当英伟达、谷歌、亚马逊纷纷自研 AI 芯片时，一家老牌芯片公司正在赌一个更底层的方向——如何让这些芯片之间的数据跑得更快。这家公司是 Marvell。2025 年底，它宣布收购 Celestial AI；2026 年 2 月 2 日交易正式完成。根据 Marvell 提交给美国证券交易委员会的 10-Q 文件，这笔收购的基础对价为 35 亿美元，算上业绩对赌，总交易价值最高可达约 55 亿美元。Celestial AI 的核心资产是一项名为 Photonic Fabric 的光子互联技术，专门用于下一代 AI 数据中心的 scale-up（机架内/芯片间）互联。

为什么光互联突然成了 AI 基建的必争之地

AI 集群越做越大，瓶颈也在转移。过去行业关心的是单颗 GPU 有多少算力，接着开始追问 HBM 内存带宽够不够，现在越来越多工程师意识到：真正卡脖子的，可能是芯片之间的数据搬运。

以当前的大型语言模型训练为例，成千上万个计算节点需要频繁交换梯度、激活值和模型参数。铜缆在短距离内依然便宜，但当集群规模扩展到整个机架、整座数据中心时，距离、带宽密度和功耗都会把铜缆逼到极限。光互联的优势正是在这里体现：光纤可以在更远的距离、以更高的带宽、更低的能耗传输数据。Celestial AI 的 Photonic Fabric 试图把光互联进一步推向芯片内部，让光子通道直接连接处理器、内存和加速器，而不是停留在板级或机架级。

Marvell 在 2026 财年第二季度（截至 8 月 1 日）的业绩说明中给出了一组数字：当季营收 27 亿美元，同比增长 37%；数据中心业务同比增长 46%，占公司总营收的 79%。公司还把 2027 财年和 2028 财年的收入指引分别上调至约 120 亿美元和 180 亿美元。CEO Matt Murphy 在新闻稿中表示，连接能力正成为 AI 和云数据中心架构中「最苛刻的需求」之一。

55 亿美元买了什么

Celestial AI 的技术路线可以概括为「把光带进芯片封装」。传统可插拔光模块主要负责机架之间或服务器之间的连接，而 Photonic Fabric 想做的是芯片与芯片之间、甚至芯片内部的高速光通道。这意味着未来一块 AI 加速器板卡上，GPU/ASIC、HBM 内存、网络接口和存储控制器可以通过光链路直接通信，绕开部分电互连的带宽和功耗瓶颈。

Marvell 在这笔收购之外，近一年还连续出手补齐互联版图：收购 XConn Technologies 强化 PCIe/CXL 交换能力，收购 Polariton 增强光电调制器技术。加上自有的高速 SerDes、数据中心网络芯片、存储控制器和内存接口产品线，Marvell 试图覆盖从 scale-out（跨机架网络）到 scale-up（机架内互联）再到芯片级光互连的完整链条。

更值得关注的是客户绑定。2026 年 8 月，Marvell 与谷歌达成了一份规模更大的合作协议：Marvell 将向谷歌授予最高约 5897 万股普通股的认股权证，行权价 206.58 美元，其中业绩解锁部分与谷歌定制 ASIC 订单收入挂钩。根据 OFweek 等国内科技媒体援引的协议细节，这批订单涵盖 AI 推理加速器、存储控制器、网络接口控制器、内存接口控制器和近存计算芯片。这笔交易让 Marvell 深度绑定了谷歌的 AI 基础设施供应链。

不是替代 GPU，而是让算力连得更顺

Marvell 的策略并不是去和英伟达正面竞争 GPU。它的逻辑是：无论云端使用 GPU 还是自研 ASIC，数据搬运、光连接、存储访问都是绕不开的工程问题。当 AI 集群的规模继续膨胀，连接芯片在整机成本中的占比会越来越高。

目前数据中心光互联市场正处于 800G 放量、1.6T 快速导入的过渡期；再往远看，scale-up 光学互连、CPO（共封装光学）和芯片级光 I/O 是下一轮技术竞争的焦点。Marvell 预计 Celestial AI 最早在 2028 财年下半年开始贡献收入，到 2029 财年第四季度年化收入有望达到 10 亿美元。

风险与挑战

这笔豪赌并非没有风险。CPO 和芯片级光互联仍处在早期工程验证阶段，良率、封装成本、热管理和标准化都是尚未完全解决的问题。Marvell 的 2028 财年指引中已经计入了部分谷歌合作收入，但更大幅度的增量可能要等到 2029 财年以后。Celestial AI 带来的非 GAAP 年度运营支出增加约 5000 万美元，也要求后续收入快速爬坡才能摊薄。

此外，英伟达也在光互联领域积极布局。2025 年 6 月前后，英伟达先后向 Lumentum、Coherent 和 Marvell 各投资约 20 亿美元，三家合计约 60 亿美元，意在锁定 AI 数据中心的光供应链。博通、联发科、Astera Labs 等公司同样在争夺这块市场。

结论

Marvell 用 55 亿美元买下 Celestial AI，不是为了赌某一款明星芯片，而是在赌一个产业判断：AI 数据中心的瓶颈，正从「算得更快」转向「搬得更顺」。光互联、CPO 和芯片级光子通道，可能会成为下一阶段 AI 基础设施中价值量最大的环节之一。如果 Photonic Fabric 能在未来几年实现规模化商用，这笔收购将为 Marvell 打开一个比传统网络芯片大得多的新市场。

国际半导体产业协会（SEMI）全球首席营销官、中国台湾地区总裁 Terry Tsao 在展会前瞻中直言：在如今的AI系统里，数据搬运消耗的能量可能超过计算本身，“系统架构而非单颗芯片性能，成了新的瓶颈”。他认为，突破功耗天花板，必须把算力、内存与互连当作一个整体来协同设计。

铜线撞墙，光来接力

过去几十年，数据中心靠铜缆在芯片与交换机之间传输数据。但当AI集群从单机柜扩展到多机柜，铜互连在带宽、功耗效率和传输距离上陆续触顶。硅光子技术的思路是用“光”代替“电”来搬运数据：通过光子而非电信号传输，可以显著降低高速数据移动所需的功耗，成为更高效AI基础设施的关键。

从可插拔到共封装

当前数据中心大量使用400G、800G可插拔光模块。然而当速率迈向1.6T甚至更高，传统模块在功耗、散热与可靠性上逐渐吃紧。产业因此转向板载光学（OBO）与共封装光学（CPO）：后者把硅光子引擎与交换芯片紧紧贴在一起、共同封装，把信号传输距离压到最短，既减少走线带来的功耗与延迟，又能在相同面积内提供更高通道密度。调研机构 TrendForce 指出，CPO将率先在中长距数据传输场景渗透，短期仍难完全取代短距铜线。

2026，放量元年

多家调研机构把2026年视为CPO从验证走向量产的关键转折。MoneyDJ 专题梳理显示，博通（Broadcom）旗下 Tomahawk 系列交换芯片已结合CPO光模块进行商业测试，规划于2026年全面量产；英伟达（NVIDIA）新一代 Rubin 架构也传出导入CPO方案，并与四大云服务商同步推进。台积电、日月光（ASE）、谷歌云（Google Cloud）、AMD 等则在峰会齐聚，围绕标准化与生态协同展开角力。市场层面，2026年800G光收发模块出货量预计达3000万至3400万支，1.6T模块约500万至700万支。

仍要翻越三座山

CPO并非没有门槛。首先是良率与制程：硅光子与高阶交换芯片共同封装对精度要求极高，微小偏差即可能影响性能。其次是散热与可靠性：光引擎紧贴专用芯片后，长时间运行的稳定性成为难题。再次是标准尚未统一——不同厂商的设计路线存在差异，高密度光纤连接与激光光源也还未完全统一，影响了互联互通。Mordor Intelligence 等机构认为，2026至2028年才是CPO与交换芯片世代升级绑定的“黄金窗口”。

对中国台湾地区供应链而言，这场架构转向是机会也是考验。台积电、日月光在晶圆代工与先进封装上扮演要角，联亚、华星光、光圣等厂商扩充硅光与高速模块产能，众达-KY 与博通合作的CPO方案预计2026年率先放量。硅光子能否从研发讨论真正走向大规模商业部署，取决于产业链协同与标准统一的速度。

论文题为《Co-packaged optics for high-performance computing and artificial intelligence》，通讯作者为 SK 海力士 AI 基础设施团队负责人洪承勋（Seunghoon Hong）与弗吉尼亚大学电气与计算机工程系李圭尚（Kyusang Lee）教授，合作方包括伊利诺伊大学厄巴纳-香槟分校、南洋理工大学、麻省理工学院和延世大学的研究人员。

瓶颈从封装里挪到了封装外

在生成式 AI 起步阶段，高带宽内存（HBM）解决的是 AI 加速器封装内部的内存瓶颈，通过大幅提升带宽显著改善了性能表现。但当超大规模 AI 集群把数千颗 GPU 和 HBM 堆叠组合在一起之后，新的瓶颈出现在系统之间的数据传输环节，论文称之为”带宽墙”（bandwidth wall）。

论文给出的关键数据是一组明显的剪刀差：算力吞吐通常每两年增长约 3 倍，而互连带宽在同期只增长约 1.4 倍。差距不断拉大，带宽墙就越来越难绕过。

问题的物理根源在铜线。用于把数据送出芯片封装、在机架之间传输的传统电气互连，随着传输距离增加，信号损耗和功耗都会快速上升，因此被越来越多地视为下一代 AI 数据中心的限制因素。

“即便计算芯片变得更强，如果芯片之间的数据传输跟不上，整体系统性能也无法提升，”李圭尚表示，”用光链路替代存在固有物理限制的铜互连，是通往未来可扩展性最有希望的路径。”

CPO 的思路：把光引擎塞进处理器封装

超大规模 AI 模型已经不在单颗芯片或单台服务器上训练，而是运行在按机架（rack）和 Pod 组织起来的庞大网络中。在这类架构下，系统整体性能不只取决于处理器、内存和 AI 加速器之间的连接，还取决于数据在机架之间流动的效率。

CPO 的核心做法是把光收发器与处理器集成到同一个封装内，让高速电信号只需走封装内部的极短距离，剩下的链路交给光信号完成。光引擎离处理器越近，电信号路径越短，带宽密度和能效就同步提升。

针对下一代 AI 基础设施，研究团队给出了三项明确的性能目标：单节点带宽超过 100 Tb/s、每传输一比特数据的能耗低于 1 pJ、芯片间延迟低于 10 纳秒。论文同时梳理了从 2D 封装到 2.5D 中介层、再到 3D 异构集成的演进路径，并逐一列出了商用化必须攻克的关键技术挑战。

最激进的部分：把光延伸到内存接口

论文最具前瞻性的内容，是提出”以光为中心”（optics-centric）的长期架构设想。目前 CPO 主要解决处理器之间、机架之间的光互连，而 SK 海力士的方向是把光互连继续向内推进，一直延伸到内存接口。

当前的 AI 服务器把 HBM 紧贴 GPU 放置，用数千条电气引线连接，以便快速供给运算所需数据。但 GPU 性能越高，需要的内存容量和数据吞吐量也越大，而 GPU 周围的物理空间有限，持续增加 HBM 堆叠会遇到硬性约束。

SK 海力士给出的方案是不再让内存只能待在 GPU 身边：借助”光中介层”（optical interposer）结构，用光信号把运算资源池与内存资源池直接连接起来，多个 AI 加速器共享同一个大容量内存池。中介层是连接多颗芯片的薄基板，在其中铺设光信号通路，可以缩短 GPU 与内存之间电信号必须走的距离。

“把光互连延伸到内存之后，就能绕过运算芯片周围的物理约束，突破内存容量与布线数量的上限，”李圭尚说，”多个加速器共享一个巨大的内存池，让 AI 模型的规模化拥有更高灵活性。”

不是马上就能买到的产品

需要说明的是，这篇论文并不意味着相关产品立即商用。要在 AI 数据中心大规模应用 CPO，仍有不少技术门槛尚待跨越，包括降低光器件的功耗与发热、开发适配光互连的内存一致性协议、验证光器件在数据中心高温环境下的长期可靠性，以及控制 2.5D/3D 先进封装的良率和量产成本。

论文强调的另一个关键概念是”共同设计”（co-design）——CPO 不是单一器件的升级，而需要把内存器件、控制器、光器件和封装作为一个整体系统协同设计。

这也解释了这篇论文对 SK 海力士自身的意义：其角色正从 HBM 的部件供应商，向参与定义 AI 基础设施系统架构的合作方转变。洪承勋表示，内存公司的角色正在从”单纯提供产品”演变为”帮助客户构建整个系统竞争力的合作伙伴”，公司将继续扩大与客户和生态伙伴的开放合作。