Marvell shares the latest AI progress: Custom computing is fully exploding, targeting a market of $94 billion

Marvell 剛剛結束的 Custom AI 投資者日透露出一個明確信號：AI 芯片正在從 “通用 GPU 拼裝” 走向 “高度定製的系統級協同”。Marvell 不再只是一個芯片設計公司，而是 AI 公司打造算力底座時的關鍵基礎設施合作方。

Marvell 將 2028 年數據中心潛在市場規模（TAM）的預期，從去年的 750 億美元上修至 940 億美元，其中定製計算（XPU）及其配套組件市場規模達到 550 億美元。

Marvell 指出，定製計算（XPU）和 XPU Attach(配套組件) 是增長最快的兩大領域 。過去一年，定製計算的市場增長了近 30%，互連（interconnect）增長了約 37% 。Marvell 的雲收入未來將全面轉向 AI 收入，這反映了 AI 在所有應用和雲基礎設施中的深度融合，雲正成為 AI 的 “工廠” 。

AI 芯片已進入 “系統定製” 時代

Marvell 強調：定製化芯片是滿足新型工作負載需求的關鍵，是 AI 基礎設施的未來，並且正在 “每個雲端” 發生。

從核心 XPU 芯片，到配套的高帶寬內存（HBM）、互聯控制、供電等 “XPU Attach” 模塊，客户都在為自己的 AI 應用場景打造專屬系統。

公司 CEO Matt Murphy 在大會上指出：“如果你現在才開始準備做定製芯片，那已經太晚了。” Marvell 自 2018 年起押注定製方向，今天已經形成完整體系。

TAM 大幅上修，至 940 億美元

在去年披露的 750 億美元市場預期基礎上，Marvell 今年將定製芯片的 2028 年目標市場規模（TAM）上修至940 億美元，年複合增速達 35%。其中：

• 定製 XPU：400 億美元，CAGR（複合年增長率）47%
• XPU 配套組件：150 億美元，CAGR 高達 90%，幾乎每年翻倍

Marvell 預計，雲收入未來將全面轉向 AI 收入，反映了 AI 在所有應用和雲基礎設施中的深度融合。

團隊還觀察到，工作負載正趨於多樣化，採用專用芯片在成本與性能方面具有顯著優勢。Marvell 指出，相較於 GPU，XPU 在工作負載中能提供更優性能。當前 XPU 在 AI 計算市場佔比約 25%，Marvell 認為隨着 ASIC 供應商技術突破，這一份額有望繼續提升。

客户結構變化：新興大型 AI 算力自建者與主權 AI 浮出水面

傳統雲計算四巨頭（亞馬遜 AWS、微軟 Azure、谷歌、Meta）仍然是主力，但 Marvell 指出，Emerging Hyperscalers（新興大型 AI 算力自建者，例如 xAI、Tesla 等）正在崛起，開始自主建設 AI 集羣並推進定製芯片。

與此同時，“Sovereign AI”（由國家推動的本地 AI 基礎設施）也成為全新增長方向，多個國家已展開投資，這將推動更多 AI 芯片定製需求在全球範圍內爆發。

Marvell 已拿下 18 個客户 Socket，未來仍有 50+ 項目在洽談中

當前，Marvell 已經拿下 18 個定製 Socket（客户定製芯片項目單元）項目，多為長期多代項目：

• 其中 5 個為核心 XPU 項目
• 13 個為 XPU 配套組件相關項目

此外，Marvell 還在積極跟進超過 50 個新項目機會，覆蓋 10+ 家客户，潛在生命週期收入合計可達 750 億美元。

Marvell 預計多個 Socket 將在2026-2027 年進入量產，特別是一顆 “重量級 XPU”，將成為推動收入加速的關鍵拐點。

Marvell 設定了到 2028 年在定製計算市場獲得 20% 市場份額的目標。公司透露，幾年前其市場份額還不足 5%，如今已達到 13%。20% 的份額是 “最佳預估”，也是合理的下一步目標。

當被問及是否 “已深入參與繼當前 3 納米設計後的下一代項目開發”（主要客户為亞馬遜）時，Marvell 明確回答 “當然”，並解釋了產品迭代週期要求他們必須並行開發芯片（即確認了 T4 和 MAIA 3 項目）。

技術突破：SRAM、HBM 與 Die-to-Die 互聯

Marvell 在本次活動中展示了多個關鍵模塊的技術突破：

• 2nm 定製 SRAM：帶寬密度是市面主流 IP 的 17 倍，待機功耗降低 66%
• 自研 HBM 方案：通過底層 Die-to-Die 互聯，騰出 1.7 倍可用核心面積，功耗降低 75%
• Die-to-Die 通信：帶寬密度超過 10 Tbps/mm，功耗低至亞皮焦（sub-pJ/bit）級別
• Co-Packaged Optics：將光通信直接整合進封裝，解決傳統銅線遠距離低能效問題

這些模塊是支撐高性能 AI 訓練和推理架構擴展的基礎能力。