英特尔CTO谈GPU之后：14A、量子计算与低功耗新路径

半导体行业眼下几乎都围着英伟达转，英特尔却在琢磨更远的一步：GPU之后，下一代计算架构会是什么样？

英特尔首席技术官（CTO）Pushkar Ranade近日接受日本媒体采访时，介绍了公司未来的技术布局。先进制程、AI加速器、量子计算、神经形态计算、硅光子、存算融合以及新材料，多条技术线正在同时推进。

这些方向看上去各走各的，其实都指向同一个问题：AI计算规模越铺越大，现有计算架构受到的约束越来越明显。光靠把GPU性能往上堆，已经应付不了未来计算系统的全部挑战。

Ranade判断，未来几年英伟达的CUDA和GPU平台仍会很有竞争力，但下一轮计算技术变革未必出自另一款GPU，也未必出自另一款CPU。

更该盯住的是计算架构本身可能生变。

先进制程这块，英特尔当前的重心仍是18A和14A。

据Ranade透露，18A已进入量产，并往更多产品上铺开。这一制程用的是RibbonFET全环绕栅极晶体管和PowerVia背面供电技术，客户端产品Panther Lake和服务器产品Clearwater Forest都已用上。

18A之后，14A的开发正在推进。Ranade称，14A进展顺利，量产目标定在2028年至2029年间。

对英特尔来说，14A不只是一代新制程，还牵扯代工业务能不能真正把外部客户拉起来。报道提到，英特尔在2026年10-K文件中已写明，拿不到外部代工客户的话，下一代先进制程的开发可能暂停或终止。14A能不能吸引外部客户，因此成了Foundry业务的一道重要关口。

不过，英特尔的技术布局并未停在传统逻辑芯片和先进制程上。

Ranade 认为，眼下 AI 基础设施最棘手的一环是电。GPU、CPU 和网络设备的性能一路往上走，数据中心的耗电量也跟着水涨船高。在他看来，接下来计算系统的创新，恐怕不会再只盯着性能这一个维度，而是要在更低的功耗区间里干出更多的活。

这也是英特尔把注意力转向神经形态计算、硅光子、存算融合等技术的原因。

翻英特尔的旧账，这条路其实走过。Pentium 4 之后，这家公司靠 Pentium M 架构把处理器的性能与功耗重新拉回平衡。Ranade 判断，计算领域未来或许会再出现一次类似的转向。

量子计算这边，英特尔挑的是硅自旋量子比特路线。有些量子技术要用一套完全不同的制造体系，硅自旋量子比特不一样，它能直接借用现有的半导体制造设施。

Ranade 透露，英特尔现在的量子芯片用的制造基础设施和普通逻辑芯片是同一套，几何设计规则甚至与 18A 一致。不光是芯片，低温控制电子系统和软件栈也在同步推进，目标是把量子芯片、控制系统和软件捏成一个完整的计算系统。

这项技术还有日本方面的合作。

2026年7月，由日立、英特尔和日本产业技术综合研究所（AIST）参与的硅量子计算研究项目拿到了 NEDO 的支持。按计划要开发的东西包括 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。

日立给出的时间表是：2028 财年推进带 100 量子比特纠错能力的原型系统，2030 财年奔着 1000 量子比特级系统去。

英特尔的算盘是借现成的半导体制造技术，把量子计算从实验室再往前推一步，做成可制造、可集成的计算设备。

神经形态计算是另一条线。

英特尔在这个领域已经研究了十多年，Loihi 系列是代表产品。Ranade 透露，目前已经从 Loihi 1、Loihi 2、Loihi 3 走到了 Loihi 4。

神经形态计算的关键，不在于照搬人脑，而在于换掉传统计算机处理数据的那套方式。

传统AI加速器里，数据得在存储器和计算单元之间来回搬，光是搬运这一项就吃掉不少电。神经形态计算换了个路子：事件驱动，特定事件来了才算，用不着的数据移动和能耗自然就少了。

英特尔早前发布的Loihi 2就是事件驱动的脉冲神经网络，思路是让存储和计算靠得更近，把数据搬运的需求压下去。这套技术在其Hala Point系统上已经扩展到11.5亿个神经元的规模。

Ranade还提到，传统CPU的工作电压在0.9V上下，而神经形态计算的设计有望降到0.6V，甚至0.55V左右。

这么看，英特尔做神经形态计算，走的是一条和现有GPU架构不一样的低功耗AI计算路线。

计算方式之外，芯片之间怎么连，英特尔也在重新琢磨。

AI基础设施的卡点，正从单纯的计算性能转向数据传输和系统互联。封装内部芯粒之间的连接、PCB上芯片之间的互联，再到服务器之间、机架之间乃至数据中心之间的连接，带宽和功耗的分量都越来越重。

Ranade的判断是，传统铜互连正遇上麻烦，光子技术会是未来的重要方向。

硅光子这块，英特尔已经投了很多年，眼下正围绕芯片间、机架间的连接开发新方案。全光交换技术尤其受关注。

现在光通信系统还是得在电信号和光信号之间来回转换：电转光发出去，到了对端再转回电。这个转换过程本身就耗能。要能直接在光域完成交换，就有机会省掉光电转换带来的能量损失，交换效率也能提上去。

也就是说，英特尔看中的硅光子，不只是把光模块的传输速率做高，还想把光技术推进到计算系统内部和数据中心互联体系里去。

内存同样是Ranade重点谈到的一块。

AI数据中心越建越多，DRAM、HBM、LPDDR和NAND的胃口跟着一起涨，内存供应吃紧、价格上浮，已经开始波及整个计算产业。

在Ranade看来，光靠加供应、压价格解决不了内存问题。更该问的是：容量不变，能不能多干点活？以前内存便宜，系统设计人员习惯靠堆容量应付需求；到了AI时代，成本、容量、带宽三样都金贵，计算系统只能把内存用得更省。

竞争的重心也就跟着挪了——从只盯Memory Capacity和Memory Bandwidth，往Memory Efficiency上走。

CPU、AI加速器、算法、软件，都得围着“怎样更高效地用内存”做优化。对英特尔来说，把计算和内存绑得更紧，同样是后续架构创新的重头戏。

先进封装和材料这块，英特尔押注玻璃基板，再往前一步还有金刚石。AI芯片越做越大，传统有机封装基板在布线密度、大尺寸封装、电气性能上都开始吃力。英特尔正研究从有机基板换到玻璃基板，想靠玻璃做出更高密度的布线，撑起AI和HPC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。

Ranade之所以提到金刚石，是看中它的导热本事。AI芯片功耗一路走高，散热这道坎越来越绕不过去。以后的芯片设计，不能只想着把算力做上去，热管理也得算进整个计算架构里。

上面这些技术方向之外，英特尔也在用AI改造自家的半导体制造和设计流程。

Ranade透露，英特尔正跟谷歌联手，把Gemini Enterprise引进工程、供应链和企业运营等环节。晶圆厂里，AI已经派上了用场，做设备预测性维护、机器人设备监控，还有图像异常检测。Foundry业务那边，英特尔还在推AI辅助EDA和设计验证。Ranade的判断是，未来一到两年，机器学习在芯片设计流程里会用得更多。

这么看，英特尔在AI上的落子不只是做AI芯片，也想靠AI把芯片设计、制造和运营的效率提上去。

回望英特尔这些年，Ranade特意提起了错过移动计算浪潮的那段教训。PC时代英特尔很成功，可对既有市场依赖太重，移动计算带来的产业转型机会没能及时抓住。

AI这块，英特尔其实早就有GPU技术，只是更多当成PC图形处理的一部分来看，没有像英伟达那样长期围绕GPU搭建AI计算生态。

所以这一回，英特尔想换个做法。

与其把资源都压在追赶当前领先者上，不如同时铺开几条可能改变计算产业的技术路线。量子计算、神经形态计算、硅光子、新材料和存算融合，离大规模商业化各有各的距离，但都有机会成为突破当前计算系统瓶颈的路径。

听Ranade这番话，英特尔真正在意的不是下一款GPU，而是GPU之后的计算架构。

眼下AI产业还在算力快速扩张的阶段。问题是，电力、数据传输、内存效率和散热这些环节，正慢慢变成卡住计算系统发展的关键。

往后比拼的，或许不再是谁的GPU更强，而是谁能在整个系统层面，用更低的功耗、更高的效率把更多计算做完。

对英特尔来说，18A和14A是重建先进制造能力的底子，量子、神经形态、光子和新材料，则是它为下一轮计算变革提前做的准备。

这一次，英特尔显然不想再错过下一波技术浪潮。