Bing Xu, ผู้ก่อตั้งและซีอีโอของ INT21 – ชุดสัมภาษณ์

Bing Xu, ผู้ก่อตั้งและซีอีโอของ INT21, เป็นวิศวกรโครงสร้างพื้นฐาน AI และผู้ประกอบการที่มีประสบการณ์ลึกด้านการเพิ่มประสิทธิภาพ GPU, ระบบการเรียนรู้ของเครื่อง, และเอเจนต์ AI อิสระ. ก่อนก่อตั้ง INT21 ในปี 2026, Xu เคยเป็น Distinguished Engineer ที่ NVIDIA, ซึ่งเขาทำงานด้านการพัฒนาซอฟต์แวร์โดยใช้เอเจนต์และสร้างเอเจนต์เขียนโค้ดหลายรุ่น, รวมถึงผลงานเบื้องหลัง VibeTensor และ AVO. เขาเข้าร่วม NVIDIA หลังจากบริษัทได้เข้าซื้อ HippoML, สตาร์ทอัพด้านการสรุปผล GPU ที่เขาก่อตั้งและดำรงตำแหน่งซีอีโอ. ก่อนหน้านั้น, Xu ทำหน้าที่ Senior Staff Software Engineer ที่ Meta, ที่ซึ่งเขาสร้าง AITemplate และช่วยปรับปรุงประสิทธิภาพการสรุปผล GPU ในงานผลิต, และเคยดำรงตำแหน่งวิศวกรรมและวิจัยที่ OctoML, Facebook AI, Apple, และ Turi. เส้นทางอาชีพของเขามุ่งเน้นอย่างต่อเนื่องในการปรับปรุงซอฟต์แวร์และโครงสร้างพื้นฐานที่เป็นฐานของระบบ AI สมัยใหม่.

INT21 กำลังสร้างโครงสร้างพื้นฐาน AI ที่พัฒนาตนเองออกแบบให้ใช้ฝูงเอเจนต์อิสระเพื่อพัฒนา, ทดสอบ, ทำ benchmark, และปรับแต่งซอฟต์แวร์ที่ขับเคลื่อนงาน AI อย่างต่อเนื่อง. จุดสนใจปัจจุบันของบริษัทคือ Inference Engine Factory, ซึ่งใช้เอเจนต์เฉพาะทางเพื่อสำรวจกลยุทธ์การเพิ่มประสิทธิภาพแบบขนานและสร้างเอนจินสรุปผลที่สมบูรณ์ครอบคลุม CUDA และ PTX kernels, ไดรเวอร์, และโครงสร้างพื้นฐานการให้บริการ, โดยประสิทธิภาพได้รับการตรวจสอบโดยตรงบนฮาร์ดแวร์เป้าหมาย. เทคโนโลยีของบริษัทสร้างบน SwarmOS, แพลตฟอร์มคลาวด์เนทีฟที่ทำให้เอเจนต์จำนวนมากประสานงานตามเป้าหมายวิศวกรรมที่วัดได้พร้อมเก็บหลักฐานและบทเรียนระหว่างรุ่น. INT21 แสดงแนวทางนี้ครั้งแรกผ่าน PTX Kernel Factory, ซึ่งผลิตและทำ benchmark GPU kernels บนฮาร์ดแวร์ NVIDIA Hopper และ Blackwell; ตั้งแต่นั้นบริษัทได้เปลี่ยนทรัพยากรคอมพิวเตอร์ไปสู่การปรับแต่งเอนจินสรุปผลแบบครบวงจร.

คุณก่อตั้ง INT21 หลังจากเผชิญกับความยากลำบากในการจ้างวิศวกรโครงสร้างพื้นฐานที่เชี่ยวชาญอย่างต่อเนื่องเพื่อสร้างและปรับแต่งระบบ AI อย่างเร็วพอได้อย่างไร? สิ่งใดทำให้คุณเชื่อว่าคำตอบไม่ได้เป็นเพียงเครื่องมือสำหรับนักพัฒนาที่ดีกว่า, แต่เป็นฝูงเอเจนต์อิสระที่พัฒนาตนเองและสามารถทำงานนี้ได้ด้วยตนเอง?

เป็นปัญหาที่เป็นที่รู้จักกันดีว่าความต้องการผู้เชี่ยวชาญด้านโครงสร้างพื้นฐาน AI มีจำนวนมากกว่าความพร้อมของบุคลากร, และนี่คือความท้าทายที่ฉันเจอด้วยตนเอง. นั่นคือแรงผลักดันให้ฉันมองฝูงเอเจนต์ที่พัฒนาตนเองเป็นทางเลือก. ในหลายปีที่ผ่านมา, ฉันได้ทำงานกับโซลูชัน AI ที่พัฒนาตนเอง, และเทคโนโลยีได้เคลื่อนที่อย่างรวดเร็วจนระบบเหล่านี้สามารถสร้าง, รัน, และปรับแต่งโครงสร้างพื้นฐานได้โดยอัตโนมัติอย่างแท้จริง.

ปรัชญาหลักของ INT21 คือ เหมือนมนุษย์, เอเจนต์จะฉลาดขึ้นผ่านการสะสมความรู้. สิ่งนี้แตกต่างอย่างสิ้นเชิงจากเครื่องมือสำหรับนักพัฒนารุ่นเก่า, ซึ่งยังคงจำกัดด้วยจำนวนชั่วโมงทำงานและปัญหาที่มนุษย์สามารถแก้ได้. การใช้ฝูงเอเจนต์ที่พัฒนาตนเองหมายความว่าเราจะเร็วกว่า, แม่นยำกว่า, และมีประสิทธิภาพมากขึ้นในทุกรอบการผลิต. เนื่องจากเอเจนต์ของเรามีความสามารถและไม่ได้ถูกจำกัดโดยกรอบงานที่มีอยู่, เราจึงสามารถสร้างโซลูชันตั้งแต่พื้นฐานสำหรับแต่ละงานที่เฉพาะเจาะจงได้.

ก่อน INT21, คุณก่อตั้ง HippoML ซึ่งถูก NVIDIA เข้าซื้อเพียง 14 เดือนหลังการเปิดตัว, และต่อมาคุณได้เป็น Distinguished Engineer ที่ NVIDIA. ประสบการณ์เหล่านั้นสอนคุณอะไรเกี่ยวกับคอขวดในโครงสร้างพื้นฐาน AI ที่สุดท้ายทำให้คุณกำหนดสถาปัตยกรรมและภารกิจของ INT21?

ที่ HippoML, เราเชี่ยวชาญในการสรุปผล AI สร้างสรรค์ประสิทธิภาพสูง, สร้างเครื่องมือเพิ่มประสิทธิภาพซอฟต์แวร์เพื่อให้โมเดลภาษาใหญ่ทำงานเร็วและมีประสิทธิภาพมากขึ้น. เราตระหนักว่าไม่สามารถขยายขนาดได้โดยไม่พึ่งพาอิสระวิศวกรจากยุโรปตะวันออกและที่อื่น ๆ เพียงเพื่อให้ทันต่อความต้องการการเพิ่มประสิทธิภาพการสรุปผล AI.

หลังจาก NVIDIA เข้าซื้อเรา, ฉันเริ่มสร้างแนวทางการพัฒนาที่อิงเอเจนต์ภายในบริษัท. เรเผยแพร่งานวิจัย ที่พิสูจน์ว่าชั้นหุ้ม (infrastructure layer) รอบโมเดลคือสิ่งที่กำหนดประสิทธิภาพของเอเจนต์, ไม่ใช่โมเดลเอง. นั่นเป็นหลักฐานว่าคอขวดที่แท้จริงในโครงสร้างพื้นฐาน AI ไม่ได้อยู่ที่การหโมเดลที่ดีกว่า, แต่คือการเพิ่มประสิทธิภาพระบบที่รันโมเดลเหล่านั้น.

เมื่อโมเดลพัฒนา, โครงสร้างพื้นฐานรอบ ๆ ต้องขยายตาม. แต่วงจรการเพิ่มประสิทธิภาพที่มนุษย์ทำเป็นขั้นตอนช้า. คุณปรับแต่งลูปการฝึกสำหรับสถาปัตยกรรมโมเดลหนึ่ง, ปรับใช้, แล้วถ้าโมเดลเปลี่ยนหรือมี GPU รุ่นใหม่, คุณต้องเริ่มใหม่. ตอนนี้ดูเหมือนว่าจะมีการอัปเดตโมเดลใหม่ทุกสัปดาห์, วิธีการเก่าแบบนี้ไม่ยั่งยืน. การตระหนักเช่นนี้ทำให้ฉันเชื่อว่าการก้าวกระโดดต่อไปอยู่ที่โครงสร้างพื้นฐานที่พัฒนาตนเอง, ซึ่งนำไปสู่การก่อตั้ง INT21.

INT21 อธิบายแนวทางของตนว่า “โครงสร้างพื้นฐานที่พัฒนาตนเอง”, ซึ่งแตกต่างจากการพัฒนาตนเองแบบวนลูปที่นักวิจัยพยายามทำให้โมเดล AI พื้นฐานเองมีความสามารถมากขึ้น. วิธีการของคุณทำงานอย่างไร, และทำไมคุณเชื่อว่าการปรับปรุงระบบรอบโมเดลที่มีอยู่แล้วอาจให้ผลลัพธ์ที่มีความหมายเร็วกว่า?

แนวทางการพัฒนาตนเองแบบวนลูปมุ่งเน้นที่การฝึกโมเดลที่เป็นกรรมสิทธิ์, การจัดทีมวิจัย, และการระดมทุนมหาศาล. มันเป็นการเดินทางที่ใช้เวลาหลายทศวรรษและค่าใช้จ่ายสูง, เพราะคุณกำลังให้โมเดลคิดเกี่ยวกับกระบวนการฝึกของมันเอง.

แนวทางของเราแตกต่าง. ที่ INT21, เราไม่ได้พยายามทำให้โมเดลระดับแนวหน้าเองดีขึ้น, ซึ่งต้องใช้หลายปีและพันล้านดอลลาร์. เรากำลังสร้างฝูงเอเจนต์ที่เพิ่มประสิทธิภาพชั้นหุ้ม, ชั้นโครงสร้างพื้นฐานที่อยู่ระหว่างโมเดลและประสิทธิภาพ. นั่นคือสิ่งที่งานวิจัยของฉันที่ Nvidia พิสูจน์: ชั้นหุ้ม, ไม่ใช่โมเดล, กำหนดประสิทธิภาพของเอเจนต์ในงานที่ซับซ้อน. เอเจนต์ไม่จำเป็นต้องเข้าใจความสามารถของโมเดลระดับแนวหน้าเพื่อหาการเพิ่มประสิทธิภาพ 10%; เพียงแค่สำรวจพื้นที่การออกแบบ, วัดผล, ตรวจสอบ, และเก็บสิ่งที่ได้ผล.

วิธีคิดเปรียบเทียบสองแนวทางคือ: หนึ่งคือการสร้างโรงไฟฟ้า, อีกหนึ่งคือการใช้ไฟฟ้าที่มีอยู่แล้ว. เราสามารถเคลื่อนที่เร็วกว่าและตอบสนองความต้องการที่เป็นจริงและเร่งด่วน. และหมายความว่าเรากำลังเห็นการเพิ่มประสิทธิภาพที่สำคัญและวัดได้ในโครงสร้างพื้นฐานที่พัฒนาตนเองวันนี้.

INT21 เพิ่งเปิดตัว Inference Engine Factory, ขยายแนวคิดจาก kernel GPU รายบุคคลไปสู่เอนจินสรุปผลที่สมบูรณ์. สิ่งนี้หมายความว่าอย่างไรเมื่อฝูงเอเจนต์สร้างและปรับแต่งเอนจินสรุปผลโดยอัตโนมัติ, และส่วนใดของกระบวนการที่โดยปกติแล้วต้องการความเชี่ยวชาญของมนุษย์มากที่สุด?

เอนจินสรุปผลคือซอฟต์แวร์ที่รันโมเดลบนฮาร์ดแวร์. มันเป็นระบบซับซ้อนที่ต้องทำการตัดสินใจออกแบบหลายสิบอย่างพร้อมกัน, เช่น การรวมหลาย operation ไว้ใน kernel เดียว, หรือการจัดตารางงานระหว่างคอร์. การตัดสินใจเหล่านี้เชื่อมโยงกัน, ดังนั้นการเปลี่ยนแปลงหนึ่งอย่างต้องทดสอบใหม่ทั้งหมด.

โดยปกติ, วิศวกรจะปรับแต่งทั้งหมดนี้สำหรับแต่ละโมเดล. สำหรับการสร้างวิดีโอ, ดนตรี, และการสังเคราะห์เสียง, นั้นเป็นความท้าทายเพราะสถาปัตยกรรมหลายขั้นตอนและหลายระดับโดยไม่มีเฟรมเวิร์กสำเร็จรูป. ฝูงเอเจนต์ของ INT21 สร้างสแตกเต็มรูปแบบจาก kernel รายบุคคลจนถึงเอนจินสรุปผลเต็มรูปแบบ. สแตกการสร้างวิดีโอและเสียงของเราต้องไม่มีการตรวจสอบโค้ดโดยมนุษย์และให้ผลลัพธ์ที่เหนือกว่าการแก้ปัญหาสรุปผลระดับ state-of-the-art ภายใต้การตั้งค่าความพร้อมทำงานเดียวกัน.

PTX Kernel Factory ของคุณได้สร้างการทำงานที่เหนือกว่าฐานข้อมูลเดิมถึง 59% ในบางงาน. ในระดับเทคนิค, เอเจนต์พบการปรับปรุงประสิทธิภาพที่มนุษย์เขียนหรือคอมไพเลอร์แบบดั้งเดิมพลาดอยู่ที่ส่วนใด?

PTX Kernel Factory ของเราทำคะแนนดีกว่าฐานข้อมูลที่ดีที่สุดสูงสุดถึง 59% เมื่อเทียบกับ KDA (Kimi Linear Attention). สิ่งนี้มาจากฝูงเอเจนต์ที่พัฒนาตนเองสามารถสเกลไปถึงพัน variation ในเวลาเพียงเศษเสี้ยวของเวลา, กระบวนการที่มนุษย์วิศวกรทำได้ยากและมีค่าใช้จ่ายสูง.

สิ่งที่แตกต่างคือ kernel ที่มนุษย์เขียนพึ่งพา DSL (Domain Specific Languages), เทมเพลต, และคอมไพเลอร์ที่สร้างไว้ล่วงหน้าสำหรับ GPU. DSL ทำงานได้ดีกับรูปแบบทั่วไป, แต่เมื่อเจอ workload ใหม่เช่น KDA, คอมไพเลอร์ทั่วไปมักไม่สามารถทำให้ได้อย่างเต็มที่. เอเจนต์ของเราข้ามขั้นตอนเหล่านั้นทั้งหมด, ดังนั้นพวกเขาจึงไม่ได้ถูกจำกัดโดยสมมติฐานของ DSL หรือคอมไพเลอร์. ความอิสระในการสำรวจพื้นที่การออกแบบทั้งหมดโดยไม่ถูกผูกมัดกับรูปแบบที่กำหนดไว้ล่วงหน้าเป็นแหล่งที่มาของการปรับปรุง.

โครงสร้างพื้นฐานที่ AI สร้างขึ้นทำให้เกิดปัญหาการตรวจสอบที่แปลกใหม่: การเพิ่มประสิทธิภาพที่เร็วขึ้นแต่มีความผิดพลาดเล็กน้อยจะไม่มีประโยชน์. ฝูงเอเจนต์ของคุณทดสอบ, ทำ benchmark, ปฏิเสธความล้มเหลว, และเก็บการค้นพบที่สำเร็จอย่างไร, และลูป feedback นี้สำคัญแค่ไหนในการทำให้ระบบเป็นการพัฒนาตนเองจริง ๆ แทนที่จะเป็นเพียงเอเจนต์เขียนโค้ด AI?

ลูป feedback มีความสำคัญอย่างยิ่ง, เพราะการเพิ่มประสิทธิภาพจะไม่มีค่า หากมันถูกต้องเฉพาะในสมมติฐานหรือข้อมูลอินพุตบางประเภท. ที่ INT21, เรามั่นใจว่าลูป feedback มีความเข้มงวด.

เราจะเริ่มจากโมเดล, ข้อจำกัดการปรับใช้, และเมตริกการให้บริการที่สำคัญ. จากนั้น, ฝูงเอเจนต์ที่พัฒนาตนเองจะสำรวจเส้นทางการกำหนดค่าและการเพิ่มประสิทธิภาพพร้อมกัน, และประเมินทุกตัวเลือกตามเป้าหมายความถูกต้องและประสิทธิภาพ. เฉพาะการทำงานที่สำเร็จเท่านั้นจะถูกเก็บไว้.

สิ่งที่ทำให้ระบบนี้เป็นการพัฒนาตนเองจริง ๆ คือข้อมูลการตรวจสอบที่ดีขึ้นเอง. ข้อมูลนั้นย้อนกลับเข้าสู่ฝูงเอเจนต์, ทำให้พวกเขาปรับความเข้าใจว่ามีอะไรทำงานได้, และปิดลูป feedback อย่างต่อเนื่อง. หากไม่มีความเข้มงวดนี้, ระบบจะเป็นเพียงโค้ดที่ดูเหมือน AI สร้างขึ้นที่สามารถปล่อยได้เร็วขึ้น, แต่มี technical debt ที่สะสมโดยไม่เห็นและทำให้ความเชื่อมั่นในสิ่งที่สร้างลดลง.

ที่ NVIDIA, คุณทำงานในโครงการเช่น VibeTensor และ Agentic Variation Operators, ที่เอเจนต์สร้างซอฟต์แวร์ระบบจำนวนมากและค้นหาการเพิ่มประสิทธิภาพ GPU ด้วยตนเอง. โครงการเหล่านั้นเผยให้เห็นประเภทของปัญหาวิศวกรรมที่เอเจนต์ AI สามารถแก้ได้แล้วที่หลาย ๆ นักพัฒนายังคงเชื่อว่าต้องอาศัยผู้เชี่ยวชาญมนุษย์?

VibeTensor สอนฉันบางอย่างที่ฉันเรียกว่า “ผลกระทบ Frankenstein”. AI ทำงานที่ถูกต้องในทุกระดับ, แต่เมื่อรวมส่วนต่าง ๆ เหล่านั้นเป็นระบบเดียว, มันยังไม่เทียบเท่าที่ผู้เชี่ยวชาญมนุษย์สามารถสร้างได้.

งานของ Agentic Variation Operators กลับกัน. มันแสดงให้เห็นว่า AI สามารถทำได้ดีกว่าผู้เชี่ยวชาญมนุษย์ในปัญหาที่มีขอบเขตแคบ. การสร้าง kernel เป็นตัวอย่างที่ดี, เพราะปัญหานั้นแคบ, วัดผลได้, และมีเป้าหมายเดียว.

“ผลกระทบ Frankenstein” คือสิ่งที่ INT21 กำลังแก้ไข. ตัวอย่างจาก Inference Engine Factory ของเรามีประสิทธิภาพเหนือเอนจินสรุปผลโอเพ่นซอร์สประสิทธิภาพสูงเช่น SGLang และ vLLM, เพราะเรารู้วิธีจัดโครงสร้างปัญหาอย่างถูกต้อง. เราให้เอเจนต์มีข้อจำกัดที่ชัดเจน, วัตถุประสงค์ที่วัดได้, และลูป feedback ที่เข้มงวด. ผู้เชี่ยวชาญมนุษย์ยังคงมีบทบาทสำคัญ, แต่แทนที่จะทำการเพิ่มประสิทธิภาพ, พวกเขาจะให้ทิศทางที่มีค่าและตีความผลลัพธ์. AI เพิ่มพลังให้ผู้เชี่ยวชาญโดยทำงานเร็วและเป็นระบบมากกว่าที่มนุษย์ใด ๆ จะทำได้.

INT21 ใช้เอเจนต์หลายตัวที่มีความเชี่ยวชาญเฉพาะแทนการพึ่งพาเอเจนต์เดียวที่มี context window ขยายใหญ่ขึ้น. ทำไมคุณมองว่าการประสานงานหลายเอเจนต์เป็นวิธีที่ขยายได้มากขึ้นสำหรับปัญหาวิศวกรรมที่ซับซ้อน, และเอเจนต์จะแบ่งงาน, แชร์การค้นพบ, และหลีกเลี่ยงการทำซ้ำหรือขัดแย้งกันอย่างไร?

context window ที่ใหญ่ขึ้นทำให้คุณถือข้อมูลได้มากขึ้นในคราวเดียว, แต่ไม่ได้ช่วยให้คุณแก้ปัญหามิติหลายมิติที่ทุกอย่างเชื่อมโยงกัน. เราใช้แพลตฟอร์มคลาวด์เนทีฟสำหรับรันเอเจนต์ที่มีความเชี่ยวชาญ, ทั้งหมดทำงานเพื่อเป้าหมายที่วัดได้เดียวกัน. เอเจนต์สำรวจแบบขนานและค่อย ๆ รวมตัวกันสู่โซลูชันที่แข็งแกร่งกว่า.

นี่ขยายได้ดีหลายเหตุผล. อย่างแรก, แต่ละเอเจนต์ยังคงโฟกัส. อย่างที่สอง, คุณไม่ได้ให้เอเจนต์เดียวต้องคิดทุกอย่างพร้อมกัน, ทำให้กระบวนการมีประสิทธิภาพมากขึ้น. และสุดท้าย, มันสะท้อนการทำงานของทีมโครงสร้างพื้นฐานจริง, ที่แต่ละทีมเป็นเจ้าของโดเมนของตนเอง, แต่จะซิงค์กันเมื่อการตัดสินใจส่งผลต่อกันและกัน.

หากฝูงเอเจนต์สามารถเพิ่มประสิทธิภาพ kernel, เอนจินสรุปผล, คอมไพเลอร์, และชั้นอื่น ๆ ของสแตก AI อย่างต่อเนื่อง, บทบาทของวิศวกรโครงสร้างพื้นฐานจะเปลี่ยนอย่างไร? คุณคาดว่าระบบเหล่านี้จะช่วยแก้ปัญหาการขาดแคลนวิศวกรเชี่ยวชาญเป็นหลัก, หรือในที่สุดจะทำให้การพัฒนาโครงสร้างพื้นฐานส่วนใหญ่เป็นอัตโนมัติ?

งานของวิศวกรโครงสร้างพื้นฐานกำลังจะเปลี่ยนอย่างสิ้นเชิง. พวกเขาจะไม่ต้องขุด kernel code หรือปรับจูนหน่วยความจำอีกต่อไป. แทนที่จะทำเช่นนั้น, พวกเขาจะตั้งเป้าหมาย, กำหนดพื้นที่การออกแบบ, สร้างข้อจำกัด, และตีความผลลัพธ์.

ตามกาลเวลา, จะต้องการวิศวกรโครงสร้างพื้นฐานน้อยลงเพื่อให้ระบบทำงานและพัฒนา. แต่การทำงานเชิงกลยุทธ์ที่เหลืออยู่จะมีคุณค่ามากขึ้น, ไม่ใช่น้อยลง. ในทางปฏิบัติ, นั่นหมายความว่าองค์กรสามารถดำเนินโครงสร้างพื้นฐาน AI ที่ซับซ้อนได้ด้วยวิศวกรเชี่ยวชาญจำนวนน้อยกว่าที่ต้องการในปัจจุบัน. สิ่งนี้สำคัญสำหรับทุกบริษัทที่พยายามสร้างระบบ AI สำหรับการผลิต.

วิสัยทัศน์ระยะยาวของคุณคือให้ฝูงเอเจนต์พัฒนาตนเองทำงานข้ามทุกชั้นของโครงสร้างพื้นฐาน AI. ถ้าวิสัยทัศน์นี้สำเร็จ, สแตกนั้นจะเป็นอย่างไร, และเราจะถึงจุดที่โครงสร้างพื้นฐาน AI ปรับปรุงและเขียนโค้ดใหม่เองอย่างต่อเนื่องเมื่อโมเดล, งาน, และฮาร์ดแวร์เปลี่ยนแปลงหรือไม่?

ตอนนี้, แต่ละชั้นของสแตก AI ปรับปรุงแยกกัน, ตั้งแต่ kernel ระดับต่ำจนถึงเฟรมเวิร์กพื้นฐาน, ไปจนถึงอินเทอร์เฟซ. แต่พวกมันไม่ได้ประสานงานกัน. ดังนั้นคุณอาจปรับหนึ่งชั้นได้, แต่กลับทำให้ชั้นล่างเสีย.

ที่ INT21, วิสัยทัศน์คือให้ฝูงเอเจนต์ประสานงานอัตโนมัติข้ามทุกชั้นเหล่านี้, ปรับและปรับตัวอย่างต่อเนื่อง. เมื่อโมเดลใหม่มาถึง, สแตกทั้งหมดจะทำการปรับปรุงใหม่ให้สอดคล้อง, ทำให้โครงสร้างพื้นฐานไม่เคยตามหลังสิ่งที่รันบนมัน.

สิ่งนี้ยังไม่เป็นไปได้, เพราะวิศวกรมนุษย์ไม่สามารถเคลื่อนที่เร็วพอ. แต่ด้วยฝูงเอเจนต์ที่เพิ่มประสิทธิภาพอย่างต่อเนื่อง, โครงสร้างพื้นฐานที่พัฒนาตนเองกำลังกลายเป็นหมวดคอมพิวเตอร์ที่แยกออกมา. โครงสร้างพื้นฐานที่สามารถปรับตัวเร็วเท่ากับการเปลี่ยนแปลงของโมเดลและฮาร์ดแวร์จะเป็นผู้ชนะ. สิ่งอื่น ๆ จะกลายเป็นภาระ.

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม, ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม INT21.