AI時代，如何打造屬於中國的“摩爾定律”？

撰文 |郭津毓暨南大學國際商學院講師

孫黎麻省大學羅威爾分校副教授

在全球科技浪潮洶湧澎湃的今天，中國企業面臨著前所未有的機遇與挑戰。英特爾創始人戈登·摩爾（Gordon Moore）於1965年提出的摩爾定律，不僅為英特爾的創業與規模發展提供了方向指引，更深刻影響了晶片、個人電腦、網際網路、智慧手機等眾多領域的技術創新節奏。摩爾定律本質上是一種尺度定律（Scaling Law），它揭示了系統某些屬性隨著規模（大小、數量、時間等）的變化而呈現冪律（Power Law）或指數關係。這種規律不僅貫穿於英特爾的創新曆程，更成為高科技產業新產品開發、供應鏈協同、生產效率提升、生態系統發展乃至國際產業競爭的核心邏輯。如今，在新興的AI領域與綠色能源領域，類似的摩爾定律或尺度定律正成為全球競爭的核心。

中國企業若能深刻領悟摩爾定律的精髓，將有望擺脫過去單純的技術追趕、模仿或彎道超車模式，轉而站在技術發展節拍的前沿，協調供應鏈各方力量，營造出屬於自己的“摩爾定律”，從而發展出強大的生態系統，引領全球技術創新發展。特別是在當前全球AI、新能源車等領域的激烈競爭中，中國企業若能在這些新技術領域提出類似摩爾定律的路線圖，其意義將極為深遠。

中國企業為什麼需要“摩爾定律”

設定行業標杆，推動行業發展

摩爾定律本質上是對晶片核心引數發展程序的預測，它規定了在特定時間節點晶片上電晶體數量的大致範圍，這一範圍可視為行業的標杆。在同一時期內，行業內所有企業都圍繞這一標杆展開競爭。那些在特定時間節點能夠達到甚至超越標杆效能的企業將獲取競爭優勢，而無法達到標杆效能的企業則會面臨劣勢。儘管摩爾定律所規定的18個月行業週期意味著短期的優勢和劣勢不足以決定一家企業的成敗，但這一行業公認的標杆的存在，卻能在長期促進行業內企業的優勝劣汰，激勵企業不斷進行創新，推動整個行業波浪式前進。

從全球晶片製造中心的變遷來看，從最初的美國，到後來的日本、韓國，再到如今的中國臺灣，許多企業因未能跑贏摩爾定律而衰落甚至消亡，而另一些企業則踏準了技術發展的節奏，趁勢崛起，引領了摩爾定律的發展。如今，DeepSeek在全球AI產業的崛起，正是透過低成本建立了新的AI標杆，引發了全球對AI商業模式的重新思考。這表明，行業標杆的設定對於推動技術創新和行業發展具有不可替代的作用。

推動技術擴散，促進行業協同，分散創新風險

新技術的出現往往需要在多個相關領域進行巨量的創新投入，其風險巨大，單靠一家企業難以完成。為了滿足摩爾定律的要求，晶片產業的上下游企業必須相互配合，協同創新。從上游的材料、裝置、化學品、氣體，到中游的晶片設計、晶圓製造、封裝測試，再到下游的電腦、手機、汽車等晶片應用，整個產業鏈的企業各司其職，圍繞共同目標協同創新，從而分散了創新風險。

例如，先進製程晶片的製造依賴於上游企業對晶片製造裝置和原材料的創新，晶片設計企業需要先進的輔助設計工具（EDA）才能為下游創造出適用於各種場景的晶片。而下游的軟硬體廠商則透過不斷更新迭代產品，創造出新的需求，使得最新的晶片不至於因“效能過剩”而無人問津。這種產業鏈的協同發展，使得摩爾定律能夠主導晶片產業多年，而並非英特爾一家企業的功勞。如今，DeepSeek的崛起也將引發全球AI生態系統的巨大變化。

建立發展預期，降低不確定性

類似摩爾定律這樣的行業路線圖，對企業而言具有重要意義。企業可以根據行業路線圖來確定自身技術發展規劃，把握最佳的時間節奏，避免因研發投入不足而無法跟上行業節奏，喪失競爭優勢，同時也避免因過量投入而在一個週期內無法收回成本，影響企業長期發展。行業路線圖能夠降低企業研發的不確定性，幫助企業找到適合自身的最佳創新節奏。

此外，行業技術路線圖還能為消費者建立預期，幫助企業進行針對性的營銷，提升市場份額。例如，在手機行業，得益於摩爾定律，各大公司在每年的新產品釋出會上都會展示晶片效能較上一代產品或友商產品的提升比例。久而久之，消費者心中形成了對下一代產品效能的預期。每當有廠商釋出新手機時，消費者或評測機構會橫向比較當年其他廠商手機效能的提升比例，縱向比較相對於上一代自身和友商產品效能的提升比例，提升越大，競爭優勢可能就越大。

摩爾定律的緣起

1965年，當時還在快捷半導體公司任職的摩爾應邀為《Electronics》雜誌撰寫一篇觀察評論文章，對未來十年半導體元件工業的發展趨勢做出判斷。這篇文章的題目是“Cramming More Components onto Integrated Circuits（讓積體電路填滿更多的元件）”。摩爾在文章開篇便給出了對未來的預測：“單位元件成本會隨著每個積體電路的元件數量的增加而下降，到1975年，經濟性可能會要求在單一矽片上擠壓多達65000個元件”。

摩爾是如何得出這一結論的呢？他首先從成本曲線的角度分析了積體電路上單位元件成本與單個積體電路元件數量的關係。如圖1所示，摩爾發現，積體電路上單位元件成本會先隨著元件數量的增加而下降，但隨著元件數量的進一步增加，複雜性上升，產量下降，單位元件成本又會上升，二者之間呈現U型關係。因此，摩爾認為，在技術演化的任意給定時間段內，都存在一個最低成本點。在當時（1965年），單個積體電路上元件數量為50時，達到了最低單位成本。

圖1 單位元件成本與積體電路元件數量關係曲線

圖片來源：Gordon E. Moore. (1965). Cramming More Components onto Integrated Circuits, Electronics, pp. 114–117.

進一步地，摩爾觀察過去幾年“最低單位成本元件數量”的變化，發現這個數量大概每年會增加一倍，並且他認為這一增長速度至少會保持10年（如圖2所示）。因此，摩爾推算出到1975年，每個積體電路上元件的數量將達到65000個的水平，並且基於對工程技術的理解，他還預測這65000個元件僅需佔用四分之一平方英寸的面積。這就是最初版本的“摩爾定律”。

圖2 最低單位成本元件數量變化預測

圖片來源：Gordon E. Moore. (1965). Cramming More Components onto Integrated Circuits, Electronics, pp. 114–117.

到了1975年，摩爾又向電氣與電子工程師協會（IEEE）國際電子裝置會議提交了一篇論文，名為“Progress in Digital Integrated Electronics（數字積體電路進展）”。文章首先用過去10年的資料驗證了預測的準確性（如圖3所示），並討論了這一趨勢繼續下去的可能性。摩爾基於過往資料將影響積體電路元件數量的因素分解為三部分（如圖4所示）：芯片面積（die size）、線寬和線間距（dimensions）、以及電晶體設計和排布（device and circuit cleverness），並分別討論了這三個因素對元件數量增長速度的貢獻是否會變化。最終，摩爾調整了最初的預測，將未來10年元件數量“每一年翻一倍”調整為“每兩年翻一倍” （如圖5所示）。

圖3 摩爾定律驗證

圖片來源：Gordon E. Moore. (1975). Progress in digital integrated electronics, IEEE International Electron Devices Meeting, pp. 11–13.

圖4 影響元件數量的因素分解

圖片來源：Gordon E. Moore. (1975). Progress in digital integrated electronics, IEEE International Electron Devices Meeting, pp. 11–13.

圖5 調整後的摩爾定律

圖片來源：Gordon E. Moore. (1975). Progress in digital integrated electronics, IEEE International Electron Devices Meeting, pp. 11–13.

摩爾定律的

發展與應用

目前，業界最廣為流傳的摩爾定律版本是“半導體積體電路的密度每18個月翻一番”，這一說法由前英特爾高管大衛·豪斯（David House）提出。谷歌前CEO埃裡克·施密特（Eric Schmidt）曾指出，如果反過來看摩爾定律，一個IT公司如果今天和18個月前賣掉同樣多的同樣的產品，其營業額就要降一半，這被稱為“反摩爾定律”。

根據摩爾定律的描述，計算機硬體的效能呈指數增長，那麼會不會有一天硬體效能遠超人們實際需求，導致先進產品無人問津呢？事實上，這種擔憂是多餘的，因為有“安迪-比爾定律”（Andy and Bill’s Law）的存在。這條定律源於20世紀90年代某計算機會議上的一句俏皮話：“What Andy giveth, Bill taketh away（安迪提供什麼，比爾就拿走什麼）”。安迪和比爾分別是英特爾前執行長安迪·格羅夫（Andy Grove）和微軟前執行長比爾·蓋茨（Bill Gates）。眾所周知，英特爾主導硬體，微軟主導軟體，二者的合作關係為兩家公司帶來了豐厚的利潤。如今，各大手機廠商在不斷推出新一代產品的同時，也在同步更新作業系統，以充分發揮新硬體的效能。同時，各大軟體廠商也會隨著硬體的更新不斷升級自己的軟體產品。例如，微信的安裝包大小從1.0版本的457K增長到8.0版本的260多M，足足增加了550多倍。更大的安裝包意味著更復雜的程式設計、更大的記憶體佔用以及對硬體效能的更高需求。

摩爾定律的發展和應用還擴散到了IT之外的其他行業領域。在製藥領域，傑克·斯坎內爾（Jack Scannell）等人在2012年發表於《Nature Reviews Drug Discovery》的文章中提出了“倒摩爾定律”（Eroom’s Law），正好是“摩爾定律”（Moore’s Law）倒過來寫。該定律指出，自1950年以來，儘管技術在進步，但新藥的發現速度越來越慢且越來越貴。在不考慮通脹的前提下，一種新藥的開發成本大約每九年翻一番，這與摩爾定律預測的芯片價格隨時間推移不斷下降正好相反。有趣的是，在一篇英特爾至強系列處理器的官方宣傳文稿中，提出“摩爾定律”的英特爾聲稱要助力AlphaFold2（一款基於AI的蛋白質結構分析工具）打破“倒摩爾定律”。

隨著大資料、人工智慧、萬物互聯時代的到來，新的“摩爾定律”呼之欲出。OpenAI公司CEO薩姆·奧特曼（Sam Altman）提出，AI數量每18個月會翻一倍。在汽車行業，由於AI輔助駕駛的出現，未來人們可能不再關注“馬力”，而是關注“算力”（單位是TOPS，1TOPS為每秒一萬億次運算）。汽車算力可能正沿著新的“摩爾定律”進化。以顛覆性技術投資聞名方舟投資則應用類似的Wright’s Law（賴特定律），預測電動車的成本將加速下降，電動車行業將透過自動化製造、AI 設計最佳化、供應鏈效率提升來加速生產，例如特斯拉 Gigafactory 展示了機器造機器的可能性，使得生產成本指數級下降。

摩爾定律

對中國企業的啟示

從摩爾定律的提出、演變和發展過程來看，摩爾定律最初是摩爾基於過去幾年的晶片資料引數，結合他對工程技術的理解和對經濟成本的核算，提出的晶片核心引數的發展趨勢。摩爾定律並非像牛頓運動定律那樣是自然界的客觀規律，而是人為塑造的規律。然而，為什麼晶片行業的企業會幾十年如一日地遵循這個規律發展呢？這固然離不開摩爾對技術和經濟的深刻洞察力以及英特爾在晶片行業的統治力，但更重要的原因是，在英特爾提出並遵循這一規律後，晶片產業的其他企業發現，遵循同樣的規律能夠在每個迭代週期取得足夠的利潤，規避創新的風險。同時，由於整個行業形成了這樣一種發展節奏，新成立或新進入的企業會被或主動或被動地捲入同樣的節奏中。由於這一節奏是由行業生態系統中的多方參與者共同塑造的，形成了大勢，新企業很難擺脫行業大勢獨自發展。

中國企業需要應用技術路線圖創新產品效能，找準開發節奏。隨著行業生態的演變，節奏的主導者可能會發生變化。在英特爾一家獨大的時代，其對晶片技術的發展節奏有較大的掌控權，可以藉此獲取最大的利益。例如，英特爾曾經被消費者戲稱為“牙膏廠”，在臺積電透過外包模式快速提升創新速度之前，英特爾連續幾代CPU效能提升不大，像“擠牙膏”一樣每次只擠一點，結果無法進一步按照摩爾定律創新技術，提升晶片效能。最終，英特爾可能面臨被分拆出售的命運。

在新興的AI與新能源車領域，中國企業如DeepSeek與比亞迪的創新，展現了運用摩爾定律創新的範例。比亞迪鋰電池CTO孫華軍在第二屆中國全固態電池創新發展高峰論壇上表示，固態電池正在從實驗室邁向規模化應用，預計到2030年將實現穩定的商業化應用。比亞迪計劃在2027年開始批次示範裝車，真正大規模應用可能在2030年後。其核心策略包括：最佳化活性物質佔比，提高電池能量密度，降低生產成本；減少電解質用量，提升製程穩定性，降低製造成本；透過技術迭代，逐步達到固液同價，實現經濟可行性。

這一發展模式與DeepSeek在AI領域對尺度定律的最佳化類似，強調技術突破、成本控制與可規模化應用。這種模式顯示了中國企業正在掌握摩爾定律，在AI和新能源等新質生產力前沿領域取得競爭優勢。

在摩爾定律指導的產業路線圖的建立和發展過程中，政府可以發揮重要作用。例如，政府可以牽頭召集行業優秀企業建立產業發展協會，組織行業資深專家制定行業發展路線圖，並向行業內企業宣傳推廣，鼓勵企業以路線圖為指導建立自身的發展計劃。在產業發展的過程中，對於路線圖上的核心關鍵技術節點給予政策或資金支援，引領行業有節奏地向前發展。

摩爾定律不僅是半導體行業的增長模型，更是一種創新路徑與產業預測模式。中國企業可以借鑑其核心原則，設定技術迭代時間表，引導行業節奏（如DeepSeek在AI計算最佳化、比亞迪在固態電池發展）；打造協同創新產業鏈，減少對外部技術的依賴，提升本土科技競爭力；利用規模效應降低成本，加速新技術的市場化推廣，提高普及率；推動政府政策與行業標準制定，形成國家級技術競爭力；強化開源生態建設，增強中國企業在全球科技生態中的影響力。

“萬物流變，無物常駐。”希臘哲學家赫拉克利特的名言道出了摩爾定律所體現的不斷變革與創新的精神。它不僅推動了半導體行業的進步，更成為中國創新生態系統升級的重要驅動力。未來，隨著AI、量子計算、新能源等領域的蓬勃發展，中國企業將以摩爾定律為鑑，持續突破技術邊界，引領科技生態，讓創新之河奔流不息。

拓展閱讀

DeepSeek對全球人工智慧產業尺度定律的突破與影響

在AI領域，尺度定律描述了AI模型效能如何隨著引數規模、計算量、資料量增長而提升，起到了類似摩爾定律的作用。DeepSeek在AI領域的創新正在改變尺度定律的傳統模式，推動AI計算效率的最佳化，並對全球AI生態系統產生深遠影響。

DeepSeek優化了尺度定律

傳統尺度定律認為，資料量越大、算力越強大，模型效能就越高。然而，DeepSeek憑藉其對演算法和硬體的最佳化，正在挑戰這一傳統觀念。

2月18日，馬斯克在其X平臺上釋出了最新旗艦版AI大模型Grok 3。巧合的是，同一天，DeepSeek官方也在X平臺釋出了一篇技術論文——《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention（原生稀疏注意力：硬體對齊且可原生訓練的稀疏注意力機制）》，重點介紹了一種名為NSA（Natively Sparse Attention，原生稀疏注意力）的技術，DeepSeek創始人梁文鋒也是該論文的共同作者之一。這便形成了一個有趣的對比：Grok 3是利用當前世界上最頂尖的算力叢集（20萬塊英偉達H100 GPU）訓練而成的大模型，馬斯克稱其為“地球上最聰明的人工智慧”，並表示該模型在推理能力上超越了包括ChatGPT在內的其他領先AI模型，其規模和效能的提升再次印證了“大力出奇跡”策略在AI訓練中的有效性。

與此同時，DeepSeek的論文詳細闡述了NSA技術如何透過硬體對齊最佳化設計，大幅提升超長文字的訓練與推理效率，同時有效降低預訓練成本，且不犧牲效能。有分析對比了使用2000張H800 GPU訓練兩個月的DeepSeek V3，計算結果顯示，Grok 3的實際訓練算力消耗是V3的263倍，然而DeepSeek V3在大模型競技場榜單上與得分1402分的Grok 3的差距不到100分。DeepSeek透過演算法和硬體的最佳化，降低了對高效能GPU的依賴，提升了AI模型的可擴充套件性，並且適配國產AI硬體，減少了對Nvidia CUDA生態的依賴。

促進AI生態開源化，影響全球AI競爭格局

打破頭部廠商壟斷：透過部分開源模型策略，挑戰了OpenAI、Google等閉源生態，這些傳統AI巨頭透過強大的模型效能和鉅額資本投入構建了較高的競爭壁壘。然而，DeepSeek憑藉低成本、高效能的模型，快速追趕並挑戰了這些頭部廠商的地位。使企業可以更低成本部署AI，這使得AI計算更加高效，中小企業也能負擔得起大模型應用，AI醫療助手、智慧金融、工業自動化等領域將因此受益。國內外巨頭如AMD、英偉達、亞馬遜、微軟、華為、阿里等紛紛擁抱DeepSeek，推動了AI平權的程序。