當Google、Meta、Microsoft 紛紛宣布自研 ASIC時，既然可以自己做晶片，誰還要繼續買超貴的 GPU？
「去 Nvidia 化」，似乎是順理成章的結論。
這個邏輯沒有錯，但只對了一半。
當大家還在搶算力時，Nvidia 宣布投資 Marvell Technology 20 億美元。這筆投資，不是在補晶片缺口，而是把戰場往下移了一層->從算力，移到傳輸。
瓶頸早就不在晶片
現在的 AI 訓練早就不是單機競賽，是幾萬顆晶片同時運作。到了這個規模，真正限制效能的不是單顆 GPU 有多強，而是晶片與晶片之間怎麼連接、資料能不能跟上、傳輸順不順暢。
這就是為什麼是 Marvell。
它做的是客製化 ASIC 和矽光子，說白了就是在處理「資料怎麼流動」這件事。
Nvidia 投資它，是在補一塊拼圖——讓整個 AI 系統能順暢運作的那一層。
硬體開源，服務鎖喉
當年 Google 把 Android 開源，看起來誰都能做手機。但真正的控制點不在硬體，在 GMS(Google Mobile Services Google 行動服務)。你可以不用 Google 的手機，但想要完整體驗，還是得接它的服務。
Nvidia 現在的邏輯如出一轍。你可以不買它的 GPU，但當系統規模夠大，透過 NVLink 搭配矽光子把短距離和長距離傳輸一起打通之後，你會發現很難完全繞開它的網路架構。這種東西一旦形成標準，就很難被替代。
資本支出的板塊位移
從投資角度來看，資本支出的重心正在轉移。過去的邏輯是算力提升 → GPU → 先進製程。
但模型持續變大後，頻寬、延遲，還有記憶體這些問題，都指向同一件事：資料要能有效率地流動。
這代表被忽略的供應鏈開始變重要—光通訊元件、測試設備、光電整合封裝，這些原本比較邊緣的環節，會慢慢走到舞台中間。
算力之外，還有什麼？
「誰會搶走 Nvidia 的 GPU 訂單？」這問題當然重要，但更關鍵的問題是：當 AI 競爭從單點算力變成系統整體效率時，誰能掌握讓整個系統運作的那一層？
Nvidia 對 Marvell 的佈局其實已經很明顯了。
5/500
