Google真正想造的不是TPU：Marvell正在进入AI数据中心最被低估的一层

信源：Marvell 8-K（2026年8月19日披露，合作协议签署于7月29日）；Marvell FMS 2026产品发布；Google Cloud Next 2026；Google TPU 8i/8t、Virgo Network及AI Hypercomputer官方资料。
如果只看8月19日Marvell披露的8-K，这似乎是一条很容易被概括成“Marvell拿下Google ASIC大单”的新闻。
但把它和FMS 2026、Google新一代TPU以及Virgo网络放在一起，看到的其实是另一件更大的事情：
Google正在重新设计AI数据中心，而Marvell可能正在成为这套系统里负责“让数据流动起来”的关键角色。
这比“Marvell抢了Broadcom多少TPU份额”重要得多。
一份不寻常的合同
先看已经确认的事实。
Marvell披露，与Google签署的Custom Products协议并不只有AI加速器，而同时覆盖五个方向：
AI inference accelerator、Storage Controller、Network Interface Controller、Memory Interface Controller，以及Near-Memory Compute。
Google同时获得了一份与未来采购规模挂钩的Marvell认股权证。除少部分按时间归属外，其余部分分成240档，每产生5亿美元Custom Products收入归属一档。如果全部触发，对应的收入条件最高约1200亿美元，时间延续至Marvell FY2033。
需要强调，这不是Google已经承诺采购1200亿美元。但这种设计至少说明，双方考虑的合作规模远远不是一颗芯片、一个产品周期。
更值得注意的是产品范围。
如果Google只是希望找第二家供应商设计TPU，根本没有必要把存储、NIC、Memory Interface和Near-Memory Compute全部写进同一份协议。
它更像是在寻找一家能够参与整个AI机架甚至AI集群底层硅架构的合作伙伴。
而Marvell刚刚在FMS 2026给出了答案。
FMS 2026真正讲的不是SSD，而是“内存开始网络化”
Marvell在FMS展示了一套非常完整的AI Memory Infrastructure。
在服务器内部，是PCIe 6.0 SSD和Storage Controller；到了机架层，是Structera CXL Memory Expansion和Memory Pooling；再往上到Pod级别，Marvell开始提出Photonic Fabric——通过光互连把分散在不同服务器甚至不同机架上的内存组成共享资源池。
这条路线背后的逻辑非常简单：
AI越来越缺的不是FLOPS，而是数据能够多快到达计算单元。
过去训练大型模型，最重要的是GPU和HBM。
但到了Agent时代，问题开始改变。
数百万Agent同时运行，会产生大量长上下文、KV Cache、工具调用状态、模型路由、检索结果和持久化Memory。所有这些数据都不可能永远放在昂贵的HBM里。
于是AI系统开始自然形成新的Memory Hierarchy：
SRAM → HBM → DRAM/CXL → Shared Memory → NVMe SSD → 分布式存储。
这恰好也是Google正在做的事情。
Google正在把“内存层级”做进AI Hypercomputer
Google新一代TPU已经明显朝这个方向发展。
TPU 8i面向Agentic Inference，Google大幅增加片上SRAM和内存带宽，目的之一就是让热点KV Cache尽可能靠近计算。
但SRAM和HBM容量终究有限。
所以Google同时开始在软件层做KV Cache分层：热点数据放RAM，更冷的数据进入Local SSD，再进一步进入高性能分布式存储。
这其实已经不是传统意义上的“服务器内存”。
Google正在把整个数据中心变成一台拥有多级Memory Hierarchy的超级计算机。
而Marvell合同里的几个关键词——Memory Interface Controller、Near-Memory Compute、Storage Controller和NIC——几乎与这个架构逐层对应。
因此，一个很自然的推演出现了：
Google负责定义这套系统应该怎样工作；
Marvell负责把其中越来越多的数据搬运和内存基础设施做成芯片。
Google真正需要解决的是TPU利用率
这也是理解双方合作最重要的一点。
对于Google这样一年投入接近2000亿美元级别CapEx的公司，真正重要的问题已经不是：
“下一颗TPU还能不能快20%？”
而是：
同样1GW电力、同样100亿美元资本投入，最终可以产生多少有效Token。
假设一颗极其昂贵的TPU，因为等待KV Cache、Storage或者Network，平均只能达到60%的有效利用率，那么再买更多TPU并不一定是最经济的方案。
如果通过更好的Memory Pooling、Storage、NIC和Data Movement，把利用率从60%提高到80%，效果几乎等于凭空多出三分之一计算能力。
这就是Marvell机会真正大的地方。
它并不一定需要取代Broadcom去制造所有TPU。
它只需要让Google已经购买的每一颗TPU变得更有效率。
所以，Marvell不是“第二个Broadcom”
Broadcom仍然是Google TPU非常重要的长期合作伙伴。双方现有协议覆盖未来几代TPU和AI Rack，并延续至2031年，目前没有证据显示Marvell正在全面取代Broadcom。
真正发生的变化更可能是：
Google正在主动建立多供应商Custom Silicon生态。
Broadcom继续深度参与核心计算和网络。
Marvell则可能向另一个更宽的位置扩张：
Inference Accelerator + NIC + Memory Interface + Storage Controller + Near-Memory Compute。
如果再把Marvell现有的CXL、SerDes、DSP、Teralynx Switch以及Photonic Fabric考虑进去，它的能力版图几乎围绕“数据怎么移动”形成了一个完整闭环。
所以我更愿意把未来的Marvell定义为：
AI数据中心里的Data Movement Company。
或者更准确一点：
Google AI Hypercomputer的Memory与Data Movement联合架构伙伴。
最有想象力的一步，是“光进入内存”
这里面最值得长期跟踪的是Photonic Fabric。
传统光通信解决的是：
服务器A如何高速连接服务器B。
但如果Marvell提出的共享内存架构真正规模化，光纤未来还可能承担另一种角色：
让TPU访问几十米之外的共享Memory Pool。
这意味着光通信的角色会发生根本变化：
过去是：
光 = Network。
未来可能变成：
光 = Network + Memory Fabric。
到了那一步，光互连的价值就不再只由GPU数量和交换机端口数量决定，而开始进入AI Memory Hierarchy本身。
这正是“光进计算”之后更进一步的方向——光进内存。
目前没有任何一级来源证明Google已经采用Marvell Photonic Fabric，因此这仍然只是值得验证的假设，而不是既定事实。
但值得注意的是，Google的问题和Marvell提供的答案正在越来越靠近。
最终，Google正在造的可能是一台“数据中心级计算机”
过去我们习惯把Google的优势概括成“Google有TPU”。
这个判断已经越来越不够用了。
Google真正拥有的是：
TPU、CPU、HBM、Storage、Virgo Network、跨数据中心Fabric、Compiler、Pathways、GKE调度系统，以及最后的Gemini和Cloud工作负载。
Google正在尝试自己设计的，不是一颗芯片。
而是整台AI工业机器。
它决定什么任务使用什么芯片，数据放在哪里，KV Cache如何流动，哪个数据中心执行哪一部分计算，甚至哪一个MW电力应该产生最多收入。
在这套体系中，Google更像AI Factory的总架构师。
而Marvell最有可能扮演的角色，则是把Google设计出来的Memory、I/O和Data Movement架构变成真正能够大规模制造的Silicon Infrastructure。
这也是为什么8月19日那份8-K可能比表面上重要得多。
市场第一反应会问：
Marvell从Broadcom手里抢了多少份额？
但真正值得问的问题其实是：
未来一台Google AI Hypercomputer里，除了TPU之外，还有多少芯片最终可以由Marvell提供？
如果答案从一颗NIC，逐渐扩展到Storage、Memory Interface、Near-Memory Compute乃至Optical Fabric，那么Marvell面对的就不再只是一个ASIC Design Win。
它面对的可能是下一代AI数据中心里，围绕Compute不断膨胀的整个Data Movement利润池。
而随着Agent越来越多、上下文越来越长、Memory越来越大，这个利润池很可能比今天市场想象的更重要。