MRVL target ang 10x na kita sa loob ng limang taon, AMD muling sumigla ang CPU business

Sa ngayon, ang buong hardware architecture ng AI data centers ay muling dinisenyo, at ang CPU, mga custom chip, optical interconnect, switch, network card, memory interface, at storage controller ay lahat nagsisimula ring sumabay sa GPU sa bagong yugto ng malakas na demand.

Noong Oktubre 6, biglang tinaasan ng Marvell (MRVL) ang kanilang long-term target sa Investors Day. Inaasahan ng kumpanya na ang kita sa fiscal year 2028 ay aabot sa humigit-kumulang $20 bilyon, at sa fiscal year 2031 ay higit pang tataas sa $70 bilyon hanggang $90 bilyon, na may gitna sa mga $80 bilyon.

Bilang paghahambing, ang kita ng Marvell noong fiscal year 2026 ay halos $8.2 bilyon lamang, ibig sabihin, sinasabi talaga ng kumpanya sa Wall Street: Sa susunod na limang taon, may pagkakataon ang Marvell na mula sa isang chip company na kumikita ng mahigit $8 bilyon kada taon, maging isang AI infrastructure giant na halos $80 bilyon ang kita.

Samantala, itinaas ng Citi ang global CPU market potential size para sa taong 2030 nito sa $300 bilyon, kumpara sa halos $29 bilyon noong 2025, katumbas ng higit 10x na paglaki sa loob ng limang taon, at itinaas ang target price ng AMD mula $575 patungong $800.

Sa ibabaw, ang isa ay tungkol sa Marvell, ang isa ay tungkol sa AMD, ngunit ganap na magkapareho ang dahilan sa likod nito: Ang AI ay lumilipat mula sa unang yugto ng "model training," papunta sa ikalawang yugto ng "totoong pagpapatrabaho sa AI."

Ang kaibahan ng dalawang ito ang tutukoy kung saan dadaloy ang pera sa susunod na siklo ng AI industry chain.

Sa nakaraang tatlong taon, ang pinakasimpleng paraan para kumita sa AI industry ay ang pagbili ng GPU. OpenAI, Meta, Google, at Microsoft ay nagpapalaki ng kanilang mga modelo, na nangangailangan ng mas maraming Nvidia GPU, kaya naging pinakamalaking bottleneck sa buong AI industry ang GPU.

Ngunit pagdating sa Agentic AI, o AI Intelligent Agent phase, nagsisimula nang magbago ang sitwasyon.

Ang tradisyunal na ChatGPT na chatbots, kadalasan ay idle lang. Magtatanong ka, magra-run ang modelo minsan, tapos titigil; kapag wala kang tanong, halos walang konsumo ng bagong inference resources.

Ngunit ang bagong henerasyon ng personal AI agents tulad ng Meta Muse ay lubos na naiiba. May sarili itong virtual machine, sariling browser, maaaring tulungan ang user mag-browse ng web, punan ang forms, mag-process ng customer service, mag-book ng serbisyo, tumawag ng iba't ibang software, at patuloy na gumagawa ng trabaho sa background.

Sa madaling salita, sa hinaharap, ang isang AI user ay hindi na lang basta minsan-minsan nagpa-process ng malalaking modelo, kundi maaaring may katumbas na pangmatagalang online na "digital employee".

Babaguhin nito nang buo ang paraan ng computing sa loob ng AI server.

Isang mahalagang datos mula sa Citi: Sa tradisyunal na AI training stage, ang ratio ng CPU sa GPU ay mga 1:8 lamang, ngunit pagpasok sa inference phase, maaaring tumaas ito sa 1:4, at sa Agentic AI phase, maaaring maging halos 1:1, o mas mataas pa.

Hindi komplikado ang dahilan, dahil pinakamahusay ang GPU sa malakihang matrix computation, ngunit kapag talagang nagtatrabaho na ang isang AI agent, bukod sa pagpapaandar ng modelo, kailangan pa nitong magtask scheduling, mag-browse ng web, magbasa ng database, tumawag ng API, magproseso ng security permission, magpatakbo ng OS, mag-manage ng memory, maglipat ng datos at magkoordina ng trabaho ng iba't ibang AI modelo.

Marami sa mga ito ay hindi talaga forte ng GPU, kundi ng CPU, network, at iba't ibang dedicated chips.

Iyan ang dahilan kung bakit biglang inilagay ng Citi ang CPU TAM sa $300 bilyon.

Ang tunay nitong ibig sabihin ay hindi “papalitan na ng CPU ang GPU”—kabaligtaran pa nga—kundi tuwing magdadagdag ka ng GPU, kailangang magdagdag din ng CPU, DRAM, mas mabilis na network, at mas marami pang interconnect devices para sa data center.

Kaya mula sa isang simpleng “GPU arms race” noon, naging kompetisyon na ito ng buong server architecture.

Sa puntong ito, madali nang maintindihan kung bakit naglakas-loob ang Marvell na itaas nang todo ang long-term target sa Investors Day nila.

Inaasahan ng Marvell na pagdating ng 2030, aabot sa $400 bilyon ang kabuuang market size na maaari nilang pasukin, samantalang noong huling ulat nila, wala pang $100 bilyon ang numerong ito—apat na beses ang paglaki sa ilang taon lamang.

Sa mga ito:

• Ang custom chip market ay inaasahang aabot sa humigit-kumulang $235 bilyon, na siyang magiging pinakamalaking potential market ng Marvell sa hinaharap.

• AI data center interconnect market ay inaasahang aabot sa $65 bilyon, at inaasahang isa sa pinaka-mabilis lumaking negosyo.

• Switch at storage related market ay inaasahang aabot sa mga $85 bilyon.

• Telco at iba pang negosyo ay may natitirang $15 bilyon na market space.

Ang totoong kahulugan sa likod ng mga numerong ito ay hindi ang mismong $400 bilyon, kundi ang opinyon ng Marvell na ang pinakamabilis na paglago sa AI data center ay magsisimula nang lumipat mula sa simpleng Compute patungong Connectivity.

Maraming ordinaryong investors ang nagkakamali, iniisip na ang pinakamahalagang bahagi ng AI data centers ay ang GPU.

Sa katunayan, kapag ang AI cluster ay lumaki mula sa ilang libong GPU patungong daan-daan libo o kahit milyun-milyong XPU, isa sa pinakamalaking engineering problem ay: paano ba talaga lilipat ng data sa pagitan ng mga chips na ito?

Gaano man kabilis ang GPU kung hindi naaabot ang data, maghihintay pa rin ang GPU.

Kaya't lalong tumitindi ang ilan sa mga pisikal na bottleneck ng AI systems—bitin ang bandwidth, mataas ang latency, malakas sa kuryente ang copper connection, at mas mahaba ang kailangan ng signal distance.

Iyan mismo ang target market ng Marvell.

Tinatayang sa gitnang kita na $80 bilyon ng Marvell sa fiscal year 2031, mga $37.5 bilyon ay galing sa Interconnect business, mga $30 bilyon mula sa Custom Silicon, $10 bilyon mula sa switch at storage, at natitirang $2.5 bilyon mula sa mga tradisyunal na telco at iba pang negosyo.

Sa madaling salita, sa hinaharap, ang pinakamalaking negosyo ng Marvell ay maaaring hindi na mismo ang AI computation chips kundi ang pagpapabilis ng koneksyon ng chips sa loob ng AI data centers.

Ito rin ang bahagi ng Investors Day na maaaring pinakamababang tinaya ng merkado.

Noon, kapag pinag-uusapan ang AI semiconductors, sanay na tanungin ng investors: "Sino ba ang may kakayahang tapatan ang Nvidia GPU?"

Ngunit sa hinaharap, kailangan na ng bagong tanong: "Sa bawat karagdagang GPU o XPU, ilan pang chips ang kailangang idagdag?"

Kung ang sagot ay, bawat GPU ay kailangan ng CPU, NIC, switching chip, optical DSP, Retimer, memory controller, storage controller, at iba’t ibang custom ASIC, ibig sabihin, hindi lang GPU matatagpuan ang pinakamalaking pagkakataon ng paglago ng AI industry chain.

Dito tumataya ang Marvell.

Sa ngayon, nagsu-supply na ang kumpanya ng custom chips sa apat na pinakamalaking Hyperscaler sa US, at mas marami pang proyekto ang hindi na lang paggawa ng malalaking XPU na katapat ng Nvidia GPU, kundi XPU Attach—pagsama ng iba’t ibang specialized chips sa paligid ng AI accelerators.

Tulad ng high-speed network card, memory interface, storage controller, AI infrastructure management chip, at inference accelerator chips.

Binigyan pa ng Marvell management ng praktikal na estimate: Sa hinaharap, bawat XPU ay maaaring may kasama o nakakabit na isa o dalawang dedicated chips, at ang ilan sa mga chip na ito ay maaaring halos $1,000 ang halaga bawat isa.

Kapag ang cloud computing companies ay nagdeploy ng ilang milyong AI chips kada taon, kahit ang “maliit na chip sa tabi ng XPU” ay pwedeng maging bilyon-bilyong dolyar na merkado.

Iyan din ang dahilan kung bakit tinaasan pa ng Marvell ang fiscal year 2029 Custom business target mula mahigit $10 bilyon patungong mahigit $12 bilyon, at inaasahang aabot sa $30 bilyon pagsapit ng fiscal year 2031.

Mas mahalaga, hindi na lang ito basta paggawa ng isang chip para sa isang kliyente.

Maliwanag ang pahayag ng kumpanya: ang custom business ay sumasaklaw na sa apat na pinakamalaking Hyperscaler sa US, at sa hinaharap, mas magdiversify pa ang kita sa iba-ibang kliyente, iba-ibang XPU, at iba't ibang XPU Attach na produkto.

Ang partnership ng Marvell at Google ngayong taon ay isang klasikong halimbawa.

Hindi lang AI chip ang saklaw ng kooperasyon, kundi pati AI inference accelerator, storage controller, network interface controller, memory interface controller at Near-Memory Compute na mga produkto.

Ayon sa kasunduan, kung matupad ang performance ng mga kaugnay na produkto, ang kabuuang potential procurement scale ay maaaring umabot ng $120 bilyon.

Mahalagang paalala: Ang $120 bilyon ay hindi order na garantisado nang bibilhin—hindi dapat direktang ituring bilang backlog ngayon ng Marvell.

Pero importante pa rin ang impormasyon, dahil handang i-bind ng Google ang ganito kalaking potential procurement kay Marvell sa pangmatagalang panahon, ibig sabihin, hindi lang isang ASIC ang kailangan ng cloud giants, kundi buong chip platform na nakapalibot para sa AI infrastructure.

Pananaw ng US Stock Investment Net: Ito ang pinakamalaking kaibahan ng Marvell noon at ngayon.

Ang pinakamalaking tanong ng merkado tungkol sa Marvell noon ay, kung ito ba ay tunay na platform company na may sustainable AI growth potential, o pansamantalang nakinabang lang dala ng ASIC projects ng ilang major clients sa AI investment boom.

Sa Investors Day na ito, malinaw ang sagot ng kumpanya.

Fiscal 2026 revenue, mga $8.2 bilyon; Fiscal 2028, mga $20 bilyon; Fiscal 2031 target, $70-90 bilyon, midpoint $80 bilyon. Kung makamit ang $80 bilyon, katumbas ng halos 10x na paglago sa limang taon, annual compound growth rate halos 58%.

May Non-GAAP EPS target din ang kumpanya na higit $30 sa fiscal 2031, samantalang noong 2026, $2.84 lamang ito.

Hindi na ito ordinaryong paglago ng isang semiconductor company, kundi pagtaya sa tuluy-tuloy na rapid expansion ng AI infrastructure market sa susunod na limang taon.

Kaya narito na ang tunay na dapat pagtuunang pansin: Kapani-paniwala ba talaga ang mga target ng Marvell?

Ang sagot: malinaw ang direksyon, pero kailangang manatiling kalmado ang investors sa mga numero pa rin.

Pinakamalaking risk: Hyperscaler capital expenditure.

Naka-base ang long-term model ng Marvell sa tuloy-tuloy na mabilis na paglaki ng global data center capex. Tinatayang aabot ito ng halos $3 trilyon pagsapit ng 2030, at patuloy na tataas ang share ng top ten Hyperscalers.

Hangga’t patuloy na nagpapalawak ng capex ang Microsoft, Google, Meta, Amazon at iba pang AI giants taon-taon, lalaki ang market ng Marvell; ngunit kung bumaba ang AI return on investment pagkatapos ng dalawang-tatlong taon at bumagal ang data center construction, natural na maaapektuhan ang target ng Marvell para sa 2031.

Pangalawang risk: Kompetisyon.

Ang pinakamalaking kalaban sa custom ASIC ay Broadcom (AVGO), at sa AI network market, direktang kalaban ang network products ng NVIDIA at ibang high-speed interconnect companies.

Ang $400 bilyong TAM ay hindi awtomatikong mapupunta lahat sa Marvell—market share pa rin ang tunay na magdidikta ng kita.

Third risk: Valuation.

Kapag nauna ang market mag-trade batay sa kita para sa 2030-2031, kadalasang mas mabilis tumataas ang presyo ng stock kaysa sa kita. Kahit anong ganda ng five-year growth story, kapag halos na-price-in na sa valuation ang future, malaki pa rin ang risk ng pag-oscillate ng stock price.

Kaya sa pananaw ng US Stock Investment Net, ang tunay na dapat maunawaan ng investors sa AI rally na ito ay hindi lang ang simpleng “hanapin ang susunod na Nvidia.”

Ang mas malaking pagbabago ay: Galing AI sa model training era, pumapasok na sa Agent era—at ang pangangailangan sa Agent era ay hindi lang mas marami pang GPU kundi isang mas kumplikadong data center.

GPU para sa computing, CPU para sa organization at scheduling, DRAM para sa storage, network para sa data transport, optical module at DSP para malampasan ang distance at bandwidth, switching chip para mag-connect ng libu-libong XPU, at custom ASIC para gawing mas efficient at energy-saving ang mga espesyal na gawain.

Kapag naging isang digital employee na nagtatrabaho 24/7 ang AI, iba na ang hardware consumption sa likod ng bawat AI user.

Dahilan din kung bakit ang Citi ay naglakas-loob tumingin ng $300 bilyon CPU market sa 2030, at bakit si Marvell ay nangahas mag-target ng $70-90 bilyon na kita patungong 2031 mula sa kasalukuyang $8.2 bilyon.

Kung magpapatuloy ang AI investment cycle hanggang 2030, ang susunod na yugto ng pag-aaral ay hindi na yung "sino pa bukod sa Nvidia ang bibilhin."

Kundi bawat dagdag na dolyar ng investment sa GPU, gaano kalaking halaga pa ang mapupunta sa CPU, custom chips, optical communications, networking, memory, at storage.

Iyan ang maaring maging susunod na malaking wealth redistribution ng AI industry.