前英特尔 CEO:AI让设计缩到3个月,但物理世界仍要9个月

01摘要

“在人工智能和数字时代，能源能力等同于经济能力。”帕特·基辛格在 a16z 的录音间里说出这句话时，语气不像在抛观点，更像在陈述一条物理定律。这位设计过英特尔 386 与 486 处理器、后来执掌英特尔与 VMware、如今以 Playground Global 普通合伙人身份重新投身早期投资的老兵，正试图把当下这股 AI 硬件狂热重新锚定到基础设施的硬现实里。

基辛格不是没经历过狂热。他 18 岁进英特尔，白天在斯坦福读学位，晚上参与定义现代 EDA（电子设计自动化）的雏形。对他而言，今天 AI 对芯片设计的改造似曾相识：当设计工具足够聪明，真正的瓶颈就会从“画出来”转移到“做出来”。他相信我们正站在一个硬件复兴的起点，但也警告：这场复兴的瓶颈不在芯片图纸上，而在晶圆厂、封装厂、内存、电网和机架里。

这场 53 分钟的对谈，表面主题是“为什么现在是做硬件最好的时机”，实际却在回答一个更尖锐的问题：当 AI 让设计变便宜之后，什么反而会变贵？

在人工智能和数字时代，能源能力等同于经济能力。

基辛格给“现在正是做硬件最好时机”加了一个重要脚注：机会确实存在，但机会不在画芯片图，而在解决设计之后那一长串更硬的物理问题。AI 让芯片设计变便宜了，却也让晶圆厂产能、先进封装、内存、电网、冷却和光学互联变得更稀缺。他整个职业生涯都在做这种“瓶颈搬家”的生意——从 486 到 AI 芯片，设计工具越强大，真正的较量就越靠近物理世界。这或许才是他想说的核心：硬件复兴不是因为它变简单了，而是因为它又变难了，而对于能搞定难的那部分人来说，这才是最好的时机。

02本文要点

1.设计变容易之后，瓶颈会“搬家”：基辛格把今天的 AI 芯片设计潮与 486 时代类比——当年没有 Verilog，英特尔自己发明硬件描述语言、写编译器，再和伯克利做出最早的自动布局布线，奠定了现代 EDA。如今 AI 工具让逻辑设计进一步加速，他甚至预测 Blackwell 会成为“AI 接管设计流程之前的最后一代”。但模拟和射频仍难被 AI 处理，因为缺硅数据；更关键的是，“只要你有技术让某件事变简单，瓶颈就会转移到别的地方”——三个月设计之后，还要三个月晶圆厂、三个月先进封装，再加机架级集成，九个月里 AI 世界早已变了样。

2.九个月的物理时间：流片、封装、机架交付才是真正的瓶颈。基辛格指出，大约 40% 的功耗余量被浪费在保护带（guard banding）上，因为现有工具缺乏三维功耗和热点的精确建模；芯片也不再以单颗交付，而是以整机架方案交付，计算瓦片、3D 封装、供电、散热、网络、软件栈必须同时跑通。此外，大规模 AI 芯片需要巨额资本、数据中心承诺和电力协议，只在一个工作负载区间占优而缺乏规模、生态和客户的设计，历史不会留太多空间。

3.HBM 是一种“糟糕的记忆”：基辛格说，“HBM 是一种糟糕的记忆，只是我们现在能拿到的最好的一个。” 它的比特密度差、边缘带宽受限、功耗和散热问题突出，而 DRAM 本就讨厌高温。更冷峻的是行业史：过去 30 年行业里见过近百种新内存尝试，真正重要的新内存却是零；但 AI 需求把三大内存厂商推上全球市值前 20，行业总市值四年涨了约 2.5 万亿美元，“30 年来首次真正的内存创新已经临近”。方向上他看好 2 到 4 层的“中高层”堆叠，不看好 16/32 层疯狂堆叠、纯光学分离内存和存内计算（PIM）。

4.能源能力即经济能力：基辛格说，“在人工智能和数字时代，能源能力等同于经济能力。” 美国过去 10 到 15 年关停煤电与新增可再生能源速度相当，总能源容量几乎停滞；现在 AI 需求让能源容量增速回升到约 4%，仍远远不够。他预言许多数据中心会因拿不到足够电力而违约，解法包括核能基荷、重振本土电力供应链、800 伏直流配电、GaN 功率转换、液冷与新材料——工程师正在变成“水管工”。

5.百颗 AI 芯片终将收敛：上百种 AI 推理加速器只是暂时现象，“历史上从未有哪个行业能长期容纳 100 家相互竞争的处理器供应商”。最终赢家需要规模、资本、客户，以及软硬件协同演化。AI 智能体确实能“一夜之间写出优化内核”，让短期异质性成为可能，但造一颗芯片仍需一年半才能规模化，资本和规模的力量会把市场压回少数几个平台。

6.从铜缆到光路交换，再到智能体虚拟机：基辛格 25 年前就宣称“铜已死”，在 AI 数据中心里铜缆正变成越来越短的波导，他预计光学 I/O 在 2028–2029 年成为主流；AI 工作负载的大流可预测，网络将从分组交换走向光路交换（OCS），scale-up 与 scale-out 的边界也会模糊。最后谈到虚拟化：VM 不会消失，但服务对象要从人类变成智能体，下一代虚拟化需要为智能体重建抽象层，人类只负责制定宪法和策略，智能体负责执行。

03完整访谈整理

在人工智能和数字时代，能源能力等同于经济能力。如果无法为它们提供足够的电力，我们为什么要建造新的数据中心、购买数百万块 GPU？你会看到越来越多数据中心项目出现违约。只要你有技术让事情变简单，就意味着瓶颈转移到了别的地方。现在早已不是芯片，而是机架。我花了三个月设计它，但距离真正用上它还有九个月。过去 30 年里，我们究竟有过多少次重要的全新内存？零。30 年来首次内存创新即将到来。大约 25 年前，我宣布铜已死，最终我的判断对我们所有做硬件的人来说都是正确的。

今天和我在一起的，是我们尊敬的客人、亲爱的朋友、也是我前老板，帕特·盖尔辛格（Pat Gelsinger）先生。欢迎你，帕特。

谢谢，拉古。很高兴能和你还有吉多（Guido）在一起，对我来说这里有点像老家，对吧？感觉就像我们把一年的变化叠在了一起。不过你俩长得太像了。我状态很好，我们开始吧——你可从没哪天停止过活力充沛。

不过我们还是先从你在英特尔的职业生涯说起吧。你大概在 18、19 岁加入英特尔？

是的，那真是一段充满魔力的时期。我 16 岁意外拿到奖学金，跳过了大学直接进技校。在我高中最后一年半，英特尔来招聘，我此前从没坐过飞机。面试官叫罗恩·史密斯，他后来写道，我是他当天第 12 个面试的人——如果你连续面了 12 个人，到最后就分不清男女了，对吧？他说，12 号房间那个人聪明、好斗、又傲气，很适合待在那儿。于是我受邀加入英特尔，一切从此变得美好。我最初是技术员，286 末期调入设计团队，是 386 的四位设计师之一、486 的建筑师和设计经理——这些工作都是在我读硕士期间完成的。所以这对我来说就是你能拥有的最好的职业：白天学习，晚上实践。

我还记得一位教授在课堂上提出了一种全新的超前进位加法器设计。我在斯坦福的一门课上讲到了 386 的进位前瞻加法器，就去试了试，两天后跟教授说这行不通。接下来两周，我和他在课堂上一直争论他的设计为什么行不通——他有一本要出版的书正用了那种设计，所以对他来说时间非常紧迫。我们当时的互动，我认为正是硅谷如此独特的原因之一：你带着自以为的真理而来，学生却告诉你，实际上并不完全是这样，下一节课你回来说，好的，我查过了，你是对的，那是过时的信息。

486 是你最大的成就，当然很多人参与了开发。你们在芯片设计上取得了一些突破。

那也是一段神奇的时期，因为它发生在人们想象之前，而且它成了现代 EDA（电子设计自动化）行业的一部分。386 的尾声里，486 才是真正第一代现代意义上的芯片。我们做了一层高层设计描述，但当时没有 Verilog，所以我们发明了英特尔硬件描述语言（HDL），我还亲手为它写了编译器。那时也没有自动布局布线，我们和伯克利的 Alberto Sangiovanni-Vincentelli 以及他的学生一起，做出了第一个路由、第一个自动化时序管理。所以某种意义上，是你把 EDA 发展成今天这个样子的？

没错，而且程度非常显著。486 不仅是兼容的流水线微处理器，我们还引领了现代 EDA 行业的许多基础。所以如果我们回头看今天，人们会不会像回望 Blackwell 那样说——这是 AI 接管设计流程之前完成的最后一代微处理器？我们现在是否也处于类似的转型期？

我认为这其中肯定有类似的因素。当你看到像 ChipNeMo 这样的东西，你可以说那是 AI 的第一性原理应用，在芯片设计流程里你会舍弃很多这类东西。但现在，从某种意义上说，有些设计仍然非常困难——很多模拟部分，比如射频，可能就是最好的例子，它们目前还无法被 AI 处理，因为要获得这些能力你需要大量的硅数据。所以要么你在模拟电路设计上变得非常保守，用 AI 来辅助；要么你就得用最笨的办法手工完成。但如今，许多逻辑功能确实可以通过 AI 工具和技术来实现，确实非常不可思议。你们的晶体管预算足够大了，设计工具越来越智能，现在有一些专家在指导这些工具。

我真的觉得它会有点像 486 那样——我们以后会回顾这段历史，然后说，没错，那是芯片设计新时代的开始。当你拥有让某件事变得简单的技术时，那就意味着瓶颈搬到了别的地方。我们现在能预测一下未来的瓶颈会在哪里吗？AI 似乎在某些方面非常擅长，比如创建软件层、编写内核。未来会遇到哪些困难？

我们做个思想实验。假设我和你、吉多一起研发一款很棒的新芯片，针对的是 2036 年、2046 年的 AI 工作负载，我们对 AI 的理解足够好，也知道如何正确表达乘法、累加和寄存器结构。如果我们放开 AI 工具，三个月内就能取得巨大成功，设计出一个很棒的方案，所有模拟元件都采取比较保守的做法。但接下来我们仍然面临几个非常严重的瓶颈。

首先，我们还有九个月的硅加工时间。好，那我能在三个月内设计出这个东西，但实际上九个月内都无法把它大规模地用到真正的硅片上。所以我们必须真正看到这个瓶颈得到改善。我喜欢验证和确认阶段——首先，我不可能在不到三个月的时间里从晶圆厂拿到任何东西，前提是我拥有那种超级强大的设计流程。然后我还要接触高级封装，3D 封装越来越复杂，大概还需要三个月。最后我还要把它放进机架级方案里，因为现在什么都不是芯片了，而是机架。是的，我们已经九个月了：我花了三个月设计好它，但距离真正开始使用它还有九个月。那么我们该如何压缩设计的这些方面？

我认为我们需要新的光刻技术来实现这一点，我们需要一种不需要在量产之前就投入 5000 万美元做掩膜的设计流程。所以对我来说，如何把那段时间压缩到一两个月？因为我现在可以在三个月内完成设计，为什么还要花一年半才能真正拥有规模和软件？等那时候，我对 AI 工作负载的理解可能早已不再适用了。我认为我们现在就能在经纪商（brokered）身上看到这种情况。从历史角度看，Graphcore 的设计其实并不差，但世界总算向前发展了，所有这些方面在某种程度上掩盖了一个事实——AI 让设计工作变简单了，但所有这些生产规模问题，对我来说会成为一个巨大的瓶颈。

当然，另一个瓶颈是内存，也就是内存带宽。正如我所描述的，HBM 是一段糟糕的记忆，只是我们能找到的最好的一个。我正想问你这件事呢——是的，那是一段糟糕的回忆：比特密度非常差，受限于边缘带宽和电力问题，还有散热问题，DRAM 芯片不喜欢高温。把所有东西集中在一个地方，把 AI 交给它真是太糟糕了，因为这是一个内存计算工作负载。所以我需要把这种发展和体现压缩到实际规模，我需要修复内存问题，这是我们需要攻克的另一个关键瓶颈。

还有功耗。目前的电力模拟技术大多存在缺陷，你没有好的三维建模工具来处理功率、功率耗散、热点。你本质上是在保护带（guard band）里运行，几乎耗掉了我的全部功率余量——我 40% 的功率都投入到了保护带中，所以我必须在功率建模方面大幅提升自己。还有，配送模式也需要改变，所有这些事情在我看来就是接下来几个大瓶颈。

所以即使这些设施完全部署完毕，我们仍然面临巨大挑战。我们见证了芯片数量和芯片架构的重生。感觉就像有上百个 AI 推理加速器芯片，而且我肯定我甚至都不认识它们所有人。那么，你们为什么要资助这么多项目呢？你自己也出资了你应尽的那一份。

这一切都归功于做出不同的设计假设——无论是你提到的那些部件，还是在周期曲线的某一部分他们瞄准的目标。那么，你认为这些东西都有容身之地吗？还是说我们生活在一个部分……的世界里？因为吉多谈到了 AI 工具，我们现在有能力建造更多不同种类的芯片。

历史上，从未有过一百家相互竞争的处理器供应商存在于任何行业。那么，未来会更加多元吗？我们拭目以待，看看这真的只是暂时现象吗？最终数量会收敛到少数几个。是的，我认为这只是暂时的，我预计它们最终会趋于一致。可能有三个不同的原因。

其中之一是你现在在计算环境里看到的那种正在出现的异质性——现在我有专门的预填充（prefill）和解码填充（decode fill），人们都在说我们需要专门划分层级。突然之间我的计算舰队在整个工作负载中变得越来越细致。我认为历史上任何时候出现这种情况都是不可持续的。然后当你看着那个，突然之间，当我研究推理模型时，我想要一个看起来更像 CPU 的东西。所以我大部分计算能力需要更多，还有模型和模型工作流程。我非常不喜欢这种极端的专业化，因为我认为工作负载还会继续增加。

第二点是，今天的模型即将经历一些进化上的突破。我觉得大数定律（LLN）有点接近极限了，现在人们都在思考如何真正进行三维建模——当涉及到分子和化学物质时，平坦的 LLN 方法就不太适用了。所以我会看到它的局限性，这将导致算法领域发生不同的变化。一些最有趣的工作任务会回到高性能计算（HPC）式的做法里，突然之间就有了 64 位配置，精度再次成为关键。

我举个例子：想象我的 AI 模型现在正在引出五个最有趣的领域，是为了进行化学分析，这些化学算法即将运行，精度很高，哪一部分会成为主导部分？工作负载很大。所以我认为，当我们优化 AI 系统时，它们会引导我们回到某些更传统的高性能计算事情上。这就是为什么我没看到所有这些 AI 芯片会越来越专业化是针对部分计算工作负载——未必是对的。

现在大概有上百个了吧？获得它们有很多种选择，还有概率性的等等，他们不可能全都赢，因为归根结底你必须在这些事情上达到规模，而规模化意味着你必须赢——你需要筹集资金，你必须给它分配工作负载。所以我觉得这有点违背逻辑，你会拥有上百个这样的东西。我会看到它们回来，因为很简单，资本市场份额会决定哪些是获胜队伍、优秀的设计、优秀的架构。所以行业整合是必然会发生的。

我还期望获胜者会选出一些赢家，比如一位 OpenAI 专家、一位英伟达专家、一位人类学家会说：我喜欢这个，因为它不仅仅是硬件，关键在于硬件和软件代码如何协同演进。所以确实需要投资软件，以及工作负载的演变来充分利用这些平台。

我基本上同意你的观点，让我再试着在这里挑起一点争议，只是为了取得一些有趣的进展。你不喜欢卷入争议吗？不，完全不是。所以很显然，100 家公司不可能进行整合——我完全同意。归根结底，大消费者在某种程度上会挑选出赢家。今天，我认为要成为一家一流的芯片初创公司，在某种程度上取决于你拥有多少和那些真正的大人物一起的牵引力。

还有一种观点认为，在任何过渡时期，你可能会遇到更剧烈的爆炸式不同方法。我认为你可以提出一个论点：从历史上看，我们通常的做法是一种或两种架构，因为不同的指令集很难实现，你必须构建多个编译器，软件的复杂性就体现在这里，规定你只能拥有一定数量的硬件平台。这部分似乎随着 AI 的发展而有所改变——如今，编写一个优化的内核，我的意思是，加州（Cerebras？）就是一个很好的例子，他们基本上是在说人类已经无法对这个系统进行真正的编程了，但智能体的表格一夜之间就能做到。所以如果你能制造具有某种能力的芯片，现在构建软件层要容易得多，结果是否可能是我们有再多一点异质性，因为编程很容易，这种异质性将持续下去？

它改变了一些方面，你知道瓶颈在哪里。但我指出的第一个瓶颈是，建造这些东西仍然需要一年半的时间。第二个瓶颈是，不仅需要一年半把这些东西放到货架和机架秤上，现在为了让它们发挥作用，我能不能借到 500 亿？你说的可不是小额资本支出，是数额巨大的资本支出，还有数据中心、电力需求。所以这将违背很多异质性原则。现在显然都是一些大玩家——我们从 Vidya 与 Grok 的合作中看到了这一点，这种异质性确实存在，但两年后你不会说出 Grok 在 Vidya 体内是什么，它只不过是另一艘船而已。所以你会看到这些架构，这有点像是在掩盖异质性，我的意思是，这就是抽象的意义所在，这就是封装一直以来所做的事情。但我认为那些力量非常强大，同时也暴露出很多异质性，它会被抽象化，归结于其中一些范畴之下。但归根结底，大规模建造这些东西仍然很困难。

你之前提到 HBM 是一种糟糕的内存，迄今为止这是我们目前拥有的最好的版本。但内存行业最讽刺的地方就在于此——我们记不清上一次存储器技术创新是什么时候了。你认为存储器创新即将到来吗？

我本人可能与此有关，至少包含五种不同的新型内存架构是作为其中之一获得的，这件事最终也没能公之于众，我大概熟悉近百种过去 30 年里业内发生过的尝试。究竟有多少新的重大内存，过去 30 年里我们经历了什么？零。 也就是 DRAM、SRAM、闪存，还有呢？所以我认为，我们尚未创造出下一代物理学，能够实现低成本、高性能、有弹性、可制造性的存储器。过去三四十年里，存储行业是个糟糕的行业，因为你一年就能赚钱，接下来四个月你就会赔钱，所以让我们去某个行业做研发吧，这样五年里只有一年能赚钱，一直以来这都太难了，因为它是由如此暴力的商品化周期驱动的。

不过最近情况略有变化。过去五年里？真是好日子啊！这三家都是大型内存供应商，跻身全球最有价值的 20 家公司之列，这变化太大了。任何关注 AI 工作负载的人都知道，预测过去很容易，预测未来有点难。人工智能是其内部的一种记忆，所以这里存在资本的组合，以及能够推动存储器创新发展的技术需求。有两个领域让我感到兴奋，其中之一就是这个想法：我确实认为边缘带宽限制是主要问题，HBM 是一个根本性问题。

我们有一家公司叫 Dmatrix 就是做这个的，但我认为其他人也会这么想。无论是 Sarabrish 及其技术，未来一片光明。你必须想办法把内存和计算能力结合起来，以及全新的根本结构。我认为 AI 领域已有此类资本被用于攻击它，我们最终能够取得突破。我也刚刚投资了一家新的存储器公司，这项技术目前仍处于秘密研发阶段，我对其中一些创新感到非常兴奋。你将会看到用于存储的新材料，很多人都在研究铁电材料之类的东西，寻找非电容式高密度存储器、高性能且可堆叠的存储器。

我相信，而且我认为内存技术创新即将到来，30 年来首次。 而且我认为那将是一个令人兴奋的领域。真是不可思议，区区几百亿美元就能带来这么多，市值能达到 1 万亿美元——我觉得存储器行业市值现已增长 2.5 万亿美元，过去四年来的美元数额。是的，我刚刚在那里投资了。

关于堆叠部分，我再补充一点：如果让你预测我们的芯片会以多快的速度长高？我们要去两个地方，还是坐在那里一会儿？那种 16 层夹心饼干，逻辑存储器和 SRAM 可以完美地融合在一起。但您认为这种情况会如何发展？

堆叠的问题在于，它基本上就是堆栈的价值，随着维度升高，这种变化会越来越大。堆叠层的良率，任何单层的良率，在堆叠过程中必须不断进行，它本质上不可能线性增长，必须呈指数级增长。当你拥有 8 到 16 层高筹码时，做数学计算就会发现它非常非常难，你的生产流程必须近乎完美。假设你确实在这样做，你仍然需要产量非常高——如果我有一个裂缝模具，我不在乎你给它建立了多强的韧性，你不能这么做，这是个坏骰子。所以我不是那种疯狂的 16 层、32 层玩家，我认为会出现漂亮的三层、四层、五层堆叠，那最终就成了最佳平衡点，也就是中高层堆叠。

即使在那里，假设我现在有了一个很棒的计算单元，那块瓷砖需要多大？现在一切都受限于瞄准镜了，我可以再去吃点薯片吗？更好的产量特性、更好的热性能。我想要一个关于它的内存堆栈信息，它是双栈内存还是四栈内存？我不认为它会变成八栈内存，对我来说大概是两到四个。但这之后，电力输送就需要融入其中，我想要在 Z 轴方向把电源轨也接入这里，然后我需要一些相当智能的 RDL 层来分发信号。所以我认为这真是一项工程壮举，将所有这些部件组装起来简直是一场制造噩梦，但随着时间的推移，物理学正将我们引向那个方向。

他没有谈到散热问题以及为此所需的新材料。有些事你不能接受今天所关注的物理热点，所以你必须更聪明地利用热量和传播热量。我该如何同时获得电力并将能量从这些环境中散发出去？我想要更好的电压调节器功率响应速度，这样就不会产生那么多热烟囱了。新材料也扮演着角色，人们推测钻石和其他东西可能与此有关，如何做得更好的液冷技术。我们工程师都快变成水管工了，对吧？

正如一些人所说，咱们把内存从封装里取出来，计算和内存之间完全采用光纤连接，这将赋予你更大的自由度以及更多建造方式。你觉得这种方式和堆叠方式相比如何？

那是另一个极端。越是 OEO（光电接口），你要求的越多，在你的核心计算复合体里，对我来说这确实很难，而且这样做总会伴随着损失——你到底浪费了多少电力，当我进行 DAX 和转换时？所以我不喜欢那些东西，因为我认为它能让你获得给大容量内存池用的自由度，但是我到达那里会消耗很多能量。我的每计算单位的飞焦耳数现在非常不错，但每比特通信的飞焦耳数相比之下要糟糕一千倍。所以我并不喜欢这些方法，我认为它们在某种程度上违背了该解决方案背后的物理原理。

另一种方法是，我们真的能整合吗，直接进行计算和内存操作，将部分计算转移到内存中，就是一些 PIM（存内计算）方法。我也不喜欢那些，因为现在我必须承担工作负载，把小的计算单元推入内存，这样就限制了工作负载。大多数 PIM 理念已经存在 25 到 30 年，我认为 25、30 年后我们还会继续待在这里。给我强大的内存带宽、高密度高性能的产品，并使其接近真正的计算引擎，我预计这将是一个更具普适性的解决方案，能应对各种不断变化的工作负载。

我可是你的铁杆粉丝，把你所有的 I/O 功能迁移到光学器件。你大约在 25 年前就宣布了铜的死亡，最终你会是对的。但你觉得，所有 I/O 都应该采用光纤，而那个核心计算内存复合体不，对吧？那么，何时才是进行光学检查的第一步？

我认为我们现在正在看到这一点。在我们的大规模生产环境中，我们正在使用大量的铜，铜正在成为一种波导材料，时间越来越短了。突然之间，为了让我的铜在五米内比做光学加工更贵——没错，一百米处也是。所以正是物理学在推动我们走到今天这一步。但为什么我们还没搬到那里去？这是一个复杂的供应链，从未进行过大规模测试。而我觉得现在大家都在关注某种形式的非营利组织、合作组织，在 2028、2029 年那段时间，因为我无法扩展到大基数，来自我的扩展环境的计算集群无需采取那种行动。

NVIDIA 已经表明了这一点，我认为业内其他人都期望如此。说实话，我根本就不应该制造那种东西，它简直是个工程奇迹，也是制造业的噩梦，需要整个行业的努力，还需要额外一年半的时间来消化。但如果拥有更成熟的光学供应链，如果放在今天，我们肯定会比现在先进得多，能构建出更可扩展、动力更强、成本更低的环境。所以我们精力更充沛了，但光学供应链还不够成熟，这些问题并非易于解决，还有很多工作要做，但我认为 2028、2029 年就是那个转折年。

就网络架构而言，这是否也意味着会进行某种形式的转换？还有什么比电路交换网络更复杂，因为你无法规模化？

我喜欢尼克·麦基翁（Nick McKeown），他是斯坦福的教授，也是我的好朋友。我们建立了网络，能够处理任何发往任何地方的数据包，完全不知道它会去哪里。但当你想到人工智能时，情况几乎正好相反——我们处理的是规模庞大且可预测的流程。正如描述本身所说，它看起来更像一个交换机，而不是一个数据包。所以这种向光学领域过渡的趋势，加上可预测得多、更容易管理的大而流畅的工作负载，会一路走到最后：将光学技术引入计算复合体，我们会一路走到光路交换（OCS），对于某种形式的光开关，流量会更加可预测，那才是正确的架构风格。

然后你就会问，这是向上扩展（scale-up）还是向外扩展（scale-out）？如果我的规模扩大得足够大，它在某种程度上模糊了那里的界限。从系统架构角度看，它达到了同样的目的，口味略有不同，协议随时间略有不同，但最终会趋于一致。尤其对于 AI 训练工作负载，训练和推理实际上看起来非常相似。我认为训练与推理的分离以后这种情况会越来越少，因为我认为持续学习会出现，算法会需要我的推理环境更新模型权重。

另外，智能体会负责所有升级工作，所以车队管理工作完成了，一切都变得轻松了。所以，我们讨论了计算、内存、人脉关系，其次是权力（电力）。这里讲到基本原理，我们国家做得非常糟糕——它的能量容量，基本上我们经历了 10 到 15 年的时间，把煤炭撤离到离线状态，按照增加可再生能源的速度，整个国家基本上陷入了停滞状态，就整体能源容量而言并不理想。因为在人工智能和数字时代，能源产能等于经济产能。

所以从一个国家的经济能力来说，如果你接受这个论点，那么房价将保持 15 年不变——我认为这是很容易证明的。在过去的五年里，我们已经看到了巨大的涌入，只是为了给我提供更多容量，但即便如此，我们或许只增加了能源产能每年约 4%。情况很糟糕，所以我们需要更多的能源供应能力。首先，我们有一些公司在那个空间里，我们讨论了核电运行作为基荷，这是一件非常棒的事情。不幸的是，我们所有的可再生能源对中国有着很深的依赖性，燃气轮机交付周期现在才过了八年，所以我们确实面临着一个艰难的环境。

为什么要新建数据中心，然后买下那一百万块 GPU，如果我无法给它们供电？我认为你会看到越来越多的违约，许多数据中心项目都面临这种情况，因为能量是存在的。你觉得这将是一次意义重大的冲刺？我觉得会是头对头（瓶颈相抵），我想你已经开始看到了一些最早的迹象，Oracle 的评论就是第一个，你会看到很多东西。但这并不意味着我们会因此放慢脚步，但我认为人们会开始问：我真的有精力吗？为了担保我所作出的资本承诺，用于数据中心机架的水泥以及 GPU 采购。所以这会是一个上限，我们需要更大的能源容量，需要在这方面引入更多创新，需要在美国建立更多这样的供应链。核能是我最喜欢的领域之一。

最后一个核反应堆在美国上线服务已经是 20 年前的事了，我们刚刚停下来，这是一个非常有潜力的行业。我们需要大幅提高配送效率，电力网络要过渡到 800 伏直流电 数据中心——爱迪生的复仇即将到来，对吧？我们需要更好的电力转换效率，我们有几家公司，其中一种是垂直方向的氮化镓（GaN），那是杀手级技术，能够做到 800 比 48 或 800 比 12，或者甚至一步转换就能将 800 转换成 5，这会让你精力更加充沛。固态变压器、开关之类的东西，就是重建输电网络，我觉得那会有很多创新。现在功率又流行起来了。

冷却系统也是如此，涡轮机、制冷剂，突然之间又出现了令人兴奋的新技术。对于我们搞硬件的人来说，就像文艺复兴就在我们眼前上演。25 年后，我不得不回去阅读有关卡诺（Carnot）效率及其定律的资料，热力学第一定律是如何运作的，我想物理学或许真的起了作用。每太拉浮点运算功率在过去五代英伟达芯片中呈直线，这可不是什么好事。我们有一家超导公司，它提供了从根本上改变物理学的机会，动力性能提升了千倍，所以我认为其中一些创新已经到来。

过去一个小时我们还有很多话题没覆盖，但我们必须至少买一件再走。现在，虚拟机又回来了，你对此有何看法？VMware 药房？

我觉得自己被排除在这场对话之外——不，不，我只是想，最后几段视频我还打算谈谈人脉拓展。每一项创新都必然会引向下一个抽象概念，无论是数据结构、算法，还是一种抽象，我们又回到了那些基础性的东西上。虚拟机抽象层，无论是从基础设施层面还是应用层面，我认为它仍然是一个基础性的抽象模型，在计算层次结构中理应永远占有一席之地。

在人工智能领域，我们想想这些智能体群——谁来管理这些智能体？谁来创建安全配置文件？谁来管理代理商的绩效？ 我认为每一个基本要素，虚拟化和管理都需要重新构建在下一个计算层次结构中。当年我们在 VMware 所做的一件事，本质上是管理计算层次结构的各个方面，你还要管理好工作负载、网络、存储系统，你如何将这些概念抽象出来？

你想以人脉拓展作为结尾吗？我倒想再多待一会儿虚拟机。对我来说最有趣的是，我们现在正在构建虚拟机，以便智能体可以使用它们，与人类可利用的用途不同。这会极大地改变你的营销方式，你想让智能体替你做决定，这会极大地改变你能拥有的复杂程度，改变启动速度——人类比智能体更有耐心。

如果你今天必须重建 VMware，会有什么不同？我认为 VMware 就是为智能体（agent）服务的。是否需要为人类代理开发 VMware 虚拟机？从某种意义上说，我需要人类——我们还是坚持和智能体合作吧，它们现在比这有趣得多。但我确实认为需要有，我会采用达里奥（Dario，指 Anthropic 的「宪法」理念）的宪法，或者说是护栏，能够制定政策。然后你就会真的说，虚拟机的各个方面，我们知道今天我们会喜欢它，是服务于智能体的，与维修硬件和维修人员不同。

这便成为你的基本设计约束：我该如何培养优秀的智能体？我该如何确保它们的安全？如何提高它们的性能？我该如何将它们抽象化、如何迁移它们？这里将为他们提供新的实现方式。但我还需要考虑，人类怎么能制定政策、描述宪法、获取仪表盘——这有点像有趣的地方在哪里，因为这两件事你都需要做，不仅仅是其中之一。我们之前做的那些硬性设计工作，虚拟机是相关的，以高效的方式抽象硬件，这里指的是应用程序或操作系统——这是对硬件的抽象化，以及智能体的操作，这是你所服务的根本性事物。

非常感谢帕特的到来，我们还会再做一次。

他们俩一直是我最喜欢的人。好的，谢谢。太棒了，谢谢。谢谢。