大家好，这里是最佳拍档，我是大飞。我们先来设想一个场景：假设你是一位芯片创业者，手里的AI设计工具足够聪明，3个月就完成了一款新芯片的全部设计。放在几年前，这个速度是不可想象的。但是你很快会发现一个有点残酷的现实：距离这颗芯片真正能用上，还有9个月。其中晶圆厂流片要3个月，先进封装要3个月，最后装进机架级方案里调通，又得花掉不少时间。等产品落地，AI世界的工作负载可能早就变了模样。
这个判断来自帕特·基辛格（Pat Gelsinger）。他18岁加入英特尔，是386设计团队的第4位工程师、486处理器的架构师。后来执掌VMware，又回到英特尔当CEO。如今以Playground Global普通合伙人的身份重新做早期投资。最近他做客a16z的播客，和主持人拉古·拉古拉姆（Raghu Raghuram）、吉多·阿彭策勒（Guido Appenzeller）聊了53分钟。
这场对谈表面上的主题是：为什么现在是做硬件最好的时机？但是听完全程你会发现，他真正回答的是一个更尖锐的问题：当AI让设计变便宜之后，什么反而会变贵？话题从基辛格的职业生涯开始。
基辛格16岁意外拿到了一笔奖学金，跳过大学直接进了技校。高中最后一年半，英特尔来学校招聘。他此前从没坐过飞机，面试官叫罗恩·史密斯（Ron Smith）。后来写道：基辛格是他当天面试的第12个人。连续面12个人，到最后已经分不清谁是谁了。但他说：12号房间那个人聪明、好斗、又傲气，很适合待在那儿。就这样基辛格进了英特尔。
最初做技术员，286末期调入设计团队，之后成为386团队的第4位工程师以及486的架构师和设计经理。这些工作都是他在斯坦福读书期间完成的，白天学习，晚上实践。用他自己的话说：这就是你能拥有的最好的职业。他还讲了一件上学时的事。
一位教授在课堂上提出了一种全新的超前进位加法器设计，基辛格因为在斯坦福的课上讲过386的进位前瞻加法器，所以就去试了试。两天后跟教授说：这行不通。接下来两周，他和教授在课堂上反复争论那个设计为什么不行。而教授有一本正要出版的书恰好用了那种设计，时间非常紧迫。
基辛格说：这种互动正是硅谷独特的原因之一。你带着自以为的真理而来，学生告诉你事实并非如此；下一节课你回来说：好的，我查过了。你是对的，那是过时的信息。聊到486，拉古说那是他最大的成就；基辛格自己的说法是：486发生在人们的想象之前，而且它成了现代EDA行业的一部分。
当时做高层设计描述，没有Verilog，英特尔就自己发明了硬件描述语言，他还亲手写了编译器。当时也没有自动布局布线，他们和伯克利的阿尔贝托·桑乔瓦尼-文森泰利（Alberto Sangiovanni-Vincentelli）及其学生一起，做出了第一个路由和第一个自动化时序管理。可以说，现代EDA行业的许多基础就是从那颗芯片开始奠定的。
顺着这个话题，主持人抛出一个问题：今天的人回看Blackwell，会不会说那是AI接管设计流程之前的最后一代微处理器呢？我们现在是不是也在经历类似的转型期呢？基辛格认可这个类比。他提到像ChipNeMo这样的东西，算是AI的第一性原理在芯片设计流程里的应用。
但是他也提醒：有些设计仍然非常困难，模拟和射频部分就是最好的例子，目前还无法被AI处理。因为要获得这些能力需要大量的硅数据：你要么在模拟电路设计上变得非常保守，用AI辅助；要么就得用最笨的办法手工完成。逻辑功能这块确实已经能交给AI工具了。
他说：我真的觉得它会有点像486那样，我们以后会回顾这段历史，然后说：没错，那是芯片设计新时代的开始。然后就是整场对谈分量最重的一句话：“当你拥有让某件事变得简单的技术时，那就意味着瓶颈搬到了别的地方。”
主持人跟他做了一个思想实验：假设几个聪明人一起研发一款面向未来的新芯片，对AI工作负载的理解足够好，放开AI工具3个月内就能拿出很棒的设计。模拟元件都采取保守做法，但接下来呢？基辛格掰着手指算：首先，我不可能在3个月内从晶圆厂拿到任何东西。
前提还是我拥有那种超级强大的设计流程，然后还要做先进封装：3D封装越来越复杂，大概又要3个月。最后还要把它放进机架级方案里，因为现在什么都不是芯片了，而是机架。加在一起，9个月：我花3个月设计好它，但距离真正开始使用它还有9个月。
那怎么压缩这个过程呢？他认为需要新的光刻技术，需要一种不用在量产前就投入5000万美元做掩膜的设计流程。他的反问很直接：我现在可以在3个月内完成设计，为什么还要花一年半才能真正拥有规模和软件？等那时候，我对AI工作负载的理解可能早已不再适用了。
他举了Graphcore的例子：从历史上看，Graphcore的设计其实并不差，但世界已经向前发展了。AI让设计这部分变简单了，可所有生产规模的问题会成为一个巨大的瓶颈。内存也是绕不过去的一关。基辛格的话说得毫不客气：HBM是一段糟糕的记忆，只是我们现在能拿到的最好的一个。
它的比特密度非常差，受限于边缘带宽、有电力问题还有散热问题。DRAM芯片不喜欢高温，把所有东西集中在一个地方把AI交给它，这太糟糕了，因为这是一个内存计算工作负载。功耗同样棘手：目前的电力模拟技术大多存在缺陷，没有好的三维建模工具来处理功率、功率耗散和热点。
你本质上是在保护带（guard band）里运行，它几乎耗掉了你的全部功率余量。他给了一个具体数字：40%的功率都投入到了保护带中，所以功率建模必须大幅提升。配送模式也得跟着变。聊到这里，吉多把话题引向行业格局：现在感觉有上百个AI推理加速器芯片，他连名字都认不全。
为什么你们要资助这么多项目呢？基辛格的答案很明确：历史上，从来没有过100家相互竞争的处理器供应商存在于任何行业。眼下这种百花齐放的景象，他认为只是暂时的：最终数量会收敛到少数几个。他给出的理由，我拆开来讲。
一个是计算环境里正在冒出来的异质性：现在有专门的预填充和解码环节，人们还在说需要更细的层级划分。计算舰队在整个工作负载中变得越来越细致，他认为这种情况在历史上任何时候都是不可持续的。当他研究推理模型时，想要的其实是一个看起来更像CPU的东西。
他非常不喜欢这种极端的专业化，因为工作负载还会继续变。再一个：今天的模型即将经历一些进化上的突破。他觉得大语言模型有点接近极限了，人们在思考如何真正进行三维建模以及涉及分子和化学物质时，平面化的大语言模型方法就不太适用了。
一些最有趣的工作负载会回到高性能计算式的做法里，突然之间64位精度会再次成为关键。他举了个例子：想象你让AI模型现在引出五个最有趣的化学分析，这些化学算法需要高精度运行。那哪一部分会成为主导呢？所以在他看来，优化AI系统会把我们引回某些更传统的高性能计算方向。
而那些越来越专业化的AI芯片，未必押对了方向。最后还有资本和规模这道门槛：100多家公司不可能全都赢，因为归根结底你必须在这些事情上达到足够的规模。规模化意味着你必须赢：必须要筹集资金，必须给它分配工作负载。
资本市场会决定哪些是获胜的队伍、优秀的设计以及优秀的架构，行业整合必然会发生，而且赢家会选出赢家。OpenAI、英纳达、Anthropic这样的公司会说：我喜欢这个，因为它不仅仅是硬件。关键在于硬件和软件代码如何协同演进。
拉古这时故意挑起一点争议：他说，历史上我们通常只有一两种架构，因为不同的指令集很难实现。你必须构建多个编译器，软件的复杂性规定了：你只能拥有有限数量的硬件平台。但AI似乎改变了这一点？比如Cerebras就说：人类已经无法真正对他们的系统进行编程了，智能体一夜之间就能写出优化内核。
如果构建软件层变得容易，会不会带来更多的异质性？而且这种异质性会一直持续下去呢？基辛格承认这改变了一些方面，但是他指出了两个硬约束：第一，建造这些东西仍然需要一年半的时间；第二，不仅需要一年半把它们放上机架。
现在还要回答一个问题：我能不能借到500亿美元？这不是小额的资本支出，是一笔数额巨大的资本支出。还有数据中心和电力需求：他提到了英伟达和Grok的合作，这种异质性确实存在。但两年后你不会说：Grok在英伟达体内是什么？它只不过是另一艘船而已。
异质性会被抽象化，这就是抽象的意义：封装一直以来做的就是这件事。可说到底，大规模建造这些东西仍然很困难。话题随后转向了内存创新：拉古问：“我们记不清上一次存储器技术创新是什么时候了，你认为存储器创新即将到来吗？”
基辛格的回答带着亲历者的底气：他说自己亲自参与过至少5种不同的新型内存架构，傲腾（Optane）就是其中之一。最终没能见到天日：他大概熟悉过去30年里业内发生过的近百种尝试，可是究竟有多少新的重大内存呢？
过去30年的答案是：零。我们看到的就是DRAM、SRAM、闪存？在他看来，我们还没能创造出下一代物理学，能实现低成本、高性能、有弹性、可制造的存储器。过去三四十年，存储行业是个糟糕的行业：你赚一年钱，接下来4年就赔钱。
5年里只有1年能赚钱，因为它是由如此暴力的商品化周期所驱动的。但是最近情况变了：三大内存供应商跻身全球最有价值的20家公司之列。任何关注AI工作负载的人都知道，AI本质上是一种内存密集型的负载：资本的组合加上技术的渴求正在把存储创新往前推。
有两个方向让他兴奋：一个是要解决边缘带宽限制这个根本问题，他们投资的Dmatrix就在做这个。他认为Cerebras的技术也会跟进：你必须想办法把内存和计算能力结合起来，用全新的底层结构。他刚投资了一家新的存储器公司，技术还在保密阶段：还有很多人在做铁电材料，寻找非电容式的高密度、高性能、可堆叠式的存储器。
他的判断是：30年来的首次内存创新即将到来。这个行业过去4年市值增长了2.5万亿美元，没想到区区几百亿美元的投入就能带来这么大的变化。拉古追问了堆叠的问题：我们的芯片会以多快的速度长高呢？那种像16层夹心饼干、逻辑和内存完美融合的芯片会怎么发展呢？
基辛格给了一个工程上的冷静分析：堆叠的问题在于，堆栈的价值会随维度升高。但是任何单层的良率在堆叠过程中都必须持续满足要求：良率本质上是不可能线性增长的，必须呈指数级增长。做8到16层的时候算一算数学就知道非常非常难，生产流程必须近乎完美。
如果裸片上有裂纹，不管你给系统建了多强的容错那就是一片废片。所以他不是那种疯狂的16层、32层玩家，他认为会出现漂亮的三层、四层、五层堆叠那才是最佳平衡点。即使这样，工程难题还是一大堆：比如计算瓦片要多大？现在一切都受限于光罩尺寸。
还有内存堆栈是双栈还是四栈呢？他认为大概是2到4个，然后电力输送要融入其中。他想在Z轴方向把电源轨接进去，还需要相当智能的重布线层来分发信号。他的原话是：把所有这些部件组装起来，简直是一场制造噩梦。但物理学正把我们引向那个方向。
散热也需要新的材料：钻石和其他材料被认为可能有帮助，还有更好的液冷技术。他开玩笑说：我们工程师都快变成水管工了。吉多提到了另一种思路：把内存从封装里取出来，计算和内存之间完全用光纤连接。基辛格明确表示了不喜欢：他说那是另一个极端，光电转换越多伴随的损失越多。
他举了一个很形象的比方：假设每计算单位的飞焦耳数现在非常不错，但是每比特通信的飞焦耳数相比之下要糟糕1000倍。至于存内计算（PIM），也就是把部分计算推入内存，他也不喜欢：因为那样就限制了工作负载。大多数PIM理念已经存在了25到30年，他认为再过25到30年它们还会待在原地。
他要的是强大的内存带宽、高密度高性能的产品，并且让它接近真正的计算引擎：这才是更具普适性的方案。拉古笑称他是基辛格的铁杆粉丝，主张把所有的I/O功能迁移到光学器件。基辛格大约25年前就宣布铜已死，他认为这件事现在正在发生：虽然大规模生产环境里还在大量使用铜。
但是铜正在变成越来越短的波导材料，突然之间让铜在5米内工作比让光学在100米内工作还要贵：这就是物理学在推动。为什么还没完全搬过去？因为这是一个复杂的供应链，从来没有进行过大规模的测试：他预计2028、2029年是转折年。
行业都在关注某种形式的共封装光学或者近封装光学，英伟达已经表明了这一点：那个东西简直是工程奇迹也是制造业的噩梦。需要整个行业的努力，如果今天就拥有更成熟的光学供应链我们也许能构建出更可扩展、成本更低的环境。网络架构也会跟着变：基辛格提到他的好朋友、斯坦福教授尼克·麦基翁（Nick McKeown）。
过去建网络是让任何数据包发往任何地方，完全不知道它会去哪里。但是AI几乎正好相反：处理的是规模庞大且可预测的流，它看起来更像是一个交换机而不是一个数据包。所以向光学的过渡加上可预测的大流会一路走到光路交换（OCS），那才是正确的架构风格。
至于是纵向扩展（scale-up）还是向外扩展（scale-out），规模大到一定程度两者的界限就模糊了。他还认为训练与推理的分离以后会越来越少，因为持续学习会出现：推理环境也需要更新模型权重。再往后是能源：基辛格说，从基本原理看美国做得非常糟糕。
过去10到15年煤炭退出和可再生能源增加的速度相当，整个国家的整体能源容量基本陷入停滞。而在人工智能和数字时代，能源产能等于经济产能：接受这个论点的话那就等于说一个国家的经济能力15年保持不变。过去5年虽然有大量涌入，但是能源产能每年只增加约4%，这远远不够。
所以他的预言是：我们会看到越来越多数据中心项目违约，甲骨文最近的评论就是最早的迹象。人们会开始问：“为了担保我作出的资本承诺我真的有电力吗？”那解法是什么呢？他提到了核电：美国上一个核反应堆投入使用已经是20年前的事了，这是一个被停掉的、非常有潜力的行业。
而可再生能源对中国有很深的依赖：燃气轮机的交付周期现在是8年，环境很艰难。配送效率也要大幅提高：电力网络要过渡到800伏直流的配电，他称之为爱迪生的复仇。还需要更好的电力转换：他们有一家公司做垂直方向的氮化镓（GaN）功率器件，能做到800伏转48伏、800伏转12伏甚至一步转换到5伏。
固态变压器、开关、输电网络会有很多的创新，冷却系统也一样：涡轮机、制冷剂突然之间又会冒出一批令人兴奋的新技术。他说对于搞硬件的人来说文艺复兴就在眼前：他时隔25年不得不回去重读卡诺效率和热力学第一定律。他还指出过去五代英伟达芯片的每太拉浮点功耗基本上是呈一条直线的，这可不是什么好事。
他们有一家叫Snowcap的超导公司提供了从根本上改变物理学的机会，功率性能可以提升1000倍。访谈最后回到了他的老本行虚拟机：基辛格曾经执掌VMware多年，他认为无论从基础设施层面还是应用层面虚拟机抽象层仍然是基础性的抽象模型。
在计算层次结构中理应永远占有一席之地，但是在AI领域问题变了：变成了谁来管理这些智能体？谁来创建安全配置文件以及谁来管理智能体的绩效呢？虚拟化和管理的每一个基本要素都需要在下一个计算层次结构中重新构建。主持人问：如果今天重建VMware会有什么不同呢？
基辛格说那就是为智能体服务的。人类制定政策、描述宪法，就像Anthropic提出的那种宪法式护栏理念：而虚拟机的各个方面服务于智能体。如何培养优秀的智能体、确保它们的安全、提高性能、做好抽象和迁移这些都会有新的实现方式。
总的来说就是：人类负责制定规则，智能体负责执行。整场对谈听下来基辛格最核心的一个观点就是：任何让事情变简单的技术都会让瓶颈转移到别的地方。AI让芯片设计变便宜了，晶圆厂产能、先进封装、内存、电网、冷却和光学互联就变得更稀缺。
硬件复兴不是因为它变简单了，而是因为它又变难了：对能搞定难的那部分人来说这才是最好的时机。感谢收看，我们下期再见。