Intel 前 CEO：为什么现在是打造硬件的最佳时机
摘要
AI 压缩逻辑设计的速度快于把设计变成量产芯片的流程，价值因此转向制造、封装、内存、电力、散热和机架级集成。 Gelsinger 的判断是：「不再是一颗芯片，而是一整机架」（it’s no longer a chip, it’s a rack）：3个月的设计可能要面对9个月的硅片制造，再加上3个月的先进封装；他后来还称，scale-up 和软件部署大约需要18个月——足以让目标工作负载发生变化。
约100家 AI 处理器厂商构成的是过渡性繁荣，而非可持续的市场结构。 Raghu 认为这一数字在历史上前所未有；Guido 预计行业会整合，因为工作负载将超越今天对 prefill/decode 的专门化，成功的硬件需要巨额资本和软件投入，而大客户实际上会决定谁能胜出。Gelsinger 也认同行业可能整合，但认为由智能体生成的优化内核，可能让部分异构性继续存在于软件抽象层之下。
内存是 AI 技术栈中最明显缺乏创新的环节，可能终于迎来范式切换。 Gelsinger 参与过5种拟议架构，其中包括失败的 Optane 项目；他统计称，过去30年除了 DRAM、SRAM 和 flash 之外，重大新内存技术的数量是「0种」。AI 本质上是内存工作负载，这为内存—计算一体化结构、新材料和高密度可堆叠内存带来了资本与技术压力。Guido 提到了 d-Matrix、Cerebras、铁电材料以及其他新兴路径。
光学互连应在2028–2029年前后取代 scale-up I/O 中的铜，但不会进入核心计算—内存复合体内部。 Gelsinger 认为，现在「让铜在5米距离上工作，成本已经高于让光学在100米距离上工作」；剩余障碍是激光器、散热、封装和尚未成熟的供应链，而非基础物理。Guido 表示，可预测的 AI 流量也可能推动光学电路交换，取代原本为未知目的地设计的分组网络。
电力可获得性正同时成为 AI 部署的上限和硬件投资机会的来源。 Raghu 将其概括为「能源容量等于经济容量」，称美国全国电力容量过去10–15年大致持平，未来可能也只能以约4%的年增速扩张；Gelsinger 则提到燃气轮机最长达8年的交付周期。他预计能源短缺将导致更多数据中心项目违约，但800VDC配电、垂直 GaN 转换、核能发电、散热和超导系统仍会吸引创新。
下一个 VMware 级别的抽象层机会，可能来自为智能体而非人类设计的基础设施。 智能体需要快速配置、安全配置文件、性能管理、迁移、护栏和策略执行，也就是「智能体版 vMotion」（vMotion for agents）。设计目标将从为操作系统和应用抽象硬件，转向为自治软件抽象硬件与运维，同时通过宪章、策略和仪表盘保留人类控制。
精读
1. Intel 的 486 时代：教育、生产与工具开发合流
Gelsinger 18岁从职业学校毕业后进入 Intel，此前从未坐过飞机。招聘人员 Ron Smith 对他的评价是：「聪明、主动、傲慢，正合适。」此后他从 286 后期团队一路成长为 386 项目的第四位工程师，继而担任 486 的架构师和设计经理。
他一边设计芯片，一边攻读学士、硕士和博士学位，并直接用生产约束检验课堂上的想法。Stanford 一位教授提出超前进位设计后，Gelsinger 两天后回来告诉他这个设计行不通；接下来的两堂课都在讨论：一个原本准备发表的设计，为什么在他的 386 工作中失败了。
486 问世时，EDA 行业尚未成熟。Intel 自行开发硬件描述语言和编译器，随后与 Alberto Sangiovanni-Vincentelli 的 Berkeley 团队合作，推进自动布局、布线和时序设计。Raghu 认为，这颗处理器不仅是兼容型流水线芯片，也构成了现代 EDA 的基础之一。
2. AI 加速设计，也暴露物理瓶颈的滞后
Gelsinger 认为，今天又处在一个转型期：AI 可以出人意料地轻松地把高层目标、软件层和内核转成 Verilog。模拟设计仍然更难，因为行业缺乏足够的硅片数据，只能选择更保守的电路，或继续依赖难度很高的手工设计和少数专家。
新的错配体现在时间维度上。团队可能在3个月内做出优秀设计，但硅片制造约需9个月，先进封装还要再花3个月。机架级部署耗时更长；Gelsinger 后来称，scale-up 和软件部署大约需要1年半。他希望把原型流程压缩到1个月或2个月，同时摆脱约5000万美元的光罩成本负担。
Graphcore 是他用来警示行业的案例：「设计并不差，但世界已经向前走了。」如果扩展和软件部署大约需要1年半，那么支撑这套架构的 AI 工作负载假设，可能在产品落地前就已经过时。
电源和热设计同样处于相对原始的阶段。Gelsinger 表示，保护裕量可能吞噬40%的功耗预算，而用于电压损耗和热点分析的3D工具仍不够成熟。AI 或许能简化逻辑设计，但「瓶颈会转移到别的地方」。
3. 专用加速器泛滥终将走向整合
Raghu 认为，约100家 AI 处理器厂商的规模在历史上前所未有。Guido 预计这一数量只是暂时现象，最终会收缩，因为行业竞争不仅要求做出有吸引力的芯片，还要赢得客户、筹集资本、持续建设软件并交付完整系统。Gelsinger 也认同，大型消费者将帮助筛选最终赢家。
Guido 不看好那些过度针对 prefill 和 decode，或针对推理和验证进行优化的架构，因为没人知道2年至4年后的工作负载会是什么样。LLM 可能会在分子、化学、成像和3D建模等领域遭遇能力上限，而 AI 驱动的科学研究则可能重新提出传统 HPC 的要求，例如64位精度。
Guido 认为，最终赢家还会由掌握大型工作负载的平台方选出。OpenAI、NVIDIA、Anthropic 及类似平台会偏好能够共同演进的硬件和软件；要利用这些平台，也意味着必须持续投入软件和工作负载创新。
Gelsinger 的反驳是，过去异构硬件受制于编译器成本，但 AI 正在改变可编程性。Groq 的说法是，人类可能不再负责优化机器，「一群智能体一夜之间就能完成」。他承认部分异构性可以留在抽象层之下，但强调，要为可能高达500亿美元的数据中心、电力和生产能力投入融资，难度极高。
4. AI 为30年来首次内存体系重置创造条件
Gelsinger 至少参与过5种新内存架构，并在过去30年参加过近100场行业活动。当被问及过去30年出现了多少种重大技术时，他的答案是「0种」：行业仍然建立在 DRAM、SRAM 和 flash 之上，而 Optane「从未见光」，最终被放弃。
经济性曾经抑制创新：内存可能盈利1年，接下来4年亏损。AI 改变了这一前提，因为「AI 可以被描述为一种内存工作负载」，而3大内存厂商如今都跻身全球最具价值的20家公司之列。Gelsinger 认为，资本与技术需求的结合，足以为新一轮创新提供理由。
Guido 预计，内存和计算将更紧密地融合，并以 d-Matrix 和 Cerebras 为这一方向的例子。他尤其关注铁电材料或其他非电容型材料，希望它们能带来高性能、高密度、可堆叠的内存；相比之下，他对低成本 flash 和基于 MRAM 的路径兴趣较低，原因是存储单元速度和性能仍令人担忧。
堆叠存在物理上的最佳点：每增加一层，价值都会上升，但对良率的要求也会层层叠加。Gelsinger 认为，通用堆叠大约以3至5层为宜，其中内存层可能是2层或4层，而不是8层、16层或32层。一旦把计算晶粒、供电、重布线层、光学元件和其他材料都算进去，标准配置已经约有8层：「工程上的奇迹，制造上的噩梦。」
5. 光学应进入 I/O，而不是每个计算与内存单元之间
Guido 反对把核心计算—内存复合体做成光学解耦架构：每一次光—电—光转换都会增加成本、功耗和损耗。计算可能只消耗飞焦耳级能量，而每比特通信的代价可能高出「1,000倍」，因此即使远端内存更具可配置性，物理上仍缺乏吸引力。
Guido 对存内计算也不完全信服，但明确表示：「我可能错了。」PIM 会迫使工作负载适应内存架构，并对工作负载施加约束。Gelsinger 则更偏好把通用、高带宽内存放在真正的计算引擎附近，因为算法仍在持续演进。
在 I/O 上，Gelsinger 的立场完全相反：「我是光通信的坚定支持者。我认为所有 I/O 都应迁移到光学。」他约25年前就宣告铜互连将终结，如今预计 NPO、CPO 或类似方案将在2028–2029年前后迎来转折点。他表示，从物理角度看，让铜在5米距离上工作，成本已经高于让光学在100米距离上工作。
NVL72 同时体现了紧迫性和成本。Gelsinger 表示它「本来就不该被造出来」，但又称其为工程奇迹，整个行业花了额外1年半才理解它。随着光学供应链成熟，scale-up 系统有望在功耗、成本和能效上取得更好表现。
6. 随着工作负载边界模糊，AI 网络将变得更可预测
Guido 表示，分组网络最初是为目的地未知的流量设计的，而 AI 几乎正好相反：流量规模大、路径可预测且易于管理。因此，他预计光学电路交换或类似架构将与光链路一起进入计算集群。
Raghu 质疑 scale-up 和 scale-out 是否存在根本差异，还是只是被当前协议以及前端与后端的惯例分隔开来。Gelsinger 预计，随着时间推移，这些系统架构和协议会逐步收敛。
训练和推理也可能走向融合。Gelsinger 预计，在「持续学习就是算法的本质」的场景下，训练与推理之间的边界会减弱，模型会在推理过程中更新权重，但他不确定这对系统规模究竟意味着什么。Guido 补充称，更小型、分散式的工作负载，以及不同的计算与带宽约束，可能让部分硬件异构性继续存在。
7. 能源稀缺让电力重新成为技术行业
Raghu 用这样的方式描述能源问题：过去10–15年，新增可再生能源装机大致抵消了煤电退役，使全国总电力容量基本持平；即使需求上升，他预计未来年增速也只有约4%。Gelsinger 接受「能源容量等于经济容量」这一前提，并认为扩充容量不可或缺。
供给无法快速扩张：Gelsinger 提到燃气轮机交付周期最长可达8年，同时美国也失去了有能力的本土核工业。Raghu 补充称，美国严重依赖中国的可再生能源供应链。Gelsinger 反问，如果没有电力，「建设新数据中心、购买数百万张 GPU 又有什么意义？」
Gelsinger 预计，电力短缺将成为阻力，并导致更多数据中心项目违约；Oracle 的相关表态已经释放了早期信号。AI 投资需求未必会崩溃，但投资者和运营商将越来越多地检验，已宣布的 GPU 采购和建设承诺背后是否有可信的电力供给。
在设施内部，800VDC——「爱迪生的复仇」（Edison’s revenge）——有望消除多个转换环节。Guido 强调了垂直 GaN，可直接将800伏转换为48伏、12伏或5伏，同时搭配固态变压器和开关。讨论还涉及散热、制冷剂，以及 Snowcap 的超导方案是否可能将电力性能提升1,000倍。
8. 智能体基础设施重启 VMware 式抽象层逻辑
Gelsinger 更广泛的规律是，每一次重大创新都会催生一个新的抽象层。VMware 管理的是工作负载、网络、存储和系统；对应到 AI，问题则变成：谁来管理智能体群组、它们的安全配置文件、性能以及其他运维要求。
面向智能体的 VM 与面向人类的 VM 不同，因为「人类比智能体耐心得多」。配置和启动必须更快，迁移、安全、性能管理和硬件抽象都要成为原生服务，最终可以概括为「智能体版 vMotion」（vMotion for agents）。
人类仍然需要定义宪章、护栏、策略和仪表盘。两者缺一不可：系统必须为智能体抽象硬件和运维，同时让人类能够理解和监督治理。对 Gelsinger 而言，这种对熟悉基础设施理念的重构，正是更广泛硬件「复兴」的一部分。