Pat Gelsinger 谈芯片设计、内存与 AI 基础设施

a16z 的 Raghu Raghuram 和 Guido Appenzeller 采访前 Intel 与 VMware 首席执行官 Pat Gelsinger，讨论芯片设计、制造与 AI 基础设施。Gelsinger 是 Playground Global 投资人，并提到一项内存投资，因此其展望反映行业利益。

Gelsinger 回忆年轻时以技术员身份加入 Intel，转入处理器设计，并一边工作一边学习。他将自己在 386 和 486 中的角色描述为更大团队工作的组成部分。

关于 486 的讨论转向电子设计自动化的早期发展。Gelsinger 描述了团队既要设计芯片、又要创建工具的时期。

主持人问 AI 是否可能以类似方式改变芯片设计。Gelsinger 预计 AI 会辅助部分流程，而几人把变化的程度与时间视为开放问题。

他设想快速设计周期，随后指出改进后的设计仍必须制造、封装和交付。AI 辅助设计不会消除制造周期或供应链限制。

Gelsinger 认为制造规模与内存是主要瓶颈。为预期工作负载优化的芯片，也可能在工作负载或市场变化后才交付。

被问到众多 AI 芯片设计是否会收敛到较少架构时，他预测会收敛，同时承认工作负载需求变化很快。最终架构数量仍不确定。

他以推理的不同阶段和科学工作负载为例，说明相互竞争的设计需求。随着工作负载演进，硬件专用化必须与灵活性权衡。

主持人质疑 AI 辅助的软件和内核生成是否可能让更多硬件架构可行。他们将其作为可能抵消架构收敛的因素讨论，而不是证明软件支持已经解决。

对话转向高带宽内存和改变内存技术的困难。Gelsinger 看到新材料与新设计的机会，同时承认成本和制造方面的要求。

他讨论芯片堆叠以及密度与良率之间的权衡。即使设计能容忍部分缺陷，制造良率不足或芯片损坏仍可能破坏更高堆叠的经济性。

随着计算更加集中，散热变得更困难。两人讨论材料和液冷，说明封装、热设计与系统工程如何相互影响。

Gelsinger 再谈光互连的前景，并区分系统之间的连接与紧密耦合的计算—内存复合体。他预期会发生变化，但没有给出铜连接被替代的保证时间表。

主持人比较通用网络与 AI 系统中规模大、较可预测的数据流。工作负载模式会影响网络架构及光技术可能发挥作用的位置。

他们将讨论从芯片扩展到供电与能源生产。Gelsinger 认为能源容量可能限制经济和 AI 增长，而解决方案涉及工程、供应链与政策。

他主张增加能源容量与创新，包括核能和更高效的输电。这些是他的政策偏好与预测；具体项目有不同成本、时间和影响。

结合 VMware 经历，Gelsinger 讨论为智能体管理硬件和运营的抽象。主持人询问，如果软件智能体而不只是人成为主要用户，虚拟化可能是什么样。

他们指出智能体启动和协调工作负载的速度可能不同于人。对话最后提出，基础设施需要暴露有用的抽象，同时处理底层运营复杂性。