英特尔前CEO转行做VC：AI下一步拼的不只模型，还有芯片、光刻和电

离开英特尔一年多后，前 CEO 帕特·基辛格（Pat Gelsinge）为自己找到了一个新身份：风险投资人。

据《连线》近日报道，曾担任英特尔 80486 处理器首席架构师、参与领导多代微处理器研发的帕特·基辛格，目前已转任深科技投资机构 Playground Global 合伙人，主要寻找半导体、能源和下一代计算领域的早期项目。他给这份新工作设定的目标颇为激进：“让 AI 提升 10,000 倍，而不是 10 倍。”实现这一目标的关键，将是今天还不像 GPU 的新型芯片、下一代光刻技术以及更充足的能源供应。

与此同时，基辛格还担任下一代光刻光源公司 xLight 的执行董事长，直接参与这家被投企业的发展。2025 年，xLight 完成由 Playground Global 领投的 4,000 万美元 B 轮融资；2026 年 6 月，公司又获得美国商务部敲定的 1.5 亿美元《芯片与科学法案》资金，用于建设和验证自由电子激光原型。

基辛格试图把自己在英特尔工作数十年形成的产业判断，转化为对新一代硬科技公司的投资。他认为，AI 正在迅速扩大半导体市场，也把摩尔定律、芯片能效和电力供应重新推到了产业竞争的中心。

100 天、100 场会面，从 CEO 转向投资人

2024 年 12 月，基辛格辞去英特尔 CEO 和董事职务，结束了持续近四年的英特尔复兴计划。在任期间，他推动英特尔重建先进制程和代工业务，但巨额资本开支、产品竞争压力和迟迟未见改善的财务表现，使这场转型面临越来越大的阻力。

离开英特尔后，据报道，基辛格在 100 天里进行了约 100 场会面。他考虑过政府职位、大学管理职位、上市公司 CEO、私募股权和风险投资。最终，他排除了继续管理上市公司的选项，也认为私募股权更关注交易规模和财务回报，距离技术本身太远。

2025 年 3 月，基辛格加入 Playground Global。该机构管理约 12 亿美元资产，主要投资建立在基础科学和工程突破之上的深科技公司。基辛格还出任其被投企业 xLight 的执行董事长，把下一代光刻光源作为最重要的投资方向之一。

他的逻辑是，AI 已经把硬科技投资的回报空间显著放大。基辛格称，2024 年时，行业普遍预计全球半导体市场要到 2030 年才能达到 1 万亿美元，如今这一节点已经被大幅提前。

最新统计支持了市场正在加速的判断。美国半导体行业协会数据显示，2025 年全球半导体销售额达到 7,917 亿美元，同比增长 25.6%，并预计 2026 年将接近 1 万亿美元。Gartner 的预测更高，认为 2026 年市场规模可能超过 1.3 万亿美元，其中 AI 芯片约占 30%；不过，这一增长同时受到存储芯片价格大幅上涨推动，并不完全来自出货量增加。

用新的“光”，唤醒摩尔定律

基辛格目前投入最深的一家公司，是下一代光刻光源初创企业 xLight。这家美国初创公司试图利用自由电子激光器，为极紫外光刻设备提供功率更高、运行更稳定的新型光源。

先进芯片制造的核心步骤之一是光刻：设备利用光线将电路图案投射到晶圆上。光的波长越短，理论上越有利于制造更精细的结构。目前最先进的极紫外光刻技术使用波长为 13.5 纳米的极紫外光，ASML 则主导着这一设备市场。

现有极紫外光源主要通过激光轰击高速运动的锡滴，使其形成高温等离子体并释放极紫外光。整个过程需要每秒重复数万次，对光源功率、稳定性和维护能力提出了极高要求。光源功率不足，会直接限制曝光速度，进而影响晶圆厂的设备产出。

xLight 希望用自由电子激光器替代现有光源。其基本原理是先将电子加速至高能状态，再使电子通过周期性磁场，产生高强度极紫外光。公司计划建设一套集中式光源系统，同时为多台光刻机供光，首先提升现有 ASML 设备的运行效率，随后进一步探索波长更短的“亚极紫外”光刻技术。

图｜xLight 晶圆厂部署图（来源：xLight）

因此，xLight 当前并不是要取代 ASML，而是希望成为其设备上游的新型光源供应商。基辛格表示，这一路线未来有望从当前的 13.5 纳米波长进一步推进至 5 纳米，甚至 2 纳米。不过，光源波长并不等同于芯片制程节点。它能否真正转化为量产能力，还取决于光学系统、光刻胶、掩模、缺陷控制和整机稳定性等一系列配套条件。

2026 年 6 月，美国商务部敲定向 xLight 提供 1.5 亿美元《芯片与科学法案》资金，用于在纽约奥尔巴尼纳米技术园区建设并验证自由电子激光原型。按照此前公布的计划，相关设备预计从 2028 年开始测试。

这笔资金说明，下一代光刻光源已经进入美国政府产业政策的视野。但建成原型机与进入大规模晶圆制造，仍是两个截然不同的阶段。真正的检验在于，xLight 能否在长期连续运行条件下提高晶圆产量，同时降低成本、故障率和缺陷率。

AI 的下一场竞争，将从训练转向推理和能源

在基辛格看来，光刻只是推动 AI 性能提升“10,000 倍”的其中一个环节。另一个更直接、也更接近现实需求的机会，是推理芯片。

训练是让模型从数据中学习，推理则发生在模型训练完成之后：每当用户提出问题、调用智能体或生成一段内容，模型都需要执行一次推理。一个模型可能只经历有限次数的大规模训练，却会在实际应用中被调用数十亿次。随着 AI 产业从训练前沿模型转向大规模部署，竞争指标也将发生变化。相比单纯追求峰值算力，响应延迟、每个 token 的成本和单位计算的能耗会变得越来越重要。

GPU 仍然是大模型训练的主力，但未必是所有推理任务的最优解。基辛格预计，针对不同模型和应用场景设计的推理芯片，再叠加新的存储和先进封装架构，可能带来 10 至 100 倍的效率提升。按照他的设想，未来同样消耗 1 吉瓦电力，硬件所能完成的 AI 计算量，或许可以达到今天 10 吉瓦系统的水平。

不过，这仍是一项预测，而非已经在行业中普遍得到验证的结果。专用芯片可以在特定任务上显著提高效率，但通常也会牺牲部分通用性，并受到软件生态、编程工具、模型适配和规模化部署能力的限制。未来的数据中心更可能形成异构计算体系，由 GPU、专用加速器、高带宽内存和定制芯片共同承担不同任务，而不是由某一种芯片完全取代其他技术路线。

比芯片更难迅速突破的，是能源供给。国际能源署预计，全球数据中心耗电量将从 2025 年的约 485 太瓦时增长至 2030 年的约 950 太瓦时，其中 AI 数据中心的用电量可能增至目前的三倍。与此同时，燃气轮机、变压器、电网接入和项目审批都已出现不同程度的瓶颈。芯片可以按较快节奏迭代，电厂、电网和输电设施的建设周期却往往以年计算。

图｜全球数据中心耗电量，2020—2035 年（来源：IEA）

基辛格因此将能源能力直接视为 AI 时代的经济能力。即使芯片性能继续提升，如果数据中心无法获得稳定、充足且价格可承受的电力，算力扩张依然会被能源条件锁住。这意味着，AI 产业的竞争边界正在继续向外延伸：从模型和 GPU，扩展到光刻、存储、先进封装、供电、散热、电网，乃至整个发电体系。

1.https://www.wired.com/story/pat-gelsinger-moores-law-light-chips/

2.https://www.intc.com/news-events/press-releases/detail/1719/intel-announces-retirement-of-ceo-pat-gelsinger

3.https://www.semiconductors.org/global-annual-semiconductor-sales-increase-25-6-to-791-7-billion-in-2025/

4.https://www.gartner.com/en/newsroom/press-releases/2026-04-08-gartner-forecasts-worldwide-semiconductor-revenue-to-exceed-us-dollars-one-point-3-trillion-in-2026

5.https://www.nist.gov/news-events/news/2026/06/department-commerce-announces-finalization-chips-incentives-xlight-support

6.https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成