交换芯片、CXL交换芯片等环节。
2.
机柜内连接（Rack-scale）。英伟达的定调是“能用铜缆的地方就用铜缆，必须用光学器件的地方才用光学器件”，目前铜背板仍是主流，但“铜墙”正在逼近。当速率达到224G甚至448G per lane时，机柜内部也将大面积“光进铜退”，CPO技术应运而生——将光引擎直接与交换芯片封装在一起，彻底消除信号在PCB上传输的损耗和距离限制。
3.
机柜间连接（Scale-out）。成千上万个机柜通过以太网交换机互联，形成万卡甚至十万卡集群，这一层目前主要依赖可插拔光模块，其中DSP（数字信号处理器）芯片正是光模块的核心，也是Marvell的拳头产品。
4.
数据中心间连接（DCI）。随着电力供应和土地资源的限制，单一数据中心不可能无限扩大，未来将走向多地分布式训练与推理。连接不同地理位置的智算中心，需要相干光通信技术，实现数百公里以上的超高速、大容量数据传输。
作者声明： 本文转载自第三方，旨在提供资讯参考，并非证券推荐或投资建议。作者对内容的真实性、准确性不承担保证责任。本文不构成任何投资建议或证券推荐。截至发文日，作者与文中提及的标的不存在持仓关系。