謝克指出，AI的競爭格局正在發生根本性轉變，焦點不再侷限於單顆晶片效能，而是涵蓋自研加速器、資料中心網路、機架架構設計，到數據與開發平台，以及最終應用的「端到端AI基礎設施」。他進一步將AI基礎設施劃分為三個層次：
第一是基礎設施層，涵蓋GPU/TPU等加速器、儲存與資料中心網路。
第二是資料與開發層，包括數據平台、資料庫與AI開發工具。
第三則是應用層，例如Google搜尋、YouTube、Android、Workspace與Gemini等服務。謝克強調，AI真正的價值不僅在於模型演進，更在於能否快速擴展至大規模使用者並解決實際問題。
在規模化挑戰上，謝克透露，目前單一AI集群已可達9,000顆以上加速器，對互連架構提出極高要求，需要TB/s級頻寬與極低延遲。由於任何元件失效都可能拖累整體效能，因此必須引入光學電路交換技術，確保系統具備可靠性與彈性重構能力。同時，能源效率問題亦成為大型資料中心不可迴避的課題。
謝克也於論壇中展示Google光學互連技術的發展路線圖，顯示單通道傳輸速率自2018年的50G逐步提升，2024年已達200G，並預計2027年將推進至400G PAM4，模組整體頻寬突破3.2Tbps。
謝克表示，光學互連將支撐AI叢集的「scale-up」與「scale-out」兩大需求：前者負責超級計算集群（Pod）內部的高速低延遲溝通，後者則連結跨資料中心的長距離網路並提供更高冗餘性，確保超大規模AI運算能持續擴展。
他進一步指出，AI算力需求的增速已經遠超摩爾定律，傳統電互連技術難以應付萬卡等級叢集的挑戰。矽光子技術因而成為未來的核心，包括矽光子收發器、共封裝光學，以及資料中心級光交換，都是產業投資與合作的焦點。謝克直言，這是一場跨領域、跨供應鏈的合作競賽，唯有晶片設計商、雲端服務商與光電技術供應鏈共同投入，才能推動AI基礎設施邁向下一世代。
值得注意的是，Google同步揭示自研TPU的十年演進，展現AI專用晶片的快速迭代。自2015年TPU v1問世以來，陸續推出液冷的TPU v3、具光學可重構與3D Torus架構的TPU v4，以及支援中大型訓練的TPU v5e與靈活擴展的TPU v5p。2024年則推出兼具效能與能效的Trillium，2025年預計發布Ironwood，單一集群規模將達9,200顆晶片，專為最複雜的AI思考型模型打造。這條TPU路線圖正是謝克所言「端到端基礎設施」理念的縮影，從晶片到叢集，逐步建構支撐全球級AI應用的完整生態。