CoreWeave计算架构高级总监Jacob Yundt：当数据中心本身成为计算机

CoreWeave计算架构高级总监Jacob Yundt在最近一期VAST Data播客中阐述了一个核心判断：在大规模AI基础设施中，计算机的定义正在变大。从服务器作为计算机，到机架作为计算机，最终到整个数据中心作为计算机——这不是修辞，而是运维现实的逐步位移。

Yundt的职业生涯横跨IBM大型机、横向扩展CPU基础设施和如今的超大规模GPU环境。他观察到，变化最大的不是单一组件的性能，而是所有部件必须被设计在一起的程度。在大规模GPU系统中，计算不能脱离网络、存储、电力和冷却来单独考虑。一个机架级系统必须作为一个整体来管理——包括电力如何输送、如何冷却、以及工作负载如何调度到上面。随着密度增加，这种协调从机架扩展到行，最终到整个数据中心。

这个判断对理解neocloud公司的竞争格局有直接意义。当数据中心本身成为需要被工程化、观测和管理的单元时，单纯堆叠GPU数量不再构成壁垒。真正的约束在于：电力分配能否随需求动态调整，冷却方案能否跟上机架密度的增长，网络拓扑能否在数千甚至数万GPU的规模下容忍一次链路闪断而不让整个分布式训练任务崩溃。Yundt提到，一次微小的链路闪断就可能摧毁一个横跨数万GPU的训练作业——这正是为什么CoreWeave将硬件验证、自动化和可观测性内建于架构，而非事后添加。

推理负载引入了另一个维度的复杂性。训练倾向于使用最大、最新的集群，但推理可以高效利用更广泛的GPU代际和类型。不同规模的模型和不同特征的负载可以匹配到不同硬件上。这把更多责任压到了软件层：CoreWeave需要让客户能够将工作负载放置到正确的硬件上，同时平衡性能、成本和可用容量。Spot实例是一个例子——允许原本闲置的GPU容量服务于可容忍中断的工作负载。电力分配本身也成为优化对象，随需求在数据中心内移动。

Yundt预计，五年内当前在电力输送、冷却、布线和GPU与CPU及存储连接方面的做法会显得出人意料地原始。行业一直在用现有数据中心设计的渐进式演化来容纳每一代新硬件，但AI基础设施正在到来的规模和密度可能需要更根本的改变。

需要注意的边界：这是一篇VAST Data博客上的访谈转述，VAST是CoreWeave的存储供应商，双方存在商业利益关系。数据中心即计算机的框架可能同时是真实的技术判断和面向客户的营销叙事。Yundt的五年预测是个人估计，没有给出可追踪的里程碑或验证条件。此外，CoreWeave的具体运维数据——GPU利用率、故障率、电力成本占比——并未在对话中披露，读者无法据此独立验证这一架构方法是否真的转化为经济优势。