谷歌与Marvell商讨新型AI推理芯片

导语

据The Information于2026年4月19日报道，谷歌（Alphabet）正在与Marvell Technology Group就为谷歌的数据中心开发定制AI推理芯片进行商谈（Investing.com / The Information，2026年4月19日）。报道将这些对话描述为探索性而非已达成的定案，目标是针对推理工作负载——即训练之后的实时模型执行——而非由NVIDIA主导的大规模基于GPU的训练堆栈。对于Alphabet而言，此举将延续其多年的垂直整合专用硅片战略，早在2016年谷歌就公开推出了TPU（Google博客，2016）。对于以网络和定制SoC见长、并在2021年以100.0亿美元收购Inphi的Marvell而言，这些商谈将标志着其向超大规模云服务商AI硅设计与知识产权（IP）领域的延伸（Marvell新闻稿，2021）。

背景

此次报道发生在AI硬件市场快速增长与细分的背景下。业界通常将训练与推理区分开来——训练越来越集中于需要大规模并行运算的GPU，而推理则更看重延迟、能效与总体拥有成本；云运营商更优先考虑每次查询的推理成本，因为规模经济可以显著降低该成本。公开的超大规模云服务商历来追求自研硅片以优化其软件栈与数据中心架构：谷歌在2016年推出首代Tensor Processing Unit用于内部工作负载，随后在其云产品中开放了TPU实例（Google博客，2016）。若Marvell合作成行，这一关系将契合上述模式：Marvell在高速SerDes、交换与定制SoC方面的IP可补足超大规模云服务商在网络接口卡（NIC）、交换与加速器之间集成需求的能力。

数据深入分析

该消息来源日期为2026年4月19日（Investing.com / The Information，2026年4月19日），并描述了初步谈判而非具有约束力的协议。Marvell于2021年以100.0亿美元收购Inphi，这一可验证的先例扩大了Marvell在高速光互连与数据中心互联领域的立足点——这些能力与将加速器与网络结构集成密切相关（Marvell新闻稿，2021）。谷歌的TPU项目自2016年起对外公开，之后演进为用于训练与推理的多代ASIC；该项目的存在表明谷歌长期具备设计定制加速器的能力，同时也表明在规模或专业化需求出现时，谷歌愿意与外部硅片供应商合作（Google博客，2016）。

为进一步量化可触达市场，独立行业估算将更广泛的AI硅市场（包括训练与推理加速器、相关的网络接口卡与互连）在2020年代中期的年度规模置于数百亿美元量级，主要由云需求与本地部署驱动。已发布的具体预测因来源与预测方法不同而异，但领先分析师普遍预计2023至2028年间AI硬件将保持两位数的复合年增长率（行业分析师报告，2023-25）。对追踪直接股权暴露的投资者而言，直接影响将落在Marvell（MRVL）与Alphabet（GOOGL），并可能对加速器与网络领域的现有厂商如NVIDIA（NVDA）与Broadcom（AVGO）产生二阶影响。

行业影响

谷歌与Marvell的合作若成行，将表明AI堆栈中推理环节正朝向日益碎片化与专业化发展。NVIDIA在高性能训练GPU领域保持主导地位，但推理代表了不同的商业场景：延迟、每次推理的能耗成本以及机架级效率可能使定制ASIC和FPGA在大规模生产时在经济性上优于GPU。对于云客户和超大规模云服务商而言，定制推理解决方案可根据工作负载特性与利用率在每次查询成本上带来显著降低。这为大型运营商提供了从GPU单一供应模式多样化的商业动机——这一趋势已由谷歌的TPU实例及其他超大规模云服务商部署的定制ASIC可见端倪。

对于芯片供应商而言，Marvell作为超大规模云服务商潜在合作伙伴的进入将重塑竞争格局。Marvell的产品组合融合了高速互连、以太网交换芯片和定制SoC能力，适合用于集成化的加速器模块。这可能给依赖离散NIC或依赖第三方加速器但缺乏网络集成堆栈的供应商带来压力。相反，这并不会直接取代高端训练GPU供应商；更准确地说，它会在推理细分市场增加竞争，随着时间推移可能压缩独立推理GPU产品线的利润率。

风险评估

执行风险显著。报道强调谈判为初步阶段；将超大规模云服务商的规格转化为具备竞争力成本的量产硅片需要多年路线图、代工产能与软硬件协同设计。Marvell并非代工厂——它是一个无晶圆厂（fabless）设计公司，依赖代工伙伴提供先进制程节点，因此亚5纳米以下产能的时间表与可获得性将成为关键约束。更广泛的硅供应链周期性地存在产能紧张：任何试图加速定制推理项目的举措都可能与过去三年影响GPU与ASIC发布的相同约束竞争。

商业采纳风险亦然。即便Marvell为谷歌的推理工作负载打造了定制芯片，要在谷歌的全球机群中部署仍需与编排、容器化与遥测软件集成；这些是复杂的系统工程问题，会延长实现价值的时间。此外，虽然在生产环境中推理可能占已部署AI计算周期的更大份额，但训练需求仍然是许多加速器厂商的重要价值驱动，且