2026 Marvell未来AI技术路线图

内容来自Marvell投资者日报告《2026 Marvell未来AI技术路线图》，AI 的瓶颈已经不只是算力芯片，连接、数据移动、内存体系是 AI 规模化落地的核心矛盾，AI Token 生成成本本质是连接挑战。

报告完整展示Marvell 面向 AI 全距离、全场景的光互连、DSP、交换、内存扩展、定制芯片完整技术路线，下面按产业痛点、技术架构、产品矩阵、内存解决方案、市场展望五大模块梳理。

一、AI 产业两大核心瓶颈：内存墙、铜墙

内存墙（Memory Wall） 随着大模型、MoE 混合专家模型、智能体 AI 普及，上下文变长，KV 缓存（KV Cache）容量与带宽需求爆发式增长；XPU 算力持续提升，但 HBM 容量有限，本地高速内存放不下全部 KV 缓存，频繁发生内存逐出、重载、重计算，推理时延飙升，token 产出效率下降，内存成为制约 AI 性能的首要瓶颈。传统架构内存被限制在单芯片、单机框内部，需要把内存变成跨服务器、跨机架的共享资源池。

铜墙（Copper Wall）铜缆互连存在物理上限：仅适合单机架内短距离传输；AI 集群需要上千颗 XPU 协同（Scaleup 纵向扩展），铜缆无法支撑跨机架的高带宽、低时延；AI 数据中心超过 85% 流量来自 Scaleup 纵向扩展场景，铜互连已经成为集群扩展的瓶颈，必须走向光互连。

Marvell提出AI 不再仅仅是硅算力问题，而是数据搬运与连接问题（AI tokenomics is a connectivity challenge），连接指标包含带宽、时延、功耗、传输距离、每秒可服务token 数量。

二、Scale-in、Scale-up、Scale-out、Scale-across四大互联层级

Marvell完整覆盖从芯片内部直到跨千公里分布式数据中心全链路，区分四类扩展场景，匹配不同光/电技术方案。

三、DSP 与光模块产品路线：从 1.6T 走向 3.2T、6.4T

1）PAM DSP（面向Scale-in/Scale-up/Scale-out）

Ara 系列（3nm）：Ara 基础版、Ara-T 功耗优化版、Ara-X 可靠性增强版、Ara-M 安全加密版；

Petra：3nm Gearbox 变速齿轮箱 DSP，侧重部署灵活性；

路线演进：3nm 1.6T → 2nm PAM 3.2T DSP，ECOC 展会完成实机演示 8×400G（448G SerDes）光模块。

2）Coherentlite轻量相干DSP（数据中心园区内）

推出2nm 轻量相干3.2T DSP，演示2×1.6T模块，兼顾功耗、带宽与成本。

3）长距相干 DCI（Scaleacross 跨数据中心）COLORZ 系列

COLORZ 800：Libra 2nm CDSP，800G ZR/ZR+，内置 MACsec 硬件加密；

COLORZ 1600：Electra 2nm CDSP，业界首款 2nm 1.6T ZR/ZR + 可插拔光模块，传输距离可达 1000km 以上。

四、交换芯片、网卡、半定制XPU 配套业务

1.交换芯片：交换带宽路标12.8T→51T→100T→200T→400T，同时支持 Ethernet、ESUN、UALink、NVLink 多类 AI 互联协议，适配不同客户集群架构。

2.智能网卡NIC：传统通用网卡难以满足AI，Marvell 提供标准 OCTEON 智能网卡以及面向 XPU 配套的半定制 NIC。

3.XPU Attach 半定制业务（新增长点） AI 加速器 XPU 复杂度持续升级，Die 数量、HBM 数量、光 I/O 数量不断提升。Marvell 提供全套配套 IP 与芯片：SerDes、芯粒互连 Dietodie IP、先进封装、SRAM 定制、HBM 配套、NPO/CPO 光 I/O、内存扩展芯片、推理卸载协处理器、AI 基础设施管理处理器BMC。

五、整体总结与战略逻辑

1.AI 发展进入智能体 Agent、MoE 大模型阶段，瓶颈从单纯算力转向内存、互联、数据移动；“内存墙”、“铜墙” 两大物理约束限制集群规模。

2.Marvell不做AI计算 XPU，聚焦AI基础设施 “连接层”，完整覆盖 Scale-in/Scale-up/Scale-out/Scale-across 四大距离场景，电与光技术协同演进，逐步从铜向 NPO、CPO 光互连迁移。

3.产品矩阵包含：高速模拟IP、多代 DSP（PAM、轻量相干、长距相干）、光模块、CXL 内存控制器、Photonic Fabric 光子共享内存、交换芯片、智能网卡，以及面向 XPU 生态的半定制配套芯片业务。

4.内存层面形成三级方案（本地HBM + CXL 电内存扩展 + Photonic Fabric 跨机架光共享内存）专门解决大模型 KV 缓存的容量压力，提升推理 token 产出效率。

免责申明：本号聚焦相关技术分享，内容观点不代表本号立场，可追溯内容均注明来源，发布文章若存在版权等问题，请留言联系删除，谢谢。