GPU之后，芯片何去何从？

当整个半导体行业都在围绕英伟达展开竞争时，英特尔正在考虑一个更长远的问题：GPU之后，下一代计算架构会是什么？

近日，英特尔首席技术官（CTO）Pushkar Ranade在接受日本媒体采访时，谈到了英特尔未来的技术布局。从先进制程、AI加速器，到量子计算、神经形态计算、硅光子、存算融合以及新材料，英特尔正在同时推进多个技术方向。

这些看似分散的技术，实际上指向同一个问题：随着AI计算规模持续扩大，现有计算架构正在面临越来越明显的限制。单纯提高GPU性能，已经不足以解决未来计算系统所面临的全部挑战。

Ranade认为，英伟达的CUDA和GPU平台在未来几年仍将保持强大的竞争力，但下一轮计算技术变革，未必会来自另一款GPU，甚至未必来自另一款CPU。

真正值得关注的，是计算架构本身可能发生变化。

在先进制程方面，英特尔目前的重点仍然是18A和14A。

Ranade透露，18A已经进入量产阶段，并正在向更多产品扩展。该制程采用RibbonFET全环绕栅极晶体管和PowerVia背面供电技术，已经应用于客户端产品Panther Lake以及服务器产品Clearwater Forest。

18A之后，英特尔正在推进14A制程开发。Ranade表示，14A进展顺利，目标是在2028年至2029年间实现量产。

不过，14A对于英特尔而言，不仅是一代新的先进制程，也关系到英特尔代工业务能否真正建立外部客户基础。报道指出，英特尔在2026年10-K文件中已经明确，如果无法获得外部代工客户，可能暂停或终止下一代先进制程的开发。因此，14A能否吸引外部客户，将成为英特尔Foundry业务的重要考验。

但英特尔的技术布局并没有停留在传统逻辑芯片和先进制程上。

在Ranade看来，当前AI基础设施面临的一个关键问题是电力消耗。随着GPU、CPU以及网络设备的性能不断提升，数据中心的功耗也在持续增加。未来计算系统的创新，很可能不再单纯围绕性能展开，而是需要在更低的功耗范围内完成更多计算。

这也是英特尔为什么开始把目光投向神经形态计算、硅光子以及存算融合等技术。

回顾英特尔的发展历史，这种思路并非没有先例。Pentium 4之后，英特尔曾经通过Pentium M架构重新平衡处理器的性能与功耗。Ranade认为，未来计算领域也可能出现类似的转折。

在量子计算领域，英特尔选择了硅自旋量子比特路线。与需要完全不同制造体系的量子技术不同，硅自旋量子比特能够利用现有半导体制造基础设施。

Ranade透露，英特尔目前的量子芯片采用与普通逻辑芯片相同的制造基础设施，甚至使用与18A相同的几何设计规则。与此同时，英特尔也在推进低温控制电子系统和软件栈，试图将量子芯片、控制系统与软件整合为完整的计算系统。

这项技术也正在与日本展开合作。

2026年7月，日立、英特尔以及日本产业技术综合研究所（AIST）参与的硅量子计算研究项目获得NEDO支持。项目计划开发100量子比特级硅量子计算机、基于Intel 18A的量子芯片、量子芯片PDK，以及面向1000量子比特的3D集成技术。

按照日立提出的目标，2028财年将推进包含100量子比特纠错能力的原型系统，2030财年则瞄准1000量子比特级系统。

英特尔希望借助既有半导体制造技术，将量子计算从实验室研究进一步推向可制造、可集成的计算设备。

另一个值得关注的方向是神经形态计算。

英特尔已经在这一领域研究超过十年，代表性产品包括Loihi系列。Ranade透露，英特尔目前已经从Loihi 1、Loihi 2、Loihi 3推进到Loihi 4。

神经形态计算的核心，并不是简单模仿人脑，而是改变传统计算机处理数据的方式。

在传统AI加速器中，数据需要在存储器和计算单元之间不断移动，这种数据搬运本身就会消耗大量电力。神经形态计算则采用事件驱动的方式，只有在特定事件发生时才进行相应计算，从而减少不必要的数据移动和能耗。

英特尔此前推出的Loihi 2，就采用了事件驱动型脉冲神经网络，并通过让存储与计算更加接近来降低数据移动需求。其Hala Point系统已经将这一技术扩展到11.5亿个神经元规模。

Ranade还谈到，传统CPU工作电压大约为0.9V，而神经形态计算设计有望将工作电压降低至0.6V甚至0.55V左右。

从这一角度看，英特尔研究神经形态计算，实际上是在探索一种不同于当前GPU架构的低功耗AI计算路径。

除了改变计算方式，英特尔也在重新思考芯片之间的连接方式。

AI基础设施的瓶颈正在从单纯的计算性能，向数据传输和系统互联扩散。无论是封装内部的芯粒连接、PCB上的芯片互联，还是服务器之间、机架之间乃至数据中心之间的连接，带宽和功耗都成为越来越重要的问题。

Ranade认为，传统铜互连正在面临挑战，光子技术将成为未来的重要方向。

英特尔已经在硅光子领域进行了长期投入，目前正围绕芯片间、机架间连接开发新的解决方案。尤其值得关注的是全光交换技术。

当前光通信系统仍然需要在电信号和光信号之间进行转换：电信号转换为光信号后传输，到达另一端再转换回电信号。这一过程本身会产生能耗。如果能够直接在光域完成交换，就有机会减少光电转换带来的能量损耗，并提升交换效率。

这意味着，英特尔关注的硅光子并不只是提高光模块传输速率，而是希望将光技术进一步引入计算系统内部和数据中心互联体系。

内存也是Ranade重点谈及的领域。

随着AI数据中心建设加速，DRAM、HBM、LPDDR和NAND等存储产品的需求同步增长，内存供应紧张和价格上涨已经开始影响整个计算产业。

但Ranade认为，解决内存问题不能仅仅停留在增加供应或者降低价格上，更重要的是思考：在相同内存容量下，能否完成更多计算任务？

过去，内存相对便宜，系统设计人员往往可以通过增加内存容量来满足需求。但在AI时代，内存成本、容量和带宽都变得更加重要，计算系统必须提高内存使用效率。

这意味着，未来竞争的重点将从单纯追求Memory Capacity和Memory Bandwidth，进一步转向Memory Efficiency。

CPU、AI加速器、算法以及软件，都需要围绕如何更高效地使用内存进行优化。对于英特尔而言，如何将计算与内存更紧密地结合，也是未来架构创新的重要方向。

在先进封装和材料领域，英特尔则把目光投向玻璃基板，甚至更进一步的金刚石材料。

随着AI芯片规模扩大，传统有机封装基板在布线密度、大尺寸封装以及电气性能方面面临新的挑战。英特尔正在研究从有机基板向玻璃基板转变，希望借助玻璃材料实现更高密度布线，并支持AI和HPC所需要的大尺寸封装。

2026年，英特尔还宣布与蓝思科技（Lens Technology）合作，推进玻璃基板相关技术研发。

而Ranade提及金刚石材料，则是因为其具有优异的导热能力。随着AI芯片功耗不断提高，散热问题将越来越难以回避。未来芯片设计不仅要考虑如何提高计算性能，也必须将热管理纳入整个计算架构之中。

除了上述技术方向，英特尔也在利用AI改造自身的半导体制造和设计流程。

Ranade透露，英特尔正在与谷歌合作，将Gemini Enterprise引入工程、供应链和企业运营等环节。在晶圆厂内部，AI已经被用于设备预测性维护、机器人设备监控和图像异常检测等场景。

在Foundry业务中，英特尔还在推进AI辅助EDA和设计验证。Ranade预计，未来一到两年，机器学习将在芯片设计流程中得到更多应用。

这意味着，英特尔对AI的布局并不只是开发AI芯片，也包括利用AI提高芯片设计、制造和运营效率。

回顾英特尔过去的发展，Ranade特别提到了公司错过移动计算浪潮的教训。英特尔曾经在PC时代取得巨大成功，但由于对既有市场的过度依赖，未能及时抓住移动计算带来的产业转型机会。

在AI领域，英特尔也曾拥有GPU技术，但更多将其视为PC图形处理的重要组成部分，没有像英伟达那样持续围绕GPU构建AI计算生态。

因此，这一次英特尔希望改变过去的做法。

与其把所有资源集中在追赶当前市场领先者身上，不如同时布局多个可能改变计算产业的技术方向。量子计算、神经形态计算、硅光子、新材料和存算融合，虽然距离大规模商业化仍有不同程度的距离，但都可能成为突破当前计算系统瓶颈的技术路径。

从Ranade的这番表态来看，英特尔真正关注的并不是下一款GPU，而是GPU之后的计算架构。

当前AI产业仍处于算力快速扩张阶段，但电力、数据传输、内存效率和散热等问题，正在逐渐成为制约计算系统发展的关键因素。

未来的竞争，或许不再只是比谁拥有更强大的GPU，而是比谁能够在整个系统层面，以更低的功耗、更高的效率完成更多计算。

对于英特尔而言，18A和14A是重建先进制造能力的基础，而量子、神经形态、光子和新材料，则是它为下一轮计算变革所做的准备。

这一次，英特尔显然不想再错过下一波技术浪潮。