Pat Gelsinger：AI 芯片设计加速，瓶颈去了哪里

原始资料：Former Intel CEO: Why This is the Best Time to Build Hardware，a16z 频道，发布于 2026-10-09，时长 53:14。

嘉宾：Pat Gelsinger，前 Intel、VMware CEO，Playground Global 普通合伙人。主持人：Raghu Raghuram、Guido Appenzeller。

本文依据全片英文自动字幕整理，并以企业官方资料核对身份与关键技术背景。制造周期、行业规模和技术路线中的估算与预测保留发言者归属；核电投产时间的一处口述错误在正文中订正。

假设一支团队借助 AI，用 3 个月完成了一款芯片的设计。随后还要经历晶圆制造、先进封装和机柜集成，可能再过 9 个月，系统才能真正开始工作。

Pat Gelsinger 用这个设想解释自己的判断：设计工具正在进步，但能写出设计，与能交付可用的计算能力，中间还有一条很长的路。

当芯片设计变快，制造、数据搬运和供电的等待就更难被忽略。 他眼中的硬件机会，分布在这条路径的各个环节。

这个视角也带着他的职业背景。Gelsinger 长期参与芯片与基础设施业务，目前又在投资相关公司。Playground Global 的个人介绍列出了他与 xLight、Ayar Labs、Snowcap Compute 等企业的关系。阅读他对技术路线的判断时，这层背景需要一起考虑。

从设计 486 的经历，看 AI 能接过哪些工作

Gelsinger 在 18 岁进入 Intel，后来参与 386，并负责 486 的架构与设计管理。他回忆，当年团队为了做芯片，还要自己开发硬件描述语言、编译器，以及布局、布线和时序工具。

工具的变化让设计人员能在更高一层描述目标，不必亲手处理每一个细节。他认为，AI 正在推动一次类似的变化：少数专家指导工具，就可能完成过去需要更多人工投入的数字逻辑设计。

但数字逻辑和模拟电路的条件不同。以负责高速信号收发的 SerDes 为例，设计仍高度依赖真实硅片的测试数据。缺少这些反馈，团队往往只能采用更保守的方案。

他在 Stanford 求学时，也曾把课堂上的电路设计带回 Intel 验证，再拿着实际问题与教授争论。贯穿这些经历的，是工具、理论和真实器件之间反复往返的过程。AI 可以加速其中一部分，物理验证仍要继续。原视频：设计工具与 AI。

设计用了 3 个月，后面为什么还要等 9 个月

在 Gelsinger 的假设中，即便采用很快的流程，晶圆制造仍可能需要约 3 个月，先进封装再占约 3 个月，之后还要把芯片做成机柜级系统。

他把后半程概括为约 9 个月。如果再算上规模化部署和软件准备，从设计启动到真正用起来，可能拖到 1.5 年。这些是他用来解释问题的估算，具体项目会受工艺、供应链和验证要求影响。

时间差会改变产品的价值。芯片团队围绕某类模型和计算流程做了优化，等系统交付时，主流工作负载可能已经变了。他提到 Graphcore，想说明一种设计即使有技术道理，也可能追不上应用的迁移速度。

因此，他希望物理实现环节能缩短到 1 到 2 个月，并讨论新型光刻和更低成本的原型流程。他用五千万美元的掩模成本举例，强调昂贵的前期投入如何限制试错。这里的短周期是目标，访谈没有证明它已经实现。

等待之外，还有被保守设计占住的性能空间。他认为现有三维功耗、热点和供电建模仍不够好，并粗略提到，安全裕量可能占去约 40% 的功率空间。这个数字没有附带测试条件，不能理解成所有芯片都把相同比例的电白白耗掉；它指向的是，为避免最坏情况，设计不得不预留大量余地。

下一轮改进要缩短整套系统的交付时间，也要减少为了不确定性而留下的过大余量。 原视频：制造、内存与功耗瓶颈。

上百种 AI 芯片，会留下多少种

主持人把当下的市场形容为有约 100 种 AI 推理加速芯片，随后提出一个问题：AI 能降低开发成本，是否也会让更多架构长期共存？

Gelsinger 预计厂商会逐步收敛，理由主要有三层。

首先，工作负载还在变。今天可以为预填充、生成或推测执行分别设计硬件，未来的推理模型、三维场景、化学和生物计算却可能需要另一种资源组合。科学计算还可能重新强调 64 位精度。过度贴合今天某个阶段的架构，未必适合 2 到 4 年后的任务。

其次，大规模部署仍然昂贵。软件写得更快，不能省掉机柜、数据中心、供电和供应链。他用能否筹到五百亿美元这样的反问，提醒听众规模化所涉及的资本量级；这不是某个项目的实际预算。

最后，大客户会参与决定哪些平台能成长。硬件要与模型、软件和应用共同演进，获得重要客户的持续投入，本身就是竞争的一部分。

Appenzeller 提出了另一面：AI 可以编写优化内核和适配软件，过去维持多种指令集、编译器和硬件平台的成本有望下降。不同任务对算力和内存带宽的需求也确实不同，专用设计仍可能有价值。

Gelsinger 接受一定程度的异构，但更倾向于让平台把差异包在内部，对外提供统一的使用方式。他还预期，持续学习可能使训练与推理的边界变淡，进一步改变专用硬件的前提。这些都是路线判断，双方并没有证明未来只能容下一种架构。原视频：专用芯片与收敛。

内存的机会，来自带宽需求与研发投入同时增长

Gelsinger 对 HBM，也就是高带宽内存，评价相当苛刻，同时又承认它是目前最好的选择。

他列出的限制包括位密度、沿芯片边缘布置接口所能提供的带宽，以及把大量器件集中在一起之后的功耗和热问题。计算单元再快，数据不能及时送到，系统也难以发挥能力。

谈到新型内存，他说自己至少参与过 5 种新架构，了解的行业尝试接近 100 种，Optane 是其中一个没有成为长期主流替代方案的例子。他用过去约 30 年仍由 DRAM、SRAM 和闪存主导，描述新存储物理机制跨过商业门槛的困难。这个判断不等于内存行业没有发生技术进步。

他的乐观来自需求与资本的变化。过去的内存市场周期剧烈，他用每 5 年只有 1 年赚钱来形容研发投入的困难。访谈中，主持人提到三大厂商进入全球市值前 20，Gelsinger 又估算行业市值在约 4 年间增加了 2.5 万亿美元。这些都是现场的粗略说法，没有提供统计范围与时点，不能直接作为市场排名或估值数据使用。

技术上，他关注铁电材料、非电容式存储，以及能同时兼顾密度、性能和堆叠能力的新结构。他也披露，自己刚投资了一家尚未公开名称的内存公司。

他对用闪存或 MRAM 满足这类高性能需求较为谨慎，担心底层存储单元的速度限制。这体现了他的路线偏好，访谈没有给出足以排除其他路线的统一测试。

AI 让内存性能变成系统价值的一部分，也为长期难以融资的研发方向提供了更强的需求理由。 原视频：HBM 与新型内存。

堆叠更高，要同时算良率、供电和散热

把计算和内存靠得更近，可以减少数据搬运。但器件往上叠，每一层的缺陷、连接、供电与热量都会影响整套结构。

Gelsinger 不看好把 16 层、32 层当成普遍答案。他先谈到适度的 3 到 5 层堆叠，随后更具体地提出：计算单元附近的内存，2 到 4 层可能更容易取得速度与制造的平衡。

这个范围有明确上下文。加上计算芯片、供电和信号重布线结构，他描述的整体系统本身就可能接近 8 层。他讨论的是多种功能一起集成时的取舍，不能把它写成所有 HBM 的层数上限。SK hynix 的公开技术介绍已讨论采用先进封装开发 16 层 HBM。

Gelsinger 强调，冗余单元能够修补部分缺陷，却无法把一颗已经破裂的芯片变成好芯片。堆叠价值越高，任何一层失败造成的损失也越难承受。

同时，电要送进内部，热要排到外面，光连接也可能进入封装。更好的稳压、液冷和导热材料因此进入同一道设计题。他用工程师越来越像水管工来开玩笑，背后是芯片、机械、电源与冷却必须共同设计的现实。原视频：堆叠与热管理。

光互连要向内走，内存仍要靠近计算

Gelsinger 支持把更多系统输入输出转向光连接，却不喜欢把核心内存搬得很远，再通过光链路访问。

原因是光电转换与传输也要耗能。他在访谈中用通信能耗可能比计算高约 1,000 倍来强调搬运成本，但没有给出距离、工艺和计算操作的统一口径。可保留的判断是数据移动很贵，不能把这个倍数套用到所有系统。

他同样对存内处理保持怀疑：把一部分计算推入内存，可能要求工作负载配合特定结构，削弱应对未来变化的灵活性。不过，他也明确承认，这个判断可能被更好的设计工具和新方案改变。

系统之间的互连则是另一种权衡。他举例说，维持 5 米铜连接可能比做 100 米光连接更难、更贵，并预计近封装或共封装光学会在 2028、2029 年迎来更广泛应用。这是他的时间判断，仍取决于激光器供给、封装、热稳定性与量产能力。

网络的组织方式也可能改变。通用网络要应付难以预测的数据包流向，许多大型 AI 任务却会产生规模大、较可预测的数据流。Gelsinger 因而看好光电路交换，并认为系统内扩展与系统间扩展的边界可能逐渐变淡。

这套推理面向适合的 AI 集群，不能推广成互联网里的所有分组交换都会消失。原视频：数据搬运与光网络。

电力决定机柜何时真正开机

Gelsinger 用能源容量约束经济容量来强调电力的地位。拥有场地、机柜和 GPU，并不意味着数据中心能够按期开机。

他粗略描述，美国电力供给能力曾有约 10 到 15 年增长有限，近年可能增长约 4%，燃气轮机的交付等待甚至可能达到 8 年。访谈没有给出完整数据序列、设备规格或测算范围，这些估算不能替代具体项目的供电调查，也不能推出美国经济在这段时期停止增长。

他的核心担心很明确：即便买来一百万颗 GPU，如果供电无法兑现，资本承诺也可能变成无法履约的项目。他预计这类问题会增加。这里讨论的是风险，不能直接据此宣布某个项目已经违约。

谈到核电时，Gelsinger 把美国上一次新反应堆投产说成约 20 年前，这处时间需要订正。根据 Georgia Power 的正式公告，Vogtle 的 3 号机组于 2023-07-31、4 号机组于 2024-04-29 投入商业运行。扩充稳定电源的主张，可以与准确的投产记录一起讨论。

增加供给之外，还要让电更有效地到达芯片。他支持 800 V 直流供电，减少中间转换环节，并看好垂直氮化镓器件。他设想把 800 V 一步转换到 48 V、12 V，甚至 5 V，连同固态变压器、开关和冷却系统一起改进。

NVIDIA 对 800 VDC 的官方说明也把减少转换环节、提高机柜可用功率作为目标。这能支持技术方向，不能证明访谈中每一种具体器件已经成熟。

Gelsinger 还称 NVIDIA 最近 5 代芯片的每次浮点计算能耗改善不足，但没有交代精度、工作负载和比较基准，无法把它当成可复现的跨代测评。他希望通过新器件改变能效，并以自己参与的 Snowcap Compute为例，谈到超导计算可能带来约 1,000 倍的功耗性能改善。

这个倍数属于他对投资项目的技术前景判断，访谈没有给出包含制冷开销的整机独立测量。电源转换的改进与全新计算器件的突破，需要分别验证。 原视频：能源、供电与新器件。

智能体需要运行环境，人需要管理权

对话最后回到了 Gelsinger 熟悉的 VMware：当软件越来越多地由智能体运行，虚拟化应该管理什么？

他的答案包括智能体的安全边界、性能、迁移，以及它们使用的网络和存储。过去围绕操作系统与应用建立的抽象，需要围绕新的执行主体重新考虑。

Appenzeller 提醒，面向智能体的虚拟机还会改变产品形态。智能体可能自己选择运行环境，启动速度、接口和可处理的复杂度，都与人手操作控制台时不同。

Gelsinger 则坚持保留人的位置。运行层要服务智能体，管理层要让人制定策略、设置限制并看到系统状态。他借用了 Dario Amodei 所谈的宪法与护栏来说明这种需求。

这是一种基础设施方向，还不是访谈宣布推出的新产品。原视频：面向智能体的虚拟化。

把这段讨论与前面的硬件问题放在一起，可以得到一个具体的判断标准：一项创新最终有没有增加能够持续、可靠运行的计算能力。更快的设计、更短的制造周期、更好的内存、供电与管理工具，都要在这件事上交出结果。