在AI重塑全球算力版圖的當下，前英特爾CEO Pat Gelsinger一針見血地指出：AI讓芯片設計變得簡單，但製造、內存與能源的物理瓶頸正引發一場史無前例的硬件復興。
10月9日，硅谷創投機構a16z 播出一期深度訪談節目。在對談中，Playground Global普通合夥人、前英特爾CEO Pat Gelsinger與a16z的Raghu Raghuram、Guido Appenzeller展開了一場跨越芯片設計、存儲創新、光互聯、能源瓶頸乃至AI代理（Agent）基礎設施的深度討論。這位親手設計了英特爾386和486處理器、見證了現代EDA行業誕生的芯片老兵，以其數十年的一線經驗，為當前AI硬件浪潮提供了罕見的底層視角。
（左：Guido Appenzeller；中：Pat Gelsinger；右：Raghu Raghuram）
Gelsinger開門見山地拋出了一個核心判斷：「對於我們所有硬件人來說，這就像是文藝復興。」在他看來，從存儲到光互聯、從電力架構到網絡拓撲，當下的硬件創新機會密度，是他職業生涯中前所未有的。
「能源容量即經濟產能」，數據中心或面臨違約潮
在AI基礎設施建設如火如荼的當下，市場最容易忽視的硬約束是電力。Gelsinger將能源問題提升到了宏觀經濟的高度。
「在AI數字時代，能源容量就等於經濟產能。」 Gelsinger指出，過去15年美國在增加可再生能源的同時淘汰煤炭，導致國家整體能源容量幾乎停滯，即便近期激增，年化增速也僅約4%。這與AI動輒需要百萬級GPU集群的龐大胃口形成嚴重錯位。
他發出了明確的市場警告：「為什麼還要建新的數據中心？如果我買了一百萬個GPU卻無法為它們供電，你將會看到越來越多此類數據中心項目發生違約，因為根本沒有足夠的能源。」 甲骨文此前關於核能數據中心的言論，在Gelsinger看來只是行業面臨供電瓶頸的「初步信號」。
為了解決這一問題，他提出供電網絡的底層重構迫在眉睫，「800伏直流電（DC）重返數據中心，可以說是‘愛迪生的復仇’。」 從發電、輸電到利用垂直GaN（氮化鎵）技術進行一步到位的降壓轉換，以及液冷等散熱技術的升級，整個電氣系統正迎來25年未見的復興周期。
「HBM是極其糟糕的內存」，30年來最大的存儲創新即將來臨
針對當前市場備受追捧的HBM（高帶寬內存），Gelsinger給出了極具衝擊力的評價：
「HBM是一種極其糟糕的內存（hideous memory）。只不過它是我們目前能拿到的最好的。」
他直言不諱地指出了HBM的物理侷限：極差的比特密度、受限於邊緣的帶寬、高昂的功耗以及嚴重的散熱問題（DRAM非常怕熱）。然而，正是這些痛點，加上AI對內存計算的極度依賴以及過去四年存儲行業增加的2.5萬億美元市值，正在催生行業的質變。
「準確地說，過去30年裏我們到底經歷了多少次重大的新型內存創新？只有DRAM、SRAM和Flash。」Gelsinger表示，「30年來的首次內存創新已經近在眼前。」 他極度看好鐵電材料（ferroelectrics）等新材料在非電容、高密度、可堆疊內存中的應用，並透露自己已投資相關的隱形初創公司。
對於芯片堆疊技術（3D Packaging），他保持了理性的剋制。他認為受限於良率呈指數級下降的數學規律，「我不是一個瘋狂追求16層或32層堆疊的人。我認為2到4層的內存堆疊將是最佳的甜點區（sweet spot）。」
設計只需3個月，製造卻要9個月：摩爾定律後的「製造時間差」
AI正在大幅縮短芯片前端設計的時間。Gelsinger認為，當前AI輔助芯片設計就像當年486處理器引入現代EDA工具一樣具有劃時代意義。利用AI工具，一個優秀的團隊可以在三個月內完成一款AI加速器的邏輯設計。
但技術的進步總是將瓶頸轉移到別處。「現在已經沒有單純的‘芯片’了，一切都是‘機架’（Rack）。」
Gelsinger詳細拆解了當前的製造地獄：
「我花了3個月設計，但我至少需要3個月才能讓晶圓出廠，再花3個月進行復雜的3D高級封裝，最後還要把它集成到機架級解決方案中。也就是我用了3個月設計，但實際上要等9個月才能真正開始使用它。」
如果算上部署軟件和模型迭代的速度，這種長達一年半的硬件交付周期，往往會導致「芯片剛落地，AI工作負載已經發生改變」的尷尬局面（如Graphcore曾面臨的困境）。
100家AI芯片公司大亂鬥終將「九九歸一」
面對當前市場上湧現的近百種AI推理加速芯片，Gelsinger做出了「天下大勢合久必分，分久必合」的斷言。他認為當前的架構異構化只是暫時的，市場最終將收斂至少數幾家主導平台。
他的邏輯基於三點：
工作負載的演進：大語言模型（LLM）正在接近瓶頸，未來的AI將融入更多傳統的HPC（高性能計算）特性（如對64位高精度計算的需求，用於分子或化學分析），過度專門化的芯片將難以適應2-4年後的模型。
資本與規模的壁壘：建立AI算力規模需要數百億美元的資本支出。「建立這些東西需要龐大的資本，這違背了你能同時維持100種不同芯片架構的邏輯。」
巨頭的選擇：OpenAI、Nvidia和Anthropic等頭部玩家會主動挑選贏家，因為軟硬件生態的協同演進成本極高。
光互聯：銅的死亡，遲早會來
「我宣佈銅的死亡大約已經有20到25年了。終有一天我會是對的。」
Gelsinger在光互聯問題上態度鮮明：所有IO功能都應該遷移到光學互聯，但核心計算-存儲複合體本身不需要走這條路。他認為，當前數據中心中銅纜的波導特性正在讓銅纜在5米距離的成本超過光纖在100米距離的成本，物理規律正在逼迫遷移發生。
對於關鍵的時間節點，他指出2028-2029年將是行業轉折點——英偉達已明確表示將在這一時間窗口採用NPO/CPO（近封裝光學/共封裝光學）方案，其他廠商也將跟進。
「NVL72在工程上是奇蹟，在製造上是噩夢。如果我們當時有更成熟的光學供應鏈，我們今天會更先進。」
在網絡架構層面，Gelsinger支持向光路交換（OCS，Optical Circuit Switching）演進。他引用網絡專家Nick McKeown的觀點：
傳統互聯網是為「數據包可能去任何地方」而設計的，而AI工作負載「幾乎完全相反——流量是大規模且可預測的。這更像是電路交換而不是包交換。」
AI代理時代的"新VMware"
對談最後，Gelsinger迴歸到他在VMware時代的管理經驗，討論AI代理（Agent）時代的基礎架構範式。
「每一次創新都會引出下一個抽象層。」他認為，虛擬機抽象依然是計算層級中值得保留的核心範式，但服務對象正在從"硬件與人類"轉變為"代理"。
「虛擬化和管理的每一個基本要素，都需要在下一個計算層級中被重新創建。」
Gelsinger指出，新一代「代理VMware」需要解決：如何讓代理高效運行、如何為代理構建安全配置、如何管理代理性能，同時還需要保留人類設定策略、描述「憲法」（引用Anthropic創始人Dario Amodei的概念）和查看儀表盤的能力。
訪談全文實錄如下（由AI輔助翻譯）
第 1 章：Intro
Pat Gelsinger：
在AI數字時代，能源容量等於經濟容量。為什麼要建新的數據中心？買上百萬塊GPU，如果沒有電力支撐，你會看到越來越多的數據中心項目出現違約，因為電力根本跟不上。
Guido Appenzeller：
每當你擁有某種技術讓某件事變得容易，瓶頸就會轉移到其他地方。
Pat Gelsinger：
現在沒有什麼單純的芯片了，它已經是一個機架，我花了三個月來設計它，但還要再等9個月才能真正開始使用。過去30年裏到底出現過多少種全新的存儲技術？存儲領域30年來首次迎來真正的創新，就在眼前。我大約在二十二五年前就宣告了銅互連的死亡。終究我會被證明是對的。對我們所有硬件人來說，這就像文藝復興一樣。AI推理加速芯片，我肯定連名字都叫不全。你們為什麼要資助這麼多這類項目？
Raghu Raghuram：
你自己也資助了不少。
Guido Appenzeller：
歷史上從來沒有哪個行業同時存在100家相互競爭的處理器廠商。這只是暫時現象嗎？最終會收斂到少數幾家嗎？
第2章：從技工學校到18歲加入英特爾
Raghu Raghuram：
我今天邀請到了我們尊貴的嘉賓、親愛的朋友，也是我的前任老闆——Pat Gelsinger先生，歡迎Pat。Pat目前是Playground Global的普通合夥人，但他在業內以領導才能而廣為人知，曾擔任英特爾首席技術官，後來領導VMware，以及許多其他職務。歡迎你的到來。
Pat Gelsinger：
嘿，謝謝你。Raghu，很高興能和你還有Guido在一起，對吧？對我來說，這感覺有點像回到了老地方，你知道，就像……是啊，感覺就像我們疊加了一年的變化，但你們兩個看起來還是一樣，我也很有活力，那我們就開始吧。
Raghu Raghuram：
那可不是在說David，你也停不下來，一直都這麼有活力，這不是什麼新鮮事。不過，讓我們從你在英特爾的職業生涯說起。最近，Andreessen Horowitz創辦了一個學院，旨在發掘16到22歲之間的有才華的人，然後將他們放入現代教育環境中，讓他們為自主創業或加入當今的公司做好充分準備。你有過類似的經歷，你上了一所普通的職業技工學校，然後在18歲或19歲的時候就直接進入了英特爾，是嗎？
Pat Gelsinger：
是的，那真的是一段非常神奇的時光。我16歲的時候，偶然贏得了一個獎學金，去了一所技工學校，跳過了高中最後一年半的學業，18歲的時候英特爾來招募我。 你知道，我那時從來沒坐過飛機，但已經深深愛上了技工學校的學習。面試官，他叫Ron Smith，他在紙上寫着——我是他那天面試的第12個人，如果你連續面試了12個人，到最後你根本分不清男女，對吧？他寫道：聰明、積極、有點傲慢，他會適應的，就這樣。
Pat Gelsinger：
於是我被邀請加入英特爾，那真的是一段非常輝煌的經歷。從一名技術員開始，後來進入設計團隊，參與了286的收尾工作，成為386的第4號工程師，再到486的架構師和設計經理。 與此同時，我完成了本科、碩士和博士的學業。這簡直是最完美的職業發展路徑——白天在工作中學習，晚上把所學付諸實踐。
Raghu Raghuram：
而且這完全是你熱愛的芯片領域，我敢說，你在那裏所熱愛的和所構建的東西，之所以有巨大突破，是因為你在開拓新的領域。
Pat Gelsinger：
是的，在很多方面都是如此。那真的是行業裏一段相當不可思議的時光。我記得在斯坦福的一門課上，一位教授提出了一種新的進位前瞻設計方案。我當時正在做386的進位前瞻，所以我就想，讓我去試試看。兩天後我回來告訴教授：這個方案行不通。
Pat Gelsinger：
然後我就開始和我在斯坦福的教授爭論起來，接下來的兩節課，就變成了我和教授爭論為什麼他的設計不可行。他當時有一本正要出版的書裏用了那個設計，這讓他非常惱火。我們還開始研究他的自測試方法，我記得斯坦福的Ed McCluskey教授，他可以說是這一領域的奠基人，我們就他的很多想法展開了精彩的爭論——那些想法對真實芯片來說並不實用。 但我當時正在把內建自測試應用到386上。我的論文導師是John Hennessy，他後來也做得很好。
Pat Gelsinger：
我說嘛，我幫助了他的職業生涯，他後來成了校長，之後一直如此。
Raghu Raghuram：
是啊，之後我們會聊到CISC和RISC之爭，但我想先聊聊486。不好意思，你先說。
Guido Appenzeller：
我在斯坦福教書時也有過同樣的經歷。你帶着你認為是真理的東西走進課堂，然後一個在業界工作的學生說：嗯，實際上並不完全是這樣。所以下一節課你回來說：好吧，我查了一下，你是對的，這是更新後的內容。
Pat Gelsinger：
是的，你知道，這正是學生互動的一部分，我認為這也是硅谷之所以如此獨特的原因之一。這裏有那麼多公司，創業精神就像融在水裏一樣，創業、新想法、挑戰教授……在斯坦福這樣的地方當教授，你必須做好被挑戰的準備，並且享受這個過程。
Guido Appenzeller：
那棟樓里人來人往，流量還挺大的。
第3章：486與現代EDA的誕生
Raghu Raghuram：
是的，486是你的重大成就，當然，很多人都參與其中。你們在芯片設計上開闢了一些新領域，增加了芯片應該具備的功能，等等。
Pat Gelsinger：
是的，那也是一段相當神奇的時期，因為那是在你所認為的EDA行業誕生之前。
Raghu Raghuram：
哇，是的。
Pat Gelsinger：
你知道，386末期有一點點苗頭，但486纔是真正第一款採用現代EDA技術的芯片。我們做了高層設計，對吧？就是RTL描述，但那時候還沒有Verilog，所以我們發明了HDL，對吧？就是英特爾硬件描述語言，我自己寫了一門語言。當然，你還得為這門語言構建一個編譯器，對吧？所以我們為這門語言創建了一個編譯器。那時候還沒有自動佈局佈線，所以我們不得不發明它，我們與Alberto Sangiovanni-Vincentelli以及他在伯克利的一些學生合作，完成了第一個佈局佈線、第一個自動時序管理。
Guido Appenzeller：
所以他們在某種程度上創造了EDA……
Pat Gelsinger：
是的，在很大程度上是這樣，486不僅是一款兼容的流水線微處理器，我們還奠定了現代EDA行業的許多基礎，那真的是這個行業一段相當神奇的時期。
第4章：AI如何改變芯片設計
Guido Appenzeller 如果我們看看今天，人們回顧Blackwell時會說，這是AI接管微處理器設計流程之前最後一代精心設計的芯片，我們現在是否正處於類似的轉變之中？
Pat Gelsinger：
我認為某些方面確實如此。所以我認為，當你看看今天像Jalapeno這樣的東西，你會說，這是在芯片設計流程中從第一性原理使用AI的方式，拋棄了很多傳統的東西。當然，設計中有些部分在這個意義上仍然非常困難。很多模擬方面的工作，Circs可能是最好的例子，仍然無法用AI來完成，對吧？你只是需要大量的硅片數據才能搞定這些。所以你要麼在模擬設計上非常保守，從而能夠用AI來處理，要麼……
Pat Gelsinger：
你就得用老辦法來做，但是現在很多邏輯功能真的可以用AI工具和技術以相當令人難以置信的方式來完成，對吧？你的晶體管預算足夠大，設計工具越來越智能，少數專家指導工具如何應用，我真的認為這將有點像486那個時代，對吧？
Pat Gelsinger：
你們回過頭來會說，是的，那是芯片設計新紀元的開始。
第5章：為什麼芯片製造仍然需要九個月
Guido Appenzeller：
每當你擁有某種技術讓某件事變得容易，那就意味着瓶頸會轉移到其他地方。那麼，我們現在能猜到未來的瓶頸會在哪裏嗎？有些事情AI似乎做得非常好，對吧？比如處理軟件層，編寫內核，還有很多……我認為很多是能夠在更高層面上指定目標，然後將其轉化為非常長的……那麼新的前沿是什麼？未來什麼事情會變得困難？
Pat Gelsinger：
你知道，看看今天的情況，假設Guido和Pat，我們要一起做一次偉大的新旅程。我們要去構建一個……對吧？這將是一個領先的東西，因為我們了解架構，了解AI工作負載，了解如何組合這些，然後是正確的乘累加運算和寄存器結構。
Guido Appenzeller：
還能完美地看清明天的模型工作負載。
Pat Gelsinger：
所有這些東西。假設我們把AI工具全部釋放出來，那真的太棒了。三個月之內，我們就能得到一個出色的設計，對吧？ 當然，在模擬組件方面我們會稍微保守一些。
Pat Gelsinger：
但我們現在仍然有幾個重大瓶頸。其中一個就是，我們仍然需要9個月的硅片加工時間。 對吧？就是這樣。所以我可以在三個月內完成設計，但實際上要大規模生產出真正的芯片，還需要九個月。這很糟糕，對吧？所以如果我們要推動這種創新，就必須真正改善這個瓶頸。
Raghu Raghuram：
甚至在那之後，我們還有更多的等待周期。
Pat Gelsinger：
你知道，首先，從晶圓廠拿到東西，最快也要三個月，而這還是在設計流程極度優化的情況下。 那我怎麼壓縮這個時間？然後還要進入先進封裝，3D封裝越來越複雜，這又要花大約三個月。然後還要把它集成到機架級解決方案中，因為現在沒有什麼東西只是一塊芯片，它是一個機架。所以加起來是9個月，我花了三個月設計，但要真正開始使用它，還需要9個月。 那麼我們如何開始壓縮設計的這些環節？我認為我們需要新形式的光刻技術來實現這一點，我們需要不需要花費5000萬美元掩模成本的設計流程。
Pat Gelsinger：
直到我能夠進行原型測試。你告訴我，怎麼把這個時間壓縮到一兩個月？因為我現在可以在三個月內完成設計，但如果要花一年半才能真正實現規模量產並跑通軟件，那我對AI工作負載的理解，早就不再適用於最終流片的那塊芯片了，對吧？ 所以，所有這些……
Guido Appenzeller：
你現在就能看到這個問題在AI領域實時上演。
Pat Gelsinger：
是的。我們可以從歷史上看，Graphcore的設計並不差，但世界已經向前走了，對吧？ 所以，所有這些方面都在某種程度上抵消了AI讓設計變得容易這一事實，所有制造和規模化的問題，對我來說都成了巨大的瓶頸。 當然，另一個瓶頸就是內存，對吧？內存帶寬。
Guido Appenzeller：
我們深有體會。是的。
Pat Gelsinger：
你知道，正如我所描述的，HBM是一種糟糕的內存，但它偏偏是目前最好的一種。
Raghu Raghuram：
我們正想問你這個問題。
Pat Gelsinger：
是的，這是一種很糟糕的內存。位密度差，受限於帶寬，還有功耗問題、散熱問題。DRAM不喜歡高溫。
Guido Appenzeller：
把所有東西都堆在一個地方。
Pat Gelsinger：
對於AI這種內存計算密集型工作負載來說，這簡直太糟糕了。 所以我需要壓縮從開發到真正規模化落地的時間，我需要解決與此相關的內存問題。對我來說，這是另一個關鍵瓶頸。還有功耗——功耗、散熱，現在大多數功耗仿真工具都很差，沒有好的3D功耗建模工具，沒有功耗熱點分析，沒有好的電壓輸入建模。我基本上是在用幾乎整個功耗餘量來做保護帶，這意味着我損失了大約40%的功耗在保護帶上。 所以我必須在功耗建模上做得更好，而且我的散熱技術也很落後。
Raghu Raghuram：
功耗傳輸模型也必須改變。
Pat Gelsinger：
是的，所有這些，對我來說，都是下一批重大瓶頸。我怎麼逐一改善這些問題？如果我做到了，那我們才真正進入了一個令人興奮的新時代。 感謝那些出色的AI工具，但即使這些工具全部部署到位，我面臨的挑戰依然巨大。
Raghu Raghuram：
我們確實看到了芯片數量和芯片架構的某種復興。
Pat Gelsinger：
是的。
Raghu Raghuram：
這都要歸功於這些工作負載。
Pat Gelsinger：
現在大概有100種AI推理加速芯片，我甚至肯定不知道它們全部。
Raghu Raghuram：
是的，確實。所以……
Pat Gelsinger：
你們為什麼要投資這麼多這類項目呢？
第6章：100種AI芯片會收斂到少數幾種嗎？
Raghu Raghuram：
你也資助了不少。是的，所以，你知道，它們都很擅長在你提到的那些組件上，或者在它們所針對的帕累託曲線的某個部分上，做出不同的設計假設。那麼你認為這些芯片都有存在的空間嗎？還是說，部分由於Guido所講的AI工具鏈的發展，我們現在有能力構建更多種類的芯片？而且時間也非常充裕。無論你怎麼看……
Guido Appenzeller：
更挑釁性地說，從歷史上看，任何行業都從未出現過100家相互競爭的處理器廠商，對吧？所以，這是一個更加異構的未來嗎？我們會看到——這只是暫時現象嗎？最終還是會收斂回少數幾家。
Pat Gelsinger：
我認為這更像是一種暫時現象。我預期它最終會收斂。我看到這種情況的原因大概有三點。其中一點是，你在計算環境中看到的這種新興異構性——好，現在我有了專門用於預填充（prefill）和解碼（decode）的不同芯片。然後人們開始說，我們真的需要一個專門針對中間階段的層，而不只是預填充階段。所以現在我有了早期預填充，還有中間填充，它們是不同的。
Guido Appenzeller 推測與驗證。聽聽OpenAI怎麼說。
Pat Gelsinger：
是的，你知道，突然之間，整個計算集群在不同工作負載之間變得越來越細粒度。我認為，歷史上任何時候出現這種情況都是不可持續的。
Pat Gelsinger：
然後突然之間，當你看到這些，人們又開始說，當我轉向推理模型時，我希望它看起來更像一個CPU。所以突然間，我並不需要那個層級——那個層級並沒有成為我計算能力的主導部分，我反而需要更多這邊的資源，對吧？還有模型工作流等等。所以我真的不喜歡——我會說，大規模的專業化，對吧？因為我認為工作負載會持續地、大幅度地調整和遷移。這是第一點。第二點是，我認為當今的模型也即將經歷一些演進上的突破。
Pat Gelsinger：
我認為大型語言模型（LLM）正在觸及某些極限。現在人們在思考如何真正對三維結構建模——當你涉及分子、化學品和成像時，扁平化的LLM並不好用。所以我認為我們會看到這方面的侷限性，這將在算法領域引發不同的轉變。我也認為，一些最有趣的工作負載，是那些將高性能計算（HPC）類的東西重新帶回AI的場景——比如突然之間，64位精度再次變得重要。
Raghu Raghuram：
能舉個例子嗎？
Pat Gelsinger：
好，比如說，假設我的AI模型現在正在為一項化學分析推導出最有價值的五個領域。那些化學算法是以高精度運行的——計算量最大的部分，到底是找到我需要運行的那五個算法，還是在不同的化學或生物系統上運行這五個算法？ 所以我確實認為，隨着我們優化AI系統，它會把我們帶回到一些更傳統的高性能計算領域。所以我也看到了這方面的工作負載趨勢。綜上所述，這種極端的專業化，在我這個計算架構師看來，我不太喜歡它，因為我不認為這將是2、3、4年後工作負載的樣子。這是我不看好這些越來越專注於計算工作負載某一部分的AI芯片的原因之一。
Pat Gelsinger：
第二點是，現在大概有100家這樣的公司，對吧？
Pat Gelsinger：
有多家做光學的，有做概率計算的，它們不可能全部勝出——之所以不能全部勝出，是因為歸根結底，這些東西需要規模。而規模需要你贏得市場、獲得資本、讓工作負載跑在上面。所以我認為，說你會有100家這樣的公司，本身就違背邏輯。因此，我認為受資本、市場份額等因素的影響，行業會迴歸——誰是勝出的團隊、勝出的設計、勝出的架構。我認為工作負載會驅動這一點。
Pat Gelsinger：
我預見到行業自然整合會發生。同時我也預期，贏家會挑選出一些贏家——比如OpenAI、英偉達、Anthropic會說，我喜歡這個，因為這不只是硬件，而是硬件和軟件如何共同演進。對吧，向前發展。我確實預期，這裏有10個我可以選，但我喜歡那個——而且它確實需要在軟件和工作負載演進上投入，才能充分利用那些平台。基於這三個原因，我們會看到這個領域的收窄。
Raghu Raghuram：
還有部署複雜性的問題。抱歉，請繼續。
Guido Appenzeller：
這完全說得通。我大體上同意。不過讓我還是來攪攪局，製造一點爭議。
Pat Gelsinger：
你們改變了這一點，對吧？
Guido Appenzeller：
所以，100家公司可能會存在，也可能會整合，對吧？我完全同意你的論點——歸根結底，大型消費者會在一定程度上選出贏家。
Guido Appenzeller：
我認為，今天要成為這個領域的先行者，在某種程度上，你是否在其中，取決於你在真正的大玩家那裏獲得了多少牽引力。同時也有一種說法是：在任何過渡期，你可能會看到更多不同方法的爆發，然後隨着時間推移逐漸淘汰。話雖如此，我認為有一個論點可以這樣說：從歷史上看，我們之所以標準化在一兩種架構上，是因為不同的指令集很難處理——我們需要構建多個編譯器，基本上是軟件複雜性決定了你只能有少數幾個硬件平台。這一部分似乎正在隨着AI而改變。但如今，為某個芯片編寫優化內核——我認為Kleinia是個很好的例子——正如我說的，人類已經無法真正編程這個東西了，但一個Agent可以在一夜之間完成。這就是我們所需要的，對吧？基本上你可以說，如果你能構建一個具備某種能力的芯片，現在在上面構建充分利用它的軟件層變得容易多了。這樣的結果會不會是，我們擁有更多一點的異構性，只因為對這種異構性編程變得更容易了？
Pat Gelsinger：
我確實認為這改變了瓶頸所在的位置。第一個瓶頸是我要指出的——我們已經談過了——構建這些東西仍然需要一年半的時間，對吧？第二個瓶頸是，不僅需要一年半才能把這些東西裝進機架、實現規模化，要讓它們真正有用，你能借到500億美元嗎？
Pat Gelsinger：
我的意思是，我們談的不是小額資本支出，而是非常巨大的資本支出——數據中心、電力、承諾等等。所以我必須大規模地構建這些東西，這與之相關。這將打破很多異構性。
Pat Gelsinger：
當然，大玩家們——我們看到了英偉達對Groq所做的事情——會在某種程度上擁有一些異構性，對吧？
Pat Gelsinger：
兩年後，你不會知道英偉達裏面跑的是什麼架構，它就會像另一個東西一樣，對吧？所以你會看到這些架構，異構性會被隱藏在內部，這對我來說完全沒問題。這就是分層、這就是抽象一直以來所做的事情。但我認為那些力量是強大的，會讓大量的異構性暴露出來——不對，我認為它會被抽象在這些東西之下。但歸根結底，大規模構建這些東西仍然很難。
第 7 章：為什麼 HBM 是一種糟糕的內存
Raghu Raghuram：
好的，你提到了 HBM 是一種糟糕的內存。
Pat Gelsinger：
但它卻是我們目前擁有的最好的內存。
Raghu Raghuram：
確實。但關於內存的令人沮喪之處在於，我真的不記得上一次內存創新是什麼時候了，可能是 eDRAM（嵌入式動態隨機存取存儲器）。我覺得你可能也參與其中。
Pat Gelsinger：
是的，那個項目死掉了，所以我也算經歷了一次失敗。
Raghu Raghuram：
我們把它搞死了。那麼你認為內存創新即將到來嗎？或者說需要發生什麼？顯然，我們理解規模問題，因為在這方面規模問題更大。但如果把規模問題放一邊，即使從技術角度來看……
Pat Gelsinger：
是的，你看看那段歷史，我個人可能至少參與過五種不同的新內存架構，eDRAM 只是其中之一，這些架構都沒能見到天日。我可能還了解過去 30 年裏業內發生的近 100 種類似情況，而在過去 30 年裏，我們究竟有過多少種主要的新內存？對吧，你知道，好吧，DRAM、SRAM、閃存，好吧，還有什麼？DRAM、SRAM、閃存，是的。所以我確實認為……
Raghu Raghuram：
閃存堆疊稍微算是一點。
Pat Gelsinger：
勉強算吧，是的，對，你知道，不管怎樣，對，所以在這方面，確實令人失望，我們還沒有創造出下一種物理技術，能夠實現低成本、高性能、可靠且可製造的內存。所以我確實認為，在過去三四十年裏，內存一直是一個糟糕的行業，因為你可能一年盈利，接下來四年虧損。所以在一個五年中只有一年盈利的行業裏搞研發，這實在太難了，因為它一直被如此劇烈的商品化周期所驅動。
Guido Appenzeller：
不過這在一定程度上已經有所改變了。
Pat Gelsinger：
在過去五年裏。
Guido Appenzeller：
三大內存公司都躋身全球最有價值的前 20 家公司之列。這是一個瘋狂的轉變。
Pat Gelsinger：
確實令人驚歎，對吧？誰能想到會這樣？任何關注 AI 工作負載的人都知道，預測過去容易，預測未來難，對吧？而當你看這一切時，會說 AI 是一個內存的世界，確實如此，就在其中。所以我認為，資本和技術需求的結合將會推動內存創新。
Pat Gelsinger：
現在有兩個領域讓我感到興奮。其一是，我確實認為 HBM 的帶寬限制是一個根本性問題。因此，基於這一點，這個想法……顯然，我們有一家公司 D-Matrix 正在做這件事，但我認為其他公司也會加入，無論是 Cerebras 及其技術，還是其他公司。
第8章：芯片能疊多高？
Guido Appenzeller：
未來是堆疊式的
Pat Gelsinger：
你必須想辦法把內存整合進來
Raghu Raghuram：
而且要從多個維度來考慮
Pat Gelsinger：
你必須把內存和計算整合在一起，對吧？要有一種全新的基礎架構。我確實認為，鑑於目前AI領域已經投入瞭如此巨大的資本來應對這些工作負載，我認為我們實際上也能夠突破其中一些物理層面的挑戰。所以我相信，你知道，我啱啱……
Raghu Raghuram：
投資了某個項目，對吧？
Pat Gelsinger：
你知道，我啱啱也投資了一家新的內存公司。目前還在隱祕階段，但你知道嗎？
Pat Gelsinger：
我對新內存領域即將發生的一些創新感到非常興奮。你將會看到新材料的出現，比如用於內存的鐵電材料，尋找非電容式、高密度的內存，尋找能夠實現高性能、高密度且可堆疊的內存，對吧？但是，你知道，有人正在研究用低成本閃存來實現這一點。我個人對這個想法並不是特別熱衷。我認為閃存或MRAM結構在底層單元的速度和性能方面存在一些問題。是的，但我確實認為，內存領域三十年來首次迎來創新。我認為這將是一個令人興奮的領域。我相信屆時會有幾家公司在這裏湧現。
Pat Gelsinger：
好的，你知道，我們會在這裏找到一些可以做的事情。但我認為三十年來首次出現的內存創新就在眼前。
Pat Gelsinger：
你知道，我認為內存行業在過去四年裏市值增長了2.5萬億美元。我覺得這個數字大致是對的。
Guido Appenzeller：
我們本可以直接投資那裏，而不用做任何差異化的事情。
Raghu Raghuram：
是的，完全正確。用你的錢就行了。嗯，你怎麼看？抱歉，你先說。
Guido Appenzeller：
稍微展開說一下堆疊這部分，如果你要預測芯片會以多快的速度"長高"，這會是像……你知道，我們會先到2層然後停在那裏一段時間，還是說我們會有，比如16層的三明治結構？你知道，邏輯層和內存層愉快地混合在一起？
Raghu Raghuram：
HBM把這個拉低了
Guido Appenzeller：
HBM在Nvidia上在往下走，但你怎麼看這個演變趨勢？
Pat Gelsinger：
是的，你知道，我認為，堆疊的問題在於，隨着堆疊維度的增加，整個堆疊的價值也在增大，這意味着每一層的良率以及堆疊工藝本身必須持續提升。基本上，它不能線性提升，而是必須指數級提升。當你堆到8層或16層高的時候，以指數級方式提升製造和設計特性就會變得極其困難，當你算一算相關的數學，你的製造流程必須接近完美。
Guido Appenzeller：
他們可能會看到一些設計，這些設計會考慮到某種特定的模型類別，就像我們在二維領域看到了很長時間的那樣。
Pat Gelsinger：
當然。但請記住，這就是DRAM的本質。你總是有壞塊替換機制，比如備用行之類的。所以我不是在任何意義上輕視這一點，但假設你已經做到了這些，你仍然需要良率非常高。你知道，如果我有一顆裂了的芯片，不管你內置了多少冗餘，你也沒辦法，它就是一顆壞芯片，對吧？所以，正因如此，我不是那種瘋狂追求16層、32層堆疊的人。我認為會出現3、4、5層的堆疊，這最終會成為最佳平衡點。
Guido Appenzeller：
中層建築。是的。
Pat Gelsinger：
是的，你知道，部分原因在於製造，部分原因在於相關的複雜性，良率的甜蜜點在哪裏，所以這就是我認為大多數事情的落腳點。但即便如此，對吧？比如說，假設我現在有了一塊很棒的計算芯片，那塊芯片需要多大？現在一切都受到了光刻場的限制，對吧？我能不能用更多的小芯片來獲得更好的良率特性、更好的散熱，然後你會說我希望在上面有一個內存堆疊。
Pat Gelsinger：
是兩層內存堆疊，還是四層內存堆疊？我不認為它會變成八層內存堆疊。所以大概是2層或4層，對吧？但是電源傳輸也需要集成進去，這就變成了另一個要素，我希望它在Z軸方向上，因為我希望我的電源陣列也從這個方向接入，對吧？然後我需要相當智能的RDL層來在整個平台上分發信號。所以在某種程度上，你知道，當你把所有這些部分加在一起，我的標準結構已經大約有8層厚了，我認為這差不多就是極限了，至少以我們今天對製造工藝的理解來看是這樣。
Pat Gelsinger：
當然，我們預計光學技術也會加入進來。所以會有更多III-V族材料結構更靠近這個複雜體，因為我希望我的IO能夠深度集成到這個架構中。所以我以硅為核心的部分需要得到這些其他III-V族材料的補充。我如何將光學互連集成進來？我如何將電源軌集成進去？
Pat Gelsinger：
你知道，這是一項工程壯舉，也是一場製造噩夢，要把所有這些部分整合在一起，但這就是物理規律隨着時間推移帶領我們去的地方。因此，16層高的堆疊對我來說太瘋狂了，2層或4層高的內存堆疊，我認為這大概就是最佳平衡點所在。
Raghu Raghuram：
你還可以談談散熱問題以及為此所需的新材料。
Pat Gelsinger：
顯然，首先會有很多挑戰，你就是不能允許今天存在的那些物理熱點。所以你必須更加智能地利用熱量和分散熱量。但你知道，然後你會說，好的，我如何在這些環境中既能輸入電能又能將熱量散出去？順便說一句，如果我能以我想要的電壓更高效地輸入電能，同時擁有更好的電源響應能力和電壓調節能力，那麼我產生的熱量就會少一些，但我確實需要思考，好的，我如何冷卻這些東西？
Pat Gelsinger：
新材料，比如金剛石和其他一些被提出的東西，在改善散熱冷卻方面能發揮什麼作用？我如何採用更好的液冷技術？你知道，直接貼在上面，具有良好的導熱特性。所以，你知道，我們工程師正在變成管道工，對吧？確實如此。
Raghu Raghuram：
是的。你擔心芯片級別的電磁兼容問題。是的，讓我問你一個相反的現象，有些人說，嘿，我們把內存從封裝上拿走，在計算和內存之間全部用光學連接。這樣可以給你更多的自由度，以及更多構建系統的方式。與堆疊相比，你怎麼看這種方式？這是另一個極端。
Pat Gelsinger：
是的，你知道，我認為越多的OEO，對吧，接口，也就是光-電-光的轉換，在你的核心計算複合體中需要越多這樣的轉換，對我來說就越困難，從這個意義上說。而且你總會有與之相關的損耗。
Pat Gelsinger：
你知道，人們正在努力想出更聰明的技術來降低成本和功耗，對吧？我在經過DAC和各種轉換時浪費了多少功耗？所以我不喜歡這種方式，因為我認為它雖然讓你能夠訪問大型內存池，但消耗大量功耗才能到達那裏。是的，對吧，記住，基本上每次計算的飛焦耳現在已經相當驚人地低了，對吧？但每比特通信的飛焦耳相比之下要差1000倍。如果我要花那麼多能量去訪問大型內存池，我不喜歡這些方法，我認為它們在某種程度上違背了解決方案的底層物理規律。
Guido Appenzeller：
我的意思是，還有另一種方法，就是說，我們能不能真正直接將計算和內存整合在一起，對吧？把一部分計算移到內存裏去？
Pat Gelsinger：
這就是一些PIM（存內計算）的方案。
Guido Appenzeller：
正是。那麼，你對此有什麼看法？
Pat Gelsinger：
我也不喜歡這些方案，對吧？因為我認為工作負載，你知道，因為現在我必須拿着我的工作負載，然後把這些小塊計算推進內存裏，對吧？這樣我就不需要那麼多內存帶寬流入我真正的計算單元。但這給工作負載帶來了約束。再說一次，我可能是錯的，特別是考慮到我們現在能夠通過設計手段帶來的一些設計靈活性和智能化，但大多數PIM的想法已經存在了25到30年，我認為再過25到30年它們仍然還在那裏，從這個意義上說。你知道，給我高密度、高性能的大內存帶寬，並讓它靠近真正的計算引擎。我預計這將是一個對許多不斷演變的工作負載來說更具普適性的解決方案。
Guido Appenzeller：
所以我們還是被困在越來越密集的芯片裏，堆疊，更多邏輯，更多功耗。
Pat Gelsinger：
但會好得多。我是，我是，我是光學的超級粉絲，你知道，轉向光學來實現所有IO功能。是的，對吧？你知道，我大約在二十到二十五年前就宣佈了銅的死亡，最終我會是對的。
Guido Appenzeller：
你還是對的。
Raghu Raghuram：
總有一天會的。
Pat Gelsinger：
很快就會是對的了。但我認為，對我來說，所有IO都應該轉向光學，對吧？但核心計算-內存複合體，不。對吧？
Raghu Raghuram：
那麼當你第一步邁出去的時候，我們的文章是關於縱向擴展，甚至比橫向擴展更多。你對此有什麼看法？
Pat Gelsinger：
是的，你知道，我認為我們現在……
Raghu Raghuram：
如果可以的話，驅動工作負載的應用場景會是什麼？
Pat Gelsinger：
好吧，我認為驅動工作負載的就是擺在我們面前的這個，對吧？
Pat Gelsinger：
我的意思是，你知道，今天，在我們的縱向擴展環境中，我們鋪設了大量銅纜，對吧？你知道，銅纜本質上正在變成一種波導，而且越來越短。 突然之間，你知道，讓銅纜在5米距離內工作，比讓光纖在100米距離內工作還要貴，對吧？所以，你知道，我認為物理規律正在推動我們走向這條路。那麼，Pat，既然如此，我們為什麼還沒有遷移過去呢？
Pat Gelsinger：
這是一個複雜的供應鏈，你知道，從未經過大規模測試。 我認為現在，大家都在考慮某種形式的NPO、CPO等，時間節點大約在28、29年，因為如果不做出這種轉變，我就無法將縱向擴展環境擴展到大基數的計算集群。所以，很明顯Nvidia已經表明了這一點。我認為業內其他所有人都預期，那就是轉折點。你知道，說實話，我本不應該構建NVL 72的。它是一個工程奇蹟，但也是一個製造噩夢。 你知道，整個行業花了額外一年半的時間來消化這個龐然大物，對吧？
Pat Gelsinger：
真的令人驚歎，你知道，我們能夠將其擴展到那種規模。但是，你知道，這確實證明了，如果我們當時擁有更成熟的光學供應鏈，我們今天會更加先進。 我們今天就能構建更好的縱向擴展環境，更好的功耗表現、更低的成本、更好的能效，但我們當時沒有足夠成熟的光學供應鏈來支撐這一切。
Pat Gelsinger：
這些問題解決起來並不簡單，還有大量工作要做，但我認為28、29年是產能爆發的年份。
Guido Appenzeller：
我們可能在封裝光學器件如何應用於網絡方面積累了大量經驗，對吧？我認為其中很多經驗可以很好地遷移到GPU上。
Pat Gelsinger：
是的，我確實這麼認為。但突然之間，你知道，就像，好吧，這些東西必須能在1000萬GPU的規模下運行，對吧？它必須能集成進封裝裏，還有很多其他問題，你知道，很多形式的光學器件不喜歡惡劣的熱環境。但猜猜怎麼着？惡劣的熱環境恰恰是IT領域的常態。 所以我們有熱管理問題要處理，封裝集成問題要處理。業內激光產能也不夠，所以有一堆問題，但我認為這裏面沒有什麼根本性的障礙，只是需要大量艱苦的工作把所有這些部分整合到一起。
Guido Appenzeller：
在網絡架構方面，也有一些減法，比如交換，還有什麼，更多的電路交換網絡，只是因為你無法無限擴展這些非常快速的光網絡。
Pat Gelsinger：
好吧，你知道，我喜歡你，Nick McCune或者另一個例子，這裏的教授，也是我的好朋友，你知道，我的意思是，你也稍微了解一點，Guido。
Guido Appenzeller：
他是我的論文導師，我……
Pat Gelsinger：
所以，但你知道，他描述得很好，你知道，我們構建網絡，是為了能夠處理任何數據包去往任何地方，而不需要知道它可能去哪裏。當你想到AI的時候，幾乎完全相反，對吧？我們處理的是大規模且可預測的數據流。 所以，僅憑這個描述就說明，這看起來更像是電路交換而不是分組交換。所以我確實認為，向光網絡遷移與擁有一個更可預測、可管理、大流量的工作負載這兩者的融合，對我來說，我確實看到了這一點。是的，我們將一路走到把光引入計算複合體，並且我們將一路走到OCS或某種形式的光交換，你知道，配合更可預測的數據流，那纔是正確的架構。
Pat Gelsinger：
然後你會問，這算是縱向擴展還是橫向擴展？某種程度上……
Raghu Raghuram：
它某種程度上模糊了這條邊界。
Pat Gelsinger：
是的，對吧？如果我的縱向擴展足夠大，那麼你就只需要問，我的縱向擴展環境的半徑是多少？ 有一天我想把它連接到其他真正大型的集群上。對我來說，這最終會是一個相當漂亮的答案，你知道，面向未來。但我正看着一個在這方面比我更專業的人。
Guido Appenzeller：
現在，你看，我一直認為縱向擴展與橫向擴展在某種程度上是一種人為的區分。你能理解它的來源，對吧？因為我們使用不同的協議，一個是前端，一個是後端網絡，等等。所以現在，實際上，它確實有很大的區別，但如果你退一步從系統架構的角度來看，它們實現的是相同的目標，只是略有不同的特點、略有不同的協議，我認為隨着時間推移這些會趨於融合。
Raghu Raghuram：
是的，我的意思是，尤其是對於訓練工作負載來說。
Guido Appenzeller：
是的，儘管我的意思是訓練和推理看起來相當相似。
Pat Gelsinger：
是的，現在我要說，你知道，對吧？你的大腦會停止學習嗎？你知道，順便說一下，這是工作負載演進的另一個特徵。我確實認為，訓練和推理的分離在未來會越來越少，而不是越來越多，對吧？ 這也是反對更多異構架構的一個小論點，我認為是持續學習。我認為會有一些算法領域會說，是的，持續學習成為算法的本質，在那裏，是的，我確實希望我的推理環境能夠更新我的模型權重，因為，你知道，這給了我越來越多的精細化，在工作負載遷移到那些不那幺正式的訓練環境中，或者在那些環境中是更小的數據集的情況下，不斷演進。所以我不確定那是不是……
Raghu Raghuram：
但是你需要的節點數量纔能有用，推理的直徑比訓練要小。
Guido Appenzeller：
今天來說確實如此。是的。
Guido Appenzeller：
我仍然認為從另一個角度來看，異構性可能扮演一定角色，那就是不同類型的AI工作負載需要非常不同的底層支持，有些更受算力限制，有些更受內存瓶頸限制。 我們也有小型擴散模型工作負載，對吧？其最優芯片與那種頂級的、擁有……抱歉，50萬億參數權重的LLM看起來非常不同，對吧？後者需要創建大規模集群。我認為這可能會推動異構化。
Pat Gelsinger：
是的，我認為這方面有一定的空間。是的，但我也要說，好吧，現在我在談論在我的數據中心裏讓100萬個GPU協同工作，對吧？你會說，好吧，對於那個特定的擴散模型工作負載，我確實應該放一些針對性優化的東西，對吧？所以我不會開始放，你知道，1000個那種進去，對吧？而對於那個工作負載，我需要，你知道，2000個這種，然後對於某些……突然之間，你知道，你就失去了規模帶來的一些靈活性， 對吧？你會說，你知道，管理和升級、連接、故障域，所有這些事情要花我多少成本？
Guido Appenzeller：
智能體會做所有的升級工作。
Pat Gelsinger：
是的。是的，謝謝你。一切都變得簡單了，太好了，我無所謂了。
第9章：能源容量等於經濟容量
Raghu Raghuram：
好的，所以車隊管理已經講完了，我們討論了計算、內存、網絡，下一個是電力
Pat Gelsinger：
對對對
Raghu Raghuram：
你提到了芯片內部、芯片上的垂直供電。但我的意思是，還有800伏直流電、數據中心的電力傳輸，整個生態系統一直延伸到發電，以及相關的社會政治層面，等等。
Pat Gelsinger：
是的，是的。
Pat Gelsinger：
如果你從基本原則出發，我們國家在能源容量方面做得非常糟糕。基本上，我們經歷了10到15年，在這段時間裏，我淘汰煤炭的速度與增加可再生能源的速度基本持平。
Pat Gelsinger：
國家的整體能源容量基本上停滯不前，這非常不好，因為在人工智能數字時代，能源容量等於經濟容量。 所以基本上，作為一個國家，我的經濟容量在15年內停滯不前。如果你認同這一點——我認為這在過去五年中是非常可以證明的——我們看到了巨大的湧入，只是為了給我更多的容量。但我認為即便如此，我們國家的能源容量每年增長也只有大約4%，從基本上的0增長到1，對吧？哇，增長了4倍，或者說4%。所以對我來說，這是一個糟糕的局面，我們確實需要更多的能源容量。
Pat Gelsinger：
第一點，顯然我們在這個領域有一些公司。
Pat Gelsinger：
我們談到了核能，其中之一是與Alva合作運營的。我認為核能作為基礎負荷是非常好的，我們希望繼續建設更多。不幸的是，我們所有的可再生能源都深度依賴中國，這非常令人遺憾。你知道，燃氣輪機的交貨期目前只需要八年，對吧？所以，我們在快速擴張方面確實面臨困難的環境，但首先，我們只是需要更多的容量。這從根本上制約了我們在AI領域能走多遠，因為如果我無法為它供電，為什麼還要建新的數據中心、購買數百萬個GPU呢？我認為你會看到越來越多的數據中心項目出現違約，能源根本無法到位。
Raghu Raghuram：
所以你認為這將是一個重大阻力？
Pat Gelsinger：
我認為這將是一個阻力，而且我認為你已經開始看到一些早期跡象了。Oracle的那個評論，我認為那只是你將要看到的衆多案例中的第一個。現在，這並不意味着我們會因此放慢腳步，但我認為人們會開始問：我真的有足夠的能源來支撐我為水泥、數據中心機架和GPU採購所做的資本承諾嗎？所以你認為這會成為一個上限？我們需要更多的能源容量，需要在這方面進行更多創新，需要在美國建立更多的供應鏈，核能是我的最愛之一。 美國上一次核反應堆投入使用是什麼時候？
Pat Gelsinger：
是20年前了，對吧？我們就這樣停止了一個非常有能力的行業。所以這是我們需要更多的領域之一，我們需要在電力傳輸方面變得更加高效。正如你所說，將數據中心遷移到800伏直流電是絕對必要的，要能夠消除沿途許多轉換步驟，這些步驟都是由於歷史原因和標準化原因造成的。好吧，我們必須解決這個問題，800伏直流電，愛迪生的復仇來臨了，我喜歡這麼說。我確實認為，我們需要更好的電力轉換。我們有幾家公司，其中一家做垂直GaN，我認為這將是一項殺手級技術，能夠在一個轉換步驟中實現800到48、800到12，甚至800到5的轉換，這樣就能給你提供更多的能量。我們提到了
Raghu Raghuram：
固態變壓器，你知道的。
Pat Gelsinger：
是的，所有這些，固態變壓器、開關等等，重建整個電力傳輸網絡。我認為這將會有很多創新，就好像，好吧，電力又變得酷了，對吧？然後你在冷卻系統中也需要所有這些，對吧？所以會有一系列的創新，渦輪機、製冷劑，突然間它們又成為了令人興奮的新技術。所以，對於我們所有的硬件人來說，這就像是一場文藝復興就在我們面前，它將會……
Raghu Raghuram：
25年之後，我不得不回去重新學習卡諾循環
Pat Gelsinger：
卡諾效率，哦是的，這是好東西嗎？熱力學第一定律是如何對抗的。
Guido Appenzeller：
畢竟這裏還有一些東西
Pat Gelsinger：
所以這將是一個令人興奮的時代。但我們也說，我們需要改變物理規律，因為在過去五代Nvidia芯片中，CMOS在基本功耗、每太浮點運算功耗方面沒有任何改善，完全停滯，這是不行的。這就是我們擁有超導公司Snow Cap的意義所在，它提供了從根本上改變物理規律的機會，功耗性能提升一千倍。所以我確實認為，這些創新在不久的將來也將到來。
第 10 章：面向智能體的 VMware
Raghu Raghuram：
在過去這一個小時裏，我的時間管理做得很糟糕。有太多話題需要聊，我們沒有涵蓋到，但在結束之前至少要聊一個。
Pat Gelsinger：
好的，你來主導。
Raghu Raghuram：
好，我是這麼想的。現在虛擬機又回來了。你怎麼看待這件事，VMware 的未來走向？
Pat Gelsinger：
嗯，你知道……
Guido Appenzeller：
我感覺被排除在這個對話之外了。
Raghu Raghuram：
網絡方面也聊聊。
Pat Gelsinger：
是的，我認為每一次創新都會引領出下一個抽象層，對吧？我覺得很多這些想法……你知道，我喜歡說，我們今天的世界有什麼新東西？數據結構、算法、抽象……我們把它們追溯到那些基礎性的東西。我認為虛擬機這個抽象概念，無論是從基礎設施層面還是從應用層面來實現，它仍然是一個基礎性的抽象模型，在計算層級中始終有一席之地。 那麼，你們覺得呢？我們中有誰要回去重新運營 VMware 嗎？
Raghu Raghuram：
是嗎？要回到哪一年？
Pat Gelsinger：
是啊。你知道，我確實認為這些抽象概念……但你也要想想。就像我們在 VMware 做的事情，我們基本上管理了計算層級的每一個方面，管理工作負載、管理網絡、管理存儲系統。你怎麼對這些進行抽象？在 AI 的語境下，當我們思考這些智能體的形態時——誰來管理這些智能體？誰來為所有智能體創建安全配置？誰來管理智能體的性能？本質上，虛擬化和管理的每一個基本要素都需要在這個下一代計算層級中被重新構建。會有很多優秀的公司在這方面取得突破，去實現這些事情。
Raghu Raghuram：
你想以網絡話題來結尾嗎？
Guido Appenzeller：
我想在虛擬機這個話題上再停留一會兒。對我來說最有趣的是，我們現在構建虛擬機是為了讓智能體使用，而不是讓人類使用。 我們從其他公司迄今看到的是，這會改變很多東西——產品形態會變，你的市場推廣方式會變，比如你是否想讓智能體來選擇你的虛擬機產品，這會改變你能承受的複雜程度，會改變啓動速度的要求。人類比智能體耐心得多。所以，如果今天要重建 VMware，它會有什麼不同？
Pat Gelsinger：
是的，我確實認為……
Guido Appenzeller：
面向智能體的 VMware。
Pat Gelsinger：
是的。我也確實認為……你知道，需不需要同時有一個面向智能體的 VMware 和一個面向人類的 VMware 呢？
Guido Appenzeller：
我明白你的意思。是的。
Pat Gelsinger：
對。你知道，從某種意義上說，我還是需要人類來參與。
Guido Appenzeller：
我們還是聚焦在智能體上吧，它們現在比人類有趣多了。
Pat Gelsinger：
是的。但是，你知道，我認為這是一個重要的點，因為我確實覺得需要……我借用一下 Dario 的"憲法"概念，就是護欄，或者說能夠設定策略。然後你就真的可以說，好，虛擬機的每一個方面，就像我們今天所熟知和喜愛的那樣，現在都是在服務智能體，而不是服務硬件和人類。 所以我認為這就成了你的基本設計約束。
Pat Gelsinger：
在這一側，你要思考：我怎麼讓智能體變得更好？怎麼讓它們更安全？怎麼讓它們性能更強？怎麼對它們進行抽象？怎麼遷移它們？所有這些問題，都會有新的實現形式，也就是面向智能體的新形態。但同時我也需要思考：人類如何來設定策略、編寫"憲法"、獲取儀表盤等等。 我認為這纔是有趣的地方，因為你兩者都需要做，而不是只做其中一個。我要說，就像我們當年為虛擬機所做的那些核心設計難題——是以高性能的方式為應用程序或操作系統抽象硬件——這裏，為智能體抽象硬件和操作，是你真正要服務的根本所在。
Raghu Raghuram：
這次討論非常精彩，非常感謝你的到來，我們下次再聊。
Pat Gelsinger：
兩位都是我最喜歡的人，隨時奉陪。
Raghu Raghuram：
好的。
Guido Appenzeller：
太棒了，謝謝。
Pat Gelsinger：
謝謝。