Pat Gelsinger深度访谈：AI硬件复兴与制造瓶颈

在AI重塑全球算力版图的当下，前英特尔CEO Pat Gelsinger一针见血地指出：AI让芯片设计变得简单，但制造、内存与能源的物理瓶颈正引发一场史无前例的硬件复兴。

10月9日，硅谷创投机构a16z 播出一期深度访谈节目。在对谈中，Playground Global普通合伙人、前英特尔CEO Pat Gelsinger与a16z的Raghu Raghuram、Guido Appenzeller展开了一场跨越芯片设计、存储创新、光互联、能源瓶颈乃至AI代理（Agent）基础设施的深度讨论。这位亲手设计了英特尔386和486处理器、见证了现代EDA行业诞生的芯片老兵，以其数十年的一线经验，为当前AI硬件浪潮提供了罕见的底层视角。

（左：Guido Appenzeller；中：Pat Gelsinger；右：Raghu Raghuram）

Gelsinger开门见山地抛出了一个核心判断：“对于我们所有硬件人来说，这就像是文艺复兴。”在他看来，从存储到光互联、从电力架构到网络拓扑，当下的硬件创新机会密度，是他职业生涯中前所未有的。

“能源容量即经济产能”，数据中心或面临违约潮

在AI基础设施建设如火如荼的当下，市场最容易忽视的硬约束是电力。Gelsinger将能源问题提升到了宏观经济的高度。

“在AI数字时代，能源容量就等于经济产能。” Gelsinger指出，过去15年美国在增加可再生能源的同时淘汰煤炭，导致国家整体能源容量几乎停滞，即便近期激增，年化增速也仅约4%。这与AI动辄需要百万级GPU集群的庞大胃口形成严重错位。

他发出了明确的市场警告：“为什么还要建新的数据中心？如果我买了一百万个GPU却无法为它们供电，你将会看到越来越多此类数据中心项目发生违约，因为根本没有足够的能源。” 甲骨文此前关于核能数据中心的言论，在Gelsinger看来只是行业面临供电瓶颈的“初步信号”。

为了解决这一问题，他提出供电网络的底层重构迫在眉睫，“800伏直流电（DC）重返数据中心，可以说是‘爱迪生的复仇’。” 从发电、输电到利用垂直GaN（氮化镓）技术进行一步到位的降压转换，以及液冷等散热技术的升级，整个电气系统正迎来25年未见的复兴周期。

“HBM是极其糟糕的内存”，30年来最大的存储创新即将来临

针对当前市场备受追捧的HBM（高带宽内存），Gelsinger给出了极具冲击力的评价：

“HBM是一种极其糟糕的内存（hideous memory）。只不过它是我们目前能拿到的最好的。”

他直言不讳地指出了HBM的物理局限：极差的比特密度、受限于边缘的带宽、高昂的功耗以及严重的散热问题（DRAM非常怕热）。然而，正是这些痛点，加上AI对内存计算的极度依赖以及过去四年存储行业增加的2.5万亿美元市值，正在催生行业的质变。

“准确地说，过去30年里我们到底经历了多少次重大的新型内存创新？只有DRAM、SRAM和Flash。”Gelsinger表示，“30年来的首次内存创新已经近在眼前。” 他极度看好铁电材料（ferroelectrics）等新材料在非电容、高密度、可堆叠内存中的应用，并透露自己已投资相关的隐形初创公司。

对于芯片堆叠技术（3D Packaging），他保持了理性的克制。他认为受限于良率呈指数级下降的数学规律，“我不是一个疯狂追求16层或32层堆叠的人。我认为2到4层的内存堆叠将是最佳的甜点区（sweet spot）。”

设计只需3个月，制造却要9个月：摩尔定律后的“制造时间差”

AI正在大幅缩短芯片前端设计的时间。Gelsinger认为，当前AI辅助芯片设计就像当年486处理器引入现代EDA工具一样具有划时代意义。利用AI工具，一个优秀的团队可以在三个月内完成一款AI加速器的逻辑设计。

但技术的进步总是将瓶颈转移到别处。“现在已经没有单纯的‘芯片’了，一切都是‘机架’（Rack）。”

Gelsinger详细拆解了当前的制造地狱：

“我花了3个月设计，但我至少需要3个月才能让晶圆出厂，再花3个月进行复杂的3D高级封装，最后还要把它集成到机架级解决方案中。也就是我用了3个月设计，但实际上要等9个月才能真正开始使用它。”

如果算上部署软件和模型迭代的速度，这种长达一年半的硬件交付周期，往往会导致“芯片刚落地，AI工作负载已经发生改变”的尴尬局面（如Graphcore曾面临的困境）。

100家AI芯片公司大乱斗终将“九九归一”

面对当前市场上涌现的近百种AI推理加速芯片，Gelsinger做出了“天下大势合久必分，分久必合”的断言。他认为当前的架构异构化只是暂时的，市场最终将收敛至少数几家主导平台。

他的逻辑基于三点：

• 工作负载的演进：大语言模型（LLM）正在接近瓶颈，未来的AI将融入更多传统的HPC（高性能计算）特性（如对64位高精度计算的需求，用于分子或化学分析），过度专门化的芯片将难以适应2-4年后的模型。
• 资本与规模的壁垒：建立AI算力规模需要数百亿美元的资本支出。“建立这些东西需要庞大的资本，这违背了你能同时维持100种不同芯片架构的逻辑。”
• 巨头的选择：OpenAI、Nvidia和Anthropic等头部玩家会主动挑选赢家，因为软硬件生态的协同演进成本极高。

光互联：铜的死亡，迟早会来

“我宣布铜的死亡大约已经有20到25年了。终有一天我会是对的。”

Gelsinger在光互联问题上态度鲜明：所有IO功能都应该迁移到光学互联，但核心计算-存储复合体本身不需要走这条路。他认为，当前数据中心中铜缆的波导特性正在让铜缆在5米距离的成本超过光纤在100米距离的成本，物理规律正在逼迫迁移发生。

对于关键的时间节点，他指出2028-2029年将是行业转折点——英伟达已明确表示将在这一时间窗口采用NPO/CPO（近封装光学/共封装光学）方案，其他厂商也将跟进。

“NVL72在工程上是奇迹，在制造上是噩梦。如果我们当时有更成熟的光学供应链，我们今天会更先进。”

在网络架构层面，Gelsinger支持向光路交换（OCS，Optical Circuit Switching）演进。他引用网络专家Nick McKeown的观点：

传统互联网是为“数据包可能去任何地方”而设计的，而AI工作负载“几乎完全相反——流量是大规模且可预测的。这更像是电路交换而不是包交换。”

AI代理时代的"新VMware"

对谈最后，Gelsinger回归到他在VMware时代的管理经验，讨论AI代理（Agent）时代的基础架构范式。

“每一次创新都会引出下一个抽象层。”他认为，虚拟机抽象依然是计算层级中值得保留的核心范式，但服务对象正在从"硬件与人类"转变为"代理"。

“虚拟化和管理的每一个基本要素，都需要在下一个计算层级中被重新创建。”

Gelsinger指出，新一代“代理VMware”需要解决：如何让代理高效运行、如何为代理构建安全配置、如何管理代理性能，同时还需要保留人类设定策略、描述“宪法”（引用Anthropic创始人Dario Amodei的概念）和查看仪表盘的能力。

访谈全文实录如下（由AI辅助翻译）

第 1 章：Intro

Pat Gelsinger：

在AI数字时代，能源容量等于经济容量。为什么要建新的数据中心？买上百万块GPU，如果没有电力支撑，你会看到越来越多的数据中心项目出现违约，因为电力根本跟不上。

Guido Appenzeller：

每当你拥有某种技术让某件事变得容易，瓶颈就会转移到其他地方。

Pat Gelsinger：

现在没有什么单纯的芯片了，它已经是一个机架，我花了三个月来设计它，但还要再等9个月才能真正开始使用。过去30年里到底出现过多少种全新的存储技术？存储领域30年来首次迎来真正的创新，就在眼前。我大约在二十二五年前就宣告了铜互连的死亡。终究我会被证明是对的。对我们所有硬件人来说，这就像文艺复兴一样。AI推理加速芯片，我肯定连名字都叫不全。你们为什么要资助这么多这类项目？

Raghu Raghuram：

你自己也资助了不少。

Guido Appenzeller：

历史上从来没有哪个行业同时存在100家相互竞争的处理器厂商。这只是暂时现象吗？最终会收敛到少数几家吗？

第2章：从技工学校到18岁加入英特尔

Raghu Raghuram：

我今天邀请到了我们尊贵的嘉宾、亲爱的朋友，也是我的前任老板——Pat Gelsinger先生，欢迎Pat。Pat目前是Playground Global的普通合伙人，但他在业内以领导才能而广为人知，曾担任英特尔首席技术官，后来领导VMware，以及许多其他职务。欢迎你的到来。

Pat Gelsinger：

嘿，谢谢你。Raghu，很高兴能和你还有Guido在一起，对吧？对我来说，这感觉有点像回到了老地方，你知道，就像……是啊，感觉就像我们叠加了一年的变化，但你们两个看起来还是一样，我也很有活力，那我们就开始吧。

Raghu Raghuram：

那可不是在说David，你也停不下来，一直都这么有活力，这不是什么新鲜事。不过，让我们从你在英特尔的职业生涯说起。最近，Andreessen Horowitz创办了一个学院，旨在发掘16到22岁之间的有才华的人，然后将他们放入现代教育环境中，让他们为自主创业或加入当今的公司做好充分准备。你有过类似的经历，你上了一所普通的职业技工学校，然后在18岁或19岁的时候就直接进入了英特尔，是吗？

Pat Gelsinger：

是的，那真的是一段非常神奇的时光。我16岁的时候，偶然赢得了一个奖学金，去了一所技工学校，跳过了高中最后一年半的学业，18岁的时候英特尔来招募我。 你知道，我那时从来没坐过飞机，但已经深深爱上了技工学校的学习。面试官，他叫Ron Smith，他在纸上写着——我是他那天面试的第12个人，如果你连续面试了12个人，到最后你根本分不清男女，对吧？他写道：聪明、积极、有点傲慢，他会适应的，就这样。

Pat Gelsinger：

于是我被邀请加入英特尔，那真的是一段非常辉煌的经历。从一名技术员开始，后来进入设计团队，参与了286的收尾工作，成为386的第4号工程师，再到486的架构师和设计经理。 与此同时，我完成了本科、硕士和博士的学业。这简直是最完美的职业发展路径——白天在工作中学习，晚上把所学付诸实践。

Raghu Raghuram：

而且这完全是你热爱的芯片领域，我敢说，你在那里所热爱的和所构建的东西，之所以有巨大突破，是因为你在开拓新的领域。

Pat Gelsinger：

是的，在很多方面都是如此。那真的是行业里一段相当不可思议的时光。我记得在斯坦福的一门课上，一位教授提出了一种新的进位前瞻设计方案。我当时正在做386的进位前瞻，所以我就想，让我去试试看。两天后我回来告诉教授：这个方案行不通。

Pat Gelsinger：

然后我就开始和我在斯坦福的教授争论起来，接下来的两节课，就变成了我和教授争论为什么他的设计不可行。他当时有一本正要出版的书里用了那个设计，这让他非常恼火。我们还开始研究他的自测试方法，我记得斯坦福的Ed McCluskey教授，他可以说是这一领域的奠基人，我们就他的很多想法展开了精彩的争论——那些想法对真实芯片来说并不实用。 但我当时正在把内建自测试应用到386上。我的论文导师是John Hennessy，他后来也做得很好。

Pat Gelsinger：

我说嘛，我帮助了他的职业生涯，他后来成了校长，之后一直如此。

Raghu Raghuram：

是啊，之后我们会聊到CISC和RISC之争，但我想先聊聊486。不好意思，你先说。

Guido Appenzeller：

我在斯坦福教书时也有过同样的经历。你带着你认为是真理的东西走进课堂，然后一个在业界工作的学生说：嗯，实际上并不完全是这样。所以下一节课你回来说：好吧，我查了一下，你是对的，这是更新后的内容。

Pat Gelsinger：

是的，你知道，这正是学生互动的一部分，我认为这也是硅谷之所以如此独特的原因之一。这里有那么多公司，创业精神就像融在水里一样，创业、新想法、挑战教授……在斯坦福这样的地方当教授，你必须做好被挑战的准备，并且享受这个过程。

Guido Appenzeller：

那栋楼里人来人往，流量还挺大的。

第3章：486与现代EDA的诞生

Raghu Raghuram：

是的，486是你的重大成就，当然，很多人都参与其中。你们在芯片设计上开辟了一些新领域，增加了芯片应该具备的功能，等等。

Pat Gelsinger：

是的，那也是一段相当神奇的时期，因为那是在你所认为的EDA行业诞生之前。

Raghu Raghuram：

哇，是的。

Pat Gelsinger：

你知道，386末期有一点点苗头，但486才是真正第一款采用现代EDA技术的芯片。我们做了高层设计，对吧？就是RTL描述，但那时候还没有Verilog，所以我们发明了HDL，对吧？就是英特尔硬件描述语言，我自己写了一门语言。当然，你还得为这门语言构建一个编译器，对吧？所以我们为这门语言创建了一个编译器。那时候还没有自动布局布线，所以我们不得不发明它，我们与Alberto Sangiovanni-Vincentelli以及他在伯克利的一些学生合作，完成了第一个布局布线、第一个自动时序管理。

Guido Appenzeller：

所以他们在某种程度上创造了EDA……

Pat Gelsinger：

是的，在很大程度上是这样，486不仅是一款兼容的流水线微处理器，我们还奠定了现代EDA行业的许多基础，那真的是这个行业一段相当神奇的时期。

第4章：AI如何改变芯片设计

Guido Appenzeller 如果我们看看今天，人们回顾Blackwell时会说，这是AI接管微处理器设计流程之前最后一代精心设计的芯片，我们现在是否正处于类似的转变之中？

Pat Gelsinger：

我认为某些方面确实如此。所以我认为，当你看看今天像Jalapeno这样的东西，你会说，这是在芯片设计流程中从第一性原理使用AI的方式，抛弃了很多传统的东西。当然，设计中有些部分在这个意义上仍然非常困难。很多模拟方面的工作，Circs可能是最好的例子，仍然无法用AI来完成，对吧？你只是需要大量的硅片数据才能搞定这些。所以你要么在模拟设计上非常保守，从而能够用AI来处理，要么……

Pat Gelsinger：

你就得用老办法来做，但是现在很多逻辑功能真的可以用AI工具和技术以相当令人难以置信的方式来完成，对吧？你的晶体管预算足够大，设计工具越来越智能，少数专家指导工具如何应用，我真的认为这将有点像486那个时代，对吧？

Pat Gelsinger：

你们回过头来会说，是的，那是芯片设计新纪元的开始。

第5章：为什么芯片制造仍然需要九个月

Guido Appenzeller：

每当你拥有某种技术让某件事变得容易，那就意味着瓶颈会转移到其他地方。那么，我们现在能猜到未来的瓶颈会在哪里吗？有些事情AI似乎做得非常好，对吧？比如处理软件层，编写内核，还有很多……我认为很多是能够在更高层面上指定目标，然后将其转化为非常长的……那么新的前沿是什么？未来什么事情会变得困难？

Pat Gelsinger：

你知道，看看今天的情况，假设Guido和Pat，我们要一起做一次伟大的新旅程。我们要去构建一个……对吧？这将是一个领先的东西，因为我们了解架构，了解AI工作负载，了解如何组合这些，然后是正确的乘累加运算和寄存器结构。

Guido Appenzeller：

还能完美地看清明天的模型工作负载。

Pat Gelsinger：

所有这些东西。假设我们把AI工具全部释放出来，那真的太棒了。三个月之内，我们就能得到一个出色的设计，对吧？ 当然，在模拟组件方面我们会稍微保守一些。

Pat Gelsinger：

但我们现在仍然有几个重大瓶颈。其中一个就是，我们仍然需要9个月的硅片加工时间。 对吧？就是这样。所以我可以在三个月内完成设计，但实际上要大规模生产出真正的芯片，还需要九个月。这很糟糕，对吧？所以如果我们要推动这种创新，就必须真正改善这个瓶颈。

Raghu Raghuram：

甚至在那之后，我们还有更多的等待周期。

Pat Gelsinger：

你知道，首先，从晶圆厂拿到东西，最快也要三个月，而这还是在设计流程极度优化的情况下。 那我怎么压缩这个时间？然后还要进入先进封装，3D封装越来越复杂，这又要花大约三个月。然后还要把它集成到机架级解决方案中，因为现在没有什么东西只是一块芯片，它是一个机架。所以加起来是9个月，我花了三个月设计，但要真正开始使用它，还需要9个月。 那么我们如何开始压缩设计的这些环节？我认为我们需要新形式的光刻技术来实现这一点，我们需要不需要花费5000万美元掩模成本的设计流程。

Pat Gelsinger：

直到我能够进行原型测试。你告诉我，怎么把这个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，但如果要花一年半才能真正实现规模量产并跑通软件，那我对AI工作负载的理解，早就不再适用于最终流片的那块芯片了，对吧？ 所以，所有这些……

Guido Appenzeller：

你现在就能看到这个问题在AI领域实时上演。

Pat Gelsinger：

是的。我们可以从历史上看，Graphcore的设计并不差，但世界已经向前走了，对吧？ 所以，所有这些方面都在某种程度上抵消了AI让设计变得容易这一事实，所有制造和规模化的问题，对我来说都成了巨大的瓶颈。 当然，另一个瓶颈就是内存，对吧？内存带宽。

Guido Appenzeller：

我们深有体会。是的。

Pat Gelsinger：

你知道，正如我所描述的，HBM是一种糟糕的内存，但它偏偏是目前最好的一种。

Raghu Raghuram：

我们正想问你这个问题。

Pat Gelsinger：

是的，这是一种很糟糕的内存。位密度差，受限于带宽，还有功耗问题、散热问题。DRAM不喜欢高温。

Guido Appenzeller：

把所有东西都堆在一个地方。

Pat Gelsinger：

对于AI这种内存计算密集型工作负载来说，这简直太糟糕了。 所以我需要压缩从开发到真正规模化落地的时间，我需要解决与此相关的内存问题。对我来说，这是另一个关键瓶颈。还有功耗——功耗、散热，现在大多数功耗仿真工具都很差，没有好的3D功耗建模工具，没有功耗热点分析，没有好的电压输入建模。我基本上是在用几乎整个功耗余量来做保护带，这意味着我损失了大约40%的功耗在保护带上。 所以我必须在功耗建模上做得更好，而且我的散热技术也很落后。

Raghu Raghuram：

功耗传输模型也必须改变。

Pat Gelsinger：