OpenAI’s Compute Chief: We Can’t Build Fast Enough | Sachin Katti

每当你觉得算力已经够了、我们可以放慢脚步时，结果总会带来负面惊讶——比如，哦，我们本不该放慢。如今需求远远超过算力供给。所以任何我们能上线的资源，都会立刻被消耗掉。我们最大的担忧仍然是：在我们试图获取算力、建设算力的这个规模上，情况依然如此。

物理世界的推进速度没那么快。我们的确相信，递归（recursion）的世界已经不太遥远了——到那时，AI 将会设计出它为训练和运行下一代 AI 所需要的系统。令人振奋。

嗨，我是 Matt Turk。欢迎来到 MAD podcast。今天的嘉宾是 Sachin Khalti，他拥有一个也许是当下科技界最引人入胜、也最切题的头衔：OpenAI 的 industrial compute 负责人。Sachin 的背景非常惊人。

他曾是 Stanford 的教授，多次创业者，最近还担任过 Intel 的 CTO。现在，他正领导着许多人称之为人类历史上最大规模的基础设施建设。在这一期节目中，我们暂时离开 model 层，深入探讨算力以及 AI 热潮背后的物理现实。我们会谈到正在建设中的 data center 的惊人规模，也会深入聊 liquid cooled supercomputer、电网约束、nuclear MG 的潜力，以及 OpenAI 通过 Jalapeno 进军定制 silicon。

我们还讨论了最广泛的 target strategy，以及一种略显残酷的现实：AI 现在已经开始帮助设计它自己的 chip。这是一场非常精彩的幕后观察，让人看到为智能的未来提供动力，实际到底需要付出什么。请欣赏我与 Sachin Cotti 的对话。

好，Sachin，欢迎。很高兴来做这次访谈。我们这次录制是在 Paris 的 RACE conference 场边进行的。所以感谢你顶着高温前来。这里又迎来了一波热浪。

谢谢。很高兴来到这里。很高兴来到这里。

先从这里开始。有人把当前算力 data center 世界里正在发生的事，描述为历史上最大规模的基础设施建设，比 highway 更大，比 railroad 更大。我很好奇，第一，你是否同意；第二，从内部看这件事是什么感觉。比如说，你如何看待你目前在 OpenAI 正在建设的东西？

这绝对让人感觉像是人类有史以来真正建成的最大规模事物之一。肯定比我听说过的很多项目都更大。我年纪还不够大，没有亲历过高速公路大规模建设的时代，但不，这种感觉和它听起来完全一样。可以说，我现在就在这头巨兽的腹中。每天我们都在做一些不只是 compute（算力）层面的决策；以我之前的经历来说，比如在 Intel，这种量级的决策，我们过去大概需要几个月才会做出。

但需求实在是无止境，而且增长速度又非常快，所以我们必须行动得非常迅速。所以，这是一个高强度的时期，但对工程师来说，这大概也是最令人兴奋、最值得参与的事情之一。

对。我之前在某处看到，OpenAI 今年计划在 compute 上花大约 50,000,000,000。这个数量级现在大致还是对的吗？从大方向上看，听起来差不多。对。

而且整个行业今年在 compute 上的支出据说也会达到 700,000,000,000。所以这数字看起来真是夸张得惊人。

对。而且它大概还会继续增长，对吧？还有很多基础建设正在推进。所以其中相当一部分，在一两年后，也会转化成像我们这样的人实际使用的 compute 用量。

对这件事，正确的理解方式是不是这样：对 OpenAI 来说，这有点像进入了一个新世界，对吧？显然这不完全算是一次 pivot（业务转向），因为很明显，整个 AI 研究仍然在全速推进。但像是在公司内部打造一整套全新的业务，这样理解公平吗？大家是这么看的吗？因为很显然，构建模型是一回事，建设 data center（数据中心）则完全是另一个世界。

对。我是说，我认为 OpenAI 一直都有一个根本性的信念，那就是计算机是一切的基础。Compute 是 intelligence（智能）的基础。而我们持续扩展智能、分发智能的方式，就是拥有 compute。所以这一点从来没有变过。这一直都是我们的信念。

我认为现在越来越清楚的一点是，要建成我们所需要的那种 compute，而且是在这样的规模之下，我们不能只依赖从合作伙伴那里获得 compute。我们越来越需要以更主动的方式，去建设并获取我们所需要的 compute。所以，这确实让人感觉像是公司正在锻炼出一种全新的 muscle（能力）。

也许为了从一开始就给这场讨论建立一个锚点，先谈谈 data center（数据中心）在现实中到底是什么，其实会很有帮助。所以我觉得，大家都知道 data center 正在被建设。但你知道，如果真被逼着回答，我不确定每个人都能说清楚，到底在建的是什么。因为作为一个行业，我们为了 cloud（云计算）建设 data center 已经有几十年了。那么，如今我们为 AI 建设的 data center，究竟有哪些根本性的不同和新的地方？

我觉得最大的差别大概是规模，对吧？本质上，当我们思考 AI 时，我们实际上是在建造大型 supercomputer（超级计算机）。随着我们构建 intelligence（智能）并交付 intelligence，而且 model（模型）变得越来越强大，我们会把它用于越来越复杂的任务。这样一来，我们实际上就需要越来越大的计算机。所以我认为，理解 data center 最好的方式，就是把它想象成巨型工厂，把 electrons（电子）转化为 token。

这句话现在很流行，但它确实非常贴切。那么，我们怎样获取电力？怎样把这些 electrons 真正用于驱动 chips（芯片），而这些芯片实际上是在交付 intelligence？我脑海里的画面是：大到像一整片足球场，里面还有“liquid gold”，因为这些芯片运行时非常热。它们的温度真的非常、非常高。

所以你要用液体来给它们降温，不能靠空气冷却。也就是说，会有大量液冷设备，基本上就是成套的“冰箱”系统，实际上就摆在建筑旁边。

既然说到这里，冷却是在 data center 层面进行，还是在 chip 层面进行，还是两者都有？

两者都有。两者都有，对吧？你既需要给 data hall（数据机房）降温，也需要给每一块 chip 单独降温，因为只做其中一项是不够的。而且你还得给连接 chips 的那些部件降温。

所以这就是为什么现在几乎到处都需要冷却。甚至连那些 cables（线缆）、以及负责分配电力的 transformers（变压器）都会变得太热，所以它们也需要被冷却。凡是处理能量的东西，都会产生热量。

那么，正在使用的 cooling（冷却）技术，是那种已经被充分理解、现在只是持续部署的东西吗？还是说，当前 cooling 领域其实正在发生一些根本性的创新？

我认为 liquid cooling（液冷）已经存在一段时间了，但从未以这种规模部署过。创新更多集中在如何让它更可靠、如何让它更便宜、更具可扩展性。对。所以围绕这一点有很多创新。还有很多新的创新，比如新型液体、新型材料，它们能更好地吸收热量，因为任何能提升热传递效率的东西，对 data center（数据中心）都非常重要。

这样我们就能让 chip（芯片）在更高温度下运行，对吧？而芯片运行得更热，与计算机的性能之间有直接相关性。也就是说，芯片越热，你获得的 memory bandwidth（内存带宽）就越高，得到的 flops（浮点运算性能）也越多。所以这里的回报非常明显。如果你能把冷却做好，也就意味着你能产出更多 intelligence（智能）。

好。那么，超大型工厂、大量冷却。另一个在我看来对任何讨论都非常关键的部分，是 power（电力）和 energy（能源）。所以从高层来看，这是怎么运作的？你们是接入 grid（电网）吗？

你们有自己的发电能力吗？

我认为在早期阶段，我们都是接入电网的，而且现在我们也仍然都希望接入电网。到了这个阶段，我们开始面临电网容量的限制，因此也在投资电网的发电基础设施和输电基础设施。所以无论我们在哪里建设 data center，我们都会作出一个硬性承诺：我们不会从电网中夺走原有的电力。事实上，我们是在投资电网，新增发电能力，这样我们才能将这些电力用于 data center。

这在实际中意味着什么？

你在某个地方有一张电网。它有一定的发电和配电能力，有一定数量的 megawatt（兆瓦）容量。显然，data center 一旦出现，如果有富余容量，那 data center 当然可以使用它。但如果没有富余容量，那么我们就必须为电网新增 gas（天然气）、solar（太阳能）或 hydro（水电）发电基础设施。

所以我们会投资并出资推动这些建设。然后你还得建设输电线路，投资 transformer substations（变电站）来分配这些电力。因此，无论我们在哪里建设 data center，我们都在为所有这些基础设施的发展提供资金。这也是我们确实想强调的一点：如果没有这些 data center，这些基础设施原本是不会得到资金支持的。而这轮大规模 data center 建设带来的一个附带好处是，America 乃至全球的电网基础设施，正在非常迅速地得到升级。

所以这就是电力这一块的核心。只要我们能这么做，我们就会这么做，并从电网消耗电力。但这也意味着我们是在做负责任的公民，因为我们是在为所有人改善基础设施，不只是为 data center，也包括家庭用户。在一些地方，我们开始触及电网电力可建设和可消耗规模的上限。所以现在大家都在关注 behind the meter（电表后）方案。

我们也在做一些 beyond meter 的发电方案，也就是在现场具备发电和配电能力，而这些能力并不来自电网。实际上，这会让 data center 在电力方面变得基本上自给自足。对。

是 gas turbines 吗？具体是什么？

目前是 gas turbines，尤其是在 The US，因为那是能量密度最高、又可运输的一种能源形式，而且在 The US 也相当普遍可得。但这方面实际上受制于供应链瓶颈。

你觉得关于 nuclear 的讨论有意思吗？Mary，我们这期是在 France 录的，而 France 有很多 nuclear 发电。nuclear 系统在 The US 也重新进入了讨论范围。这是你会关注、会觉得有意思的事情吗？当然。

它来得越快越好。好。我认为这是我们所有人能够生产和消耗的能量密度最高的一种能源形式，而且它也是清洁的。所以我认为，它显然会成为所有 data center 所需大规模、可扩展能源的良好来源。很明显，除了 France 之外，世界其他地区在建设这类基础设施方面还有很多要补的课。

但我认为，它将在 data center 中发挥非常重要的作用。

好的。关于 data center，这算是一个很好的介绍。你们最近另一条很有意思的消息是 Jalapeno。嗯哼。所以现在对 OpenAI 来说，除了应用业务——面向 consumer 和 enterprise——以及 model AI 研究业务，再加上 compute 和 data center 业务之外，看起来如果这么说算公平的话，OpenAI 现在也进入 chip 业务了。

所以，就是说，完全是 full stack（全栈）的。但我我我很好奇，我们我们稍后会再深入谈一些细节。不过，从整体战略的角度来看，这件事处在什么位置？

随着我们开始为全球相当大比例的人口提供服务，AI 的使用量正在爆发式增长，inference（推理）显然正在成为我们工作负载中很大的一部分。对吧？它消耗了大量 compute（算力）。而另一个认识是，因为我们确切知道工作负载是什么，知道我们想运行的 model（模型）是什么，所以我们可以对 hardware（硬件）进行协同设计，让它在承载这些模型时具备极高效率。因此，Jalapeno 的战略意义就在于：我们如何利用自己知道最终工作负载是什么、模型本身是什么这一点，来设计出在服务这些模型时非常高效的 chip（芯片）。

所以这确实让我们能够建立效率优势，提升每瓦可产出的 token 数。Jalapeno 正在优化的关键指标，就是最大化你每消耗一瓦电能生成的 token 数量。由于当今世界受制于电力约束，所以在相同电力下，你能产出越多 token，对所有人就越有利。因此，我们把它看作是将 intelligence（智能）规模化交付给全世界时一个非常关键的组成部分。

很好。那么我我我一会儿再回到这个话题帮你展开一下。不过你刚刚提到了 inference，而且，这本身也是一个非常有意思的演变。不一定非要评论 OpenAI 具体在发生什么，但如今就 compute 的使用而言，inference 是不是已经和 training（训练）一样大，甚至大得多？也就是说，我们是否已经从那种非常重的 pre-training（预训练）任务曾经是算力主要使用场景，转向了现在主要是 inference 占多数？

是的。Inference 很大，甚至可能已经占了 compute 的大多数。而且我认为，其中一个情况是，我们不太喜欢把 training 和 inference 明确区分开，因为现在很多 training 本身就是 inference。比如说，当我们训练一个新模型时，我们会生成 synthetic data（合成数据），这就是 inference。

当我们训练一个新模型时，我们会做 post-training（后训练），而那也是 inference。训练一个模型时，你还会做 test-time compute（测试时计算）。这些全都是 inference。所以当我们说 training 时，实际上在那个工作阶段里，很多 compute 其实也是 inference。因此，inference 是一个基础性的构件。

对。显然，我忍不住还是要问那个不可避免的问题：考虑到 demand（需求）和实际 usage（使用）之间存在时滞，再加上建设一个 data center（数据中心）需要很长时间，会不会存在过度建设的潜在风险？我记得你在某个地方提到过，你是刻意对未来三年将要出现的问题保持高度 paranoid（警惕），对未来的意外情况也非常 paranoid，这听起来是一种很健康的做法。那么你是怎么思考这件事的？

有什么办法可以缓解这种风险吗？还是说，这更像是一种深层信念——坚信这就是未来，而我们都应该一路 go, go, go？

我们对扩展规模这件事有很深的信念。对吧？而且历史已经证明我们是对的。所以实际上，比如说，Redmi 一直是跟着 compute（算力）走的。我们把 compute 提高了三倍，收入也提高了三倍。

而且我们相信——我是说，这一点现在依然成立。如今的需求远远超过 compute 供给。所以任何我们能上线的算力，都会立刻被消耗掉。至少对我们来说，没有任何 compute 会被浪费。所以我认为，这种信念完全没有改变。

而且如果要说有什么变化，那就是我们看到，research（研究）和 training（训练）方面的 scaling laws（规模定律）仍然成立。并且，由于 AI 本身的作用，我们做研究的速度可能还在加快，对吧，因为 AI 现在已经在做很多 AI research（AI 研究）了。因此，这里面有一个微妙的含义：以前，我们的研究人员会运行实验，而他们需要用计算机来跑这些实验。但他们能做的实验数量，受限于他们拥有多少人类研究人员，而这在世界上是一种稀缺资源。

对吧？真正能做 AI research 的人并不多。现在如果 AI 本身也能做 AI research，那我们能运行的实验数量就会爆炸式增长，因此，research 对 compute 的需求也会随之爆炸式增长。所以在可预见的未来，我们并不认为会出现一个我们对最好的 compute 需求已经免疫的世界。对吧？

当我提到“意外”时，我更担心的是下行风险：我们实际上没法建成我们想要的全部 compute。

对。然后——但这又引出了

另一面。对我们来说，情况其实是反过来的。对吧？因为一直以来情况都是这样。每当我们觉得自己已经有足够的 compute、可以放慢一点时，结果总会迎来负面的意外，比如，“哦，糟了。”

我们当时不该放慢的。对吧？所以这仍然是我们最大的担忧。而且，按我们试图获取 compute 和部署 compute 的这个规模来看，物理世界的运转速度并没有那么快。对吧？

现实中的供应链、工厂，没法移动得那么快。Door 也不可能那么快增加产能。所以对我们来说，出乎意料的更多是这个方向，而不是另一个方向。

很有意思。你刚才提到了 communities，这显然是一个关键争论点。所以我很好奇你怎么看这样一个光谱：一端的极端观点会说，AI 行业和计算机行业只是有个 PR 问题，实际上并没有什么问题，只是我们没把它解释清楚；而另一端则会说，其实那些 communities 的担忧是有道理的。你觉得现实更接近哪里？

我认为，任何时候出现一种像这项技术这样具有革命性的新技术，都一定会带来某种 disruption（扰动、颠覆）。但是，历史已经反复告诉我们，这最终总会为社会带来更好的结果。对吧？那么，我们该如何从今天所处的位置，画出一条通向那个结果的路径，并向世界解释，为什么这就是我们都需要走上的轨迹？我的意思是，这是我们的责任。

从 community 的角度看，这里面有一点 local 和 global 之间的问题。对吧？就 communities 而言，我认为 data center（数据中心）即使在今天，对每个社区总体上也是净正面的。因为我们建设这些数据中心的地方，比如在 America 的农村地区，对吧，那些地方原本根本没有别的建设项目。我想把这一点说清楚。

比如我们来到 Texas 的农村地区。我们建一个 data center，它会为社区带来新的 property tax 收入，用来资助学校，资助医院。我们到来之后，还会投资新的电网基础设施，而这些原本根本不会发生，因为那里没有需求。于是就有了一个现代化的电网，AI 也可以从中受益。归根结底，我们创造了就业。

很好。然后，所以我认为，我们投入很多的一件事，就是每次在某个地方建设 data center 时，都去解释它在当地带来的好处，并确保人们充分理解这类项目所带来的 upside（上行收益、好处）。而且 data center 一旦建成，本质上就是非常“干净”的社区成员。对吧？它们不会排放气体，也不会产生有毒化学物质之类的东西。

对吧？它们是自成一体的。它们只是产出 intelligence（智能）。对。

通常大家会提到的问题是水，而我认为这一点已经被研究相当程度地 debunk（证伪、澄清）了。不过，也许你可以给我们一些背景，讲讲你们是如何看待 water 这套机制的？

这些是液冷（liquid cooled）的，而且冷却液会被循环利用。所以实际上，相比家庭用水消耗，data center 的耗水量小得惊人。所以我觉得正如你所说，这个问题已经被澄清了。认为 data center 会消耗大量水，是一种误解。事实上，就它们所完成的工作而言，它们的用水非常少，而且这些水都会被回收循环。

所以我们并不会净消耗新的水。一旦达到某个运行状态，这些水就只是随着冷却过程被循环再利用。

对。所以那些所谓“brown water”之类的说法，其实说不通，因为 data center 里的水是在一个封闭回路中运行的。

对吧？它是一个闭环。对，是一个闭环。就是一个闭环。

顺便说一句，你提到了 Texas 和农村地区，因为我们在这次对话一开始谈到了 data center。为什么 OpenAI 和其他公司会选择农村地区？比如，你们是怎么为 data center 选址的？

因素很多。第一当然是土地，比如说土地要充足。第二是审批许可（permitting）。也就是，我们能不能把这些设施建起来？而且我们希望以一种不会影响任何社区居民区的方式来建设这些设施。

对吧？所以，距离居民区有一定距离的土地就是理想选择。当然，还有电力接入。对吧？要有强大的电网（grid）、充足的天然气供应能力。

这些都是重要因素。第四个因素是劳动力。对吧？也就是你能多快把这些设施建起来？所以劳动力的可获得性、建筑工人、合格的电工，以及其他所有这些，都会包括在内。

所有这些因素都会进入每一个选址决策。我知道，很明显，Texas 之所以受欢迎，是因为它符合其中很多标准，但它并不是唯一的州。我的意思是，我们在全国各地都有数据中心，包括 LA 等地。好。很好。

我们会进一步展开讲所有这些内容，

但先来多聊聊你和你的经历吧。所以你是 OpenAI 的 industrial compute 负责人，顺便说一句，在这场大会开头提到时，industrial compute 这个头衔，我的意思是，这真是一个非常贴切的头衔，对吧，很符合我们当下所处的这个时代。但这到底是什么意思？这个职位具体是做什么的？以及在 OpenAI 内部，整个工作是如何组织的？在你方便谈的范围内。

对。我会把它理解为我的角色，更准确地说，是我们团队的角色：我们如何在 IndustryFK 上线 compute（算力）。对吧？基本上这就是我们对自己的定义。这涵盖了整个生命周期。

所以，我们如何找到能够构成 compute 的那些要素？土地、电力、shells、chips。我们又如何为它们融资？对吧？因为这涉及的是巨额资金。

所以，我们如何确保为电网基础设施融资？如何为 pump shells 的建设融资？如何为 chips 融资？接下来就是，如何把这一切 operationalize（运营落地）？也就是，如何真正确保这些事情能按时发生？

它们能持续运行？我们如何把所有这些基础设施 operationalize（运营落地）？所以，这就是完整的生命周期。然后当然，还有你究竟如何实际使用这些 compute（算力）。我职责里很大的一部分，是在 OpenAir 内部分配 capacity（产能）。

所以它始终是一种稀缺资源。

这能确保你是个非常受欢迎的人。但我并不是很受欢迎。

不管他做出什么决定，总会有人不满意。不过，确实，我们团队实际上会提供输入，来帮助做出 capacity（算力容量）分配决策。我们会梳理出有哪些不同的选择节点，以及针对不同分配方案，有哪些“what if”问题需要考虑。所以一方面是做 capacity planning（容量规划），另一方面当然还要据此预测我们在什么地方需要多少 capacity。因为问题不只是需要更多 compute（算力），还包括在哪里、什么类型、什么形态、什么 chip（芯片），以及你想在那上面运行什么 workload（工作负载）。

所有这些，基本上都是这个团队来搞清楚预测和规划应该怎么做，而这些会形成反馈闭环。然后，这又会进一步决定我下一块要去找哪里的土地、电力和芯片，把它们部署进去。

再说一次，不涉及任何机密，虽然我想，等你们上市之后，这些很快也都会公开了。不过，比如说，在现阶段这已经是一个几千人的规模了吗？我的意思是，这是由多个不同团队组成的吗，还是说你们需要把很多事情外包出去，并和一大批 contractors（承包商）合作？

这是一个 portfolio approach（组合式策略）。对吧？我们永远不会处在一个把所有事情都外包出去，或者把所有东西都完全自己建设起来的世界里。对吧？它一定会是混合的，因为那才是合理的做法。

对吧？你不会想把所有权利都放在同一个篮子里。所以我们会让 hyperscalers（超大规模云服务商）提供很大一部分 compute，可能是大多数 compute。我们也会把 new clouds（新兴云）纳入我们 portfolio（组合）的一部分。我们还会和 design-build firms（设计建造公司）合作，来建设我们所需要的 compute。

当然，我们也会自己建设其中的一部分。所以我们始终都会采用 portfolio approach（组合式策略），因为按照我们所需的规模，我们必须动用所有来源的 compute。我们不能只依赖某一种特定机制。

那你的背景呢，作为这一切的起点——所以你既是 Stanford 的教授，也是 entrepreneur（创业者）或者 founder（创始人），还是说主要是学术人士？能不能带我们简单回顾一下你的经历。

上面那些都有一点。不过，是的，从内心来说，我是个学者。我从 2010 年起就在 Stanford 任教授。最近——你在那里主要专注什么？——我当时是 computer science 和 electrical engineering 的 faculty（教员）。

比如说，有特别关注的方向吗？对。

我的研究领域是 networking。networking。也就是我一直在构建网络，mobile、wireless networks，而不是过去七天里大家实际讨论的那种网络。不过在三四年前，我在 Stanford 期间做过几家 startup。最后一家 startup 被 VMware 收购了，我也因此认识了 Pat。

Pat Dickens，Intel 的 CEO。我的意思是，我后来就是这样去了 Intel。在来 OpenAI 之前，我在 Intel 的 SOC 团队。所以我算是见过各种不同的环境：academia、startup、Intel 这样的 corporate，以及当然，在 OpenAI 里是上述所有东西的混合体。因为 OpenAI 把 research lab、startup 和一家快速增长的公司都融合在了一起。

对。所以当这个工作机会出现时，这是不是你答应这份工作的原因？

其实就是我刚才说的那个。对。这正是它如此独特的原因。而且这种地方很难找，对吧，因为你通常总得做选择。但这里既有 world-class 的研究环境，又有最难的技术问题。

我们正在建设全球最大规模的 compute（算力）。所以我们需要解决很多新的问题，同时这又是一项快速增长的业务。因此，这就是最大的吸引力。我喜欢那种处在 business、technology 和 strategy 交叉点上的问题。所以这是历史上一个非常独特的时刻，也是一个非常独特的角色，其中有些方面显然非常有吸引力。

很酷。好，那我们更具体一点，聊聊 OpenAI 的 compute strategy（算力战略）。也许我们可以先总结一下你们目前拥有什么。我想这里面有一些 Microsoft 的部分。

你们和 Cerberus 做了这笔规模高达 $20,000,000,000 的大交易。围绕这个 Stargate 有很多事情。也许先请你给我们大致介绍一下你们目前手上有什么，然后我们再谈你们接下来要建设什么。我们有 compute（算力）

来自很多来源，实际上是如此。所以 Microsoft 显然是重要的大合作伙伴。我们也有算力，正如我们已经宣布的，来自 AWS、ION、Google。所以基本上，我们从所有 hyperscaler（超大规模云服务商）那里都获得算力。比如我们也有来自 Corby 的算力，也就是一种 Neo Cloud。

当然，还有 chip（芯片）合作伙伴现在也在供货，比如 Xeripas，而且它现在直接为我们生产算力。所以我认为，这大致就是我们今天的组合。展望未来，显然我们会继续深化所有这些合作关系，但也会寻找更多选择，比如由我们自己来设计算力、设计 data center（数据中心）本身，甚至可能自己建设 data center。所以这些都是扩大我们所拥有算力量的方式。所以回到我之前的回答，我知道这个答案可能总是有点老套，但答案就是：以上全部。

也就是说，全部都要，是吗？

对，对。不，不。这个很有帮助。

而且，你知道，考虑到资源稀缺，driver's education 显然在各种意义上都说得通。然后看起来 Stargate 也已经演变了。所以它原本像是 Oracle 和 SoftBank 的一个 joint venture（合资项目），而现在看起来更像是如今这套大战略的一个总括性名称。这样描述公平吗？

对，对。我认为我们把 StarVirt 看作是我们的 compute strategy（算力战略）。没错。它体现的是不同程度上由我们自己来设计或建设算力。

例如，和 Oracle 的合作就非常紧密，我们帮助他们做设计。我们帮助他们理解我们需要如何运营 AI compute（AI 算力），因为这实际上对我们来说是一种非常新的算力类型。我们也和 SoftBank Energy 合作，这是公开信息。基本上，我们已经和他们共同设计了 Warm Shell，他们正在执行这些 Warm Shell。至于如何在这些 data center 里运行我们的芯片，甚至包括新芯片，我们会自己逐步摸索出来。

所以，对我们来说，Stargate 就是覆盖所有这些不同事项的那个总括性战略。你可以把它理解为一种我们会持续推进的演进过程，因为不可能明天一觉醒来，我们就只用一种单一方式来构建 compute（算力）。对。对我们来说，Stargate 是一种持续学习如何扩展 compute 的方式，而且之后还会不断加入越来越多的能力。对吧？

而且作为其中的一部分，正在建设 data center（数据中心），对吧，比如说 Texas 的 Abilene。是的。所以也许你可以带我们过一遍这个情况。为了让大家对现状有一些整体认知，目前到底在建设什么？

很明显，我们和 Oracle 有一个重要的合作。那就是 Abilene Data Center。比如说，我们最新的模型就是在那里训练的。所以我们对此非常兴奋。就我们的需求而言，那是一个规模非常大的 GB Black Belt cluster。

所以它已经上线运行了。它已经上线运行了。

实际上，它已经被用于最近两个模型的训练了，甚至不止。所以这是一个非常强的助力。你也已经看到了结果，你正在看到这些模型的能力提升得有多快。对。正是因为有这类 compute。

对。我认为目前确实有一些 data center 正在建设中。是的。已经在推进了。对。

是的。所以 Oracle 正在建设多个 data center，这些都是公开信息，分布在 Michigan、Texas 和其他一些地方。因此，随着这些设施建成，并安装上到时用于训练的最新 chips（芯片），它们会在未来几年内陆续上线。但这些项目真正的目标，是建设非常大的 cluster，让我们既能进行训练，也能支撑产品 inference（推理）这类计算需求。

对。但这些交易的结构方式是，Oracle 是主导建设的一方，Oracle 也是 cloud（云）提供方。