踏出校门不久，卡蒂创办了一家专攻无线通信技术的公司：Kumu Networks，并开创了自干扰消除技术，在网络技术中闯出了一片天地。
之后卡蒂又创办了一家公司：Uhana，专注于开发面向移动网络优化的AI解决方案，该公司后来被VMware收购。
一句话总结，名校毕业、连续创业者、网络技术大佬。
2021年底，卡蒂加入英特尔，负责网络业务。并于两年后升任为网络与边缘计算事业部（NEX）高级副总裁兼总经理。
随着摩尔定律逐渐逼近极限，单颗芯片算力提升愈发困难，使用快速网络将众多芯片组成AI算力网络，日益重要。以网络技术起家的卡蒂，在这方面有着得天独厚的优势。
加入 Intel 不到4年，2025 年 4 月，陈立武亲自提名卡蒂担任Intel CTO兼首席AI官，全面主导Intel AI芯片与软件战略。
所有关于卡蒂离职的新闻，都提到卡蒂离职的主要原因之一：没能实现Intel Gaudi AI加速器5亿美元收入的目标。但其实这锅扣不到卡蒂头上。
Gaudi AI加速器是Intel面向训练、推理的芯片，它算是一款DSA类型的专用芯片，专为神经网络计算内置24或64颗张量核，BF16算力每秒可以达到1835 TFLOPS。
技术细节，不过多讨论了，总之Intel官网中的资料宣称，Gaudi AI加速器算力和NVIDIA H100相当，但价格仅是 NVIDIA H100 的一半。
IBM Cloud 已经全面提供了搭载Gaudi 3加速器的云服务实例，让企业能够按需使用这些算力。
国内AI头部企业、六小龙之一的Deepseek，也部署了不少Gaudi AI加速器（消息来自于Kimi）。
虽然一切“看起来很美”，但是Gaudi AI加速器的推广显然并未达到预期。
原因是多方面的，但NVIDIA CUDA，绝对是最主要的因素之一。
虽然我并没有测试过Gaudi AI加速器，不过我相信Intel官网上的资料。虽然Intel已然霸气不再，但技术底蘊还是有的。
以Intel在芯片领域的技术积累，打造一款领先的专门针对张量计算（也就是矩阵计算）的专用芯片，并非难事。
但是，算力是有了，把算力“用”起来，却并非易事。
现实中神经网络的张量计算，灵活多样，矩阵大小变来变去。数据流会像拧来拧去的绳子，交织在一起。算力再强，等待数据流就位的延迟，让再强的算力也难以发挥。
在这方面CUDA绝对独步一帜，它软硬结合提供了灵活的调度策略，可以最大化使用等待时闲置算力、隐藏数据延迟。
当然，除了CUDA也有成功案例，Google的TPU也相当成功。其XLA 编译器十分强大，可以把底层芯片的算力发挥出来。
但Google TPU一开始是给自己用的。芯片是自己公司的一个部门，并不是乙方公司。
硬、软件都在一家公司，这点很重要。打个比方，拉里-佩奇、谢尔盖-布林（google的两位创始人）在听取汇报时，软件或算力部门老大如果说：“TPU芯片算力不行，而不是我们不行，锅应该芯片部门来背，。。。”。
在他说这句话时，芯片部门的老大可能就坐在他旁边。这样的形势下，他也不会乱甩锅。硬、软两个部门只会通力合作，甚至硬、软都属同一部门，大家共同打造牛B的产品。然后，TPU这种软硬结合的低成本高算力的怪兽就诞生了。
但是，如果是采购乙方公司的芯片，那就完全是另一翻景象了。假设你是软件、算力部门的老大，你们公司采购了Gaudi AI加速器，但使用效果不理想。
你可以丝滑的把锅甩给Intel：“Intel老了，不是我们不行，是Intel不行。AI算力，还得NVIDIA。”
做为乙方公司，Intel的人连参会的可能都没有。你甩锅了，他们也没办法反驳。
何况，从某种程度上说，这就是Intel没做好，不算甩锅。
因此，想在AI算力基础设施上有更高的成就，还得去甲方。Intel、AMD这种乙方公司，很难让甲方软件部门的人，花吃奶的力气专为某种架构的芯片优化各种AI算子。
天才做题家卡蒂去了OpenAI，负责构建AGI计算基础设施。很有可能OpenAI要试水自研芯片了，这一次做为甲方，卡蒂可以大显身手了，用尖端制程堆算力，软、硬结合，再让软件部门死磕自家的芯片，再把算力最大化的发挥出来，让算力成本降一个台阶，也不是不可能。
其实现在AI算力，硬件方面已经不怎么需要死磕了。硬件人材虽然更高端、更稀缺，但主频、内存延迟，都在哪儿摆着，上限已经焊死，跨越式提升几无可能。
反而是软件层，Google TPU的成功，离不开XLA的功劳。但Google TPU的推广也受限于软件层。XLA应对自己的需求是足够的，面对外界五花八门的需求，还是GPU+CUDA更能发挥算力。