AI时代，如何打造属于中国的“摩尔定律”?

在全球科技浪潮汹涌澎湃的今天，中国企业面临着前所未有的机遇与挑战。英特尔创始人戈登·摩尔 （Gordon Moore） 于1965年提出的摩尔定律，不仅为英特尔的创业与规模发展提供了方向指引，更深刻影响了芯片、个人电脑、互联网、智能手机等众多领域的技术创新节奏。摩尔定律本质上是一种尺度定律 （Scaling Law） ，它揭示了系统某些属性随着规模 （大小、数量、时间等） 的变化而呈现幂律 （Power Law） 或指数关系。这种规律不仅贯穿于英特尔的创新历程，更成为高科技产业新产品开发、供应链协同、生产效率提升、生态系统发展乃至国际产业竞争的核心逻辑。如今，在新兴的AI领域与绿色能源领域，类似的摩尔定律或尺度定律正成为全球竞争的核心。

中国企业若能深刻领悟摩尔定律的精髓，将有望摆脱过去单纯的技术追赶、模仿或弯道超车模式，转而站在技术发展节拍的前沿，协调供应链各方力量，营造出属于自己的“摩尔定律”，从而发展出强大的生态系统，引领全球技术创新发展。特别是在当前全球AI、新能源车等领域的激烈竞争中，中国企业若能在这些新技术领域提出类似摩尔定律的路线图，其意义将极为深远。

中国企业为什么需要“摩尔定律”

设定行业标杆，推动行业发展

摩尔定律本质上是对芯片核心参数发展进程的预测，它规定了在特定时间节点芯片上晶体管数量的大致范围，这一范围可视为行业的标杆。在同一时期内，行业内所有企业都围绕这一标杆展开竞争。那些在特定时间节点能够达到甚至超越标杆性能的企业将获取竞争优势，而无法达到标杆性能的企业则会面临劣势。尽管摩尔定律所规定的18个月行业周期意味着短期的优势和劣势不足以决定一家企业的成败，但这一行业公认的标杆的存在，却能在长期促进行业内企业的优胜劣汰，激励企业不断进行创新，推动整个行业波浪式前进。

从全球芯片制造中心的变迁来看，从最初的美国，到后来的日本、韩国，再到如今的中国台湾，许多企业因未能跑赢摩尔定律而衰落甚至消亡，而另一些企业则踏准了技术发展的节奏，趁势崛起，引领了摩尔定律的发展。如今，DeepSeek在全球AI产业的崛起，正是通过低成本创建了新的AI标杆，引发了全球对AI商业模式的重新思考。这表明，行业标杆的设定对于推动技术创新和行业发展具有不可替代的作用。

推动技术扩散，促进行业协同，分散创新风险

新技术的出现往往需要在多个相关领域进行巨量的创新投入，其风险巨大，单靠一家企业难以完成。为了满足摩尔定律的要求，芯片产业的上下游企业必须相互配合，协同创新。从上游的材料、设备、化学品、气体，到中游的芯片设计、晶圆制造、封装测试，再到下游的电脑、手机、汽车等芯片应用，整个产业链的企业各司其职，围绕共同目标协同创新，从而分散了创新风险。

例如，先进制程芯片的制造依赖于上游企业对芯片制造设备和原材料的创新，芯片设计企业需要先进的辅助设计工具 （EDA） 才能为下游创造出适用于各种场景的芯片。而下游的软硬件厂商则通过不断更新迭代产品，创造出新的需求，使得最新的芯片不至于因“性能过剩”而无人问津。这种产业链的协同发展，使得摩尔定律能够主导芯片产业多年，而并非英特尔一家企业的功劳。如今，DeepSeek的崛起也将引发全球AI生态系统的巨大变化。

建立发展预期，降低不确定性

类似摩尔定律这样的行业路线图，对企业而言具有重要意义。企业可以根据行业路线图来确定自身技术发展规划，把握最佳的时间节奏，避免因研发投入不足而无法跟上行业节奏，丧失竞争优势，同时也避免因过量投入而在一个周期内无法收回成本，影响企业长期发展。行业路线图能够降低企业研发的不确定性，帮助企业找到适合自身的最佳创新节奏。

此外，行业技术路线图还能为消费者建立预期，帮助企业进行针对性的营销，提升市场份额。例如，在手机行业，得益于摩尔定律，各大公司在每年的新产品发布会上都会展示芯片性能较上一代产品或友商产品的提升比例。久而久之，消费者心中形成了对下一代产品性能的预期。每当有厂商发布新手机时，消费者或评测机构会横向比较当年其他厂商手机性能的提升比例，纵向比较相对于上一代自身和友商产品性能的提升比例，提升越大，竞争优势可能就越大。

摩尔定律的缘起

1965年，当时还在仙童半导体公司任职的摩尔应邀为《Electronics》杂志撰写一篇观察评论文章，对未来十年半导体元件工业的发展趋势做出判断。这篇文章的题目是“Cramming More Components onto Integrated Circuits （让集成电路填满更多的元件） ”。摩尔在文章开篇便给出了对未来的预测：“单位元件成本会随着每个集成电路的元件数量的增加而下降，到1975年，经济性可能会要求在单一硅片上挤压多达65000个元件”。

摩尔是如何得出这一结论的呢？他首先从成本曲线的角度分析了集成电路上单位元件成本与单个集成电路元件数量的关系。如图1所示，摩尔发现，集成电路上单位元件成本会先随着元件数量的增加而下降，但随着元件数量的进一步增加，复杂性上升，产量下降，单位元件成本又会上升，二者之间呈现U型关系。因此，摩尔认为，在技术演化的任意给定时间段内，都存在一个最低成本点。在当时 （1965年） ，单个集成电路上元件数量为50时，达到了最低单位成本。

图1 单位元件成本与集成电路元件数量关系曲线

图片来源：Gordon E. Moore. (1965). Cramming More Components onto Integrated Circuits, Electronics, pp. 114–117.

进一步地，摩尔观察过去几年“最低单位成本元件数量”的变化，发现这个数量大概每年会增加一倍，并且他认为这一增长速度至少会保持10年 （如图2所示） 。因此，摩尔推算出到1975年，每个集成电路上元件的数量将达到65000个的水平，并且基于对工程技术的理解，他还预测这65000个元件仅需占用四分之一平方英寸的面积。这就是最初版本的“摩尔定律”。

图2 最低单位成本元件数量变化预测

图片来源：Gordon E. Moore. (1965). Cramming More Components onto Integrated Circuits, Electronics, pp. 114–117.

到了1975年，摩尔又向电气与电子工程师协会 （IEEE） 国际电子设备会议提交了一篇论文，名为“Progress in Digital Integrated Electronics （数字集成电路进展） ”。文章首先用过去10年的数据验证了预测的准确性 （如图3所示） ，并讨论了这一趋势继续下去的可能性。摩尔基于过往数据将影响集成电路元件数量的因素分解为三部分 （如图4所示） ：芯片面积 （die size） 、线宽和线间距 （dimensions） 、以及晶体管设计和排布 （device and circuit cleverness） ，并分别讨论了这三个因素对元件数量增长速度的贡献是否会变化。最终，摩尔调整了最初的预测，将未来10年元件数量“每一年翻一倍”调整为“每两年翻一倍” （如图5所示） 。

图3 摩尔定律验证

图片来源：Gordon E. Moore. (1975). Progress in digital integrated electronics, IEEE International Electron Devices Meeting, pp. 11–13.

图4 影响元件数量的因素分解

图片来源：Gordon E. Moore. (1975). Progress in digital integrated electronics, IEEE International Electron Devices Meeting, pp. 11–13.

图5 调整后的摩尔定律

图片来源：Gordon E. Moore. (1975). Progress in digital integrated electronics, IEEE International Electron Devices Meeting, pp. 11–13.

摩尔定律的

发展与应用

目前，业界最广为流传的摩尔定律版本是“半导体集成电路的密度每18个月翻一番”，这一说法由前英特尔高管大卫·豪斯 （David House） 提出。谷歌前CEO埃里克·施密特 （Eric Schmidt） 曾指出，如果反过来看摩尔定律，一个IT公司如果今天和18个月前卖掉同样多的同样的产品，其营业额就要降一半，这被称为“反摩尔定律”。

根据摩尔定律的描述，计算机硬件的性能呈指数增长，那么会不会有一天硬件性能远超人们实际需求，导致先进产品无人问津呢？事实上，这种担忧是多余的，因为有“安迪-比尔定律” （Andy and Bill’s Law） 的存在。这条定律源于20世纪90年代某计算机会议上的一句俏皮话：“What Andy giveth, Bill taketh away （安迪提供什么，比尔就拿走什么） ”。安迪和比尔分别是英特尔前首席执行官安迪·格罗夫 （Andy Grove） 和微软前首席执行官比尔·盖茨 （Bill Gates） 。众所周知，英特尔主导硬件，微软主导软件，二者的合作关系为两家公司带来了丰厚的利润。如今，各大手机厂商在不断推出新一代产品的同时，也在同步更新操作系统，以充分发挥新硬件的性能。同时，各大软件厂商也会随着硬件的更新不断升级自己的软件产品。例如，微信的安装包大小从1.0版本的457K增长到8.0版本的260多M，足足增加了550多倍。更大的安装包意味着更复杂的编程、更大的内存占用以及对硬件性能的更高需求。

摩尔定律的发展和应用还扩散到了IT之外的其他行业领域。在制药领域，杰克·斯坎内尔 （Jack Scannell） 等人在2012年发表于《Nature Reviews Drug Discovery》的文章中提出了“倒摩尔定律” （Eroom’s Law） ，正好是“摩尔定律” （Moore’s Law） 倒过来写。该定律指出，自1950年以来，尽管技术在进步，但新药的发现速度越来越慢且越来越贵。在不考虑通胀的前提下，一种新药的开发成本大约每九年翻一番，这与摩尔定律预测的芯片价格随时间推移不断下降正好相反。有趣的是，在一篇英特尔至强系列处理器的官方宣传文稿中，提出“摩尔定律”的英特尔声称要助力AlphaFold2 （一款基于AI的蛋白质结构分析工具） 打破“倒摩尔定律”。

随着大数据、人工智能、万物互联时代的到来，新的“摩尔定律”呼之欲出。OpenAI公司CEO萨姆·奥特曼 （Sam Altman） 提出，AI数量每18个月会翻一倍。在汽车行业，由于AI辅助驾驶的出现，未来人们可能不再关注“马力”，而是关注“算力” （单位是TOPS，1TOPS为每秒一万亿次运算） 。汽车算力可能正沿着新的“摩尔定律”进化。以颠覆性技术投资闻名方舟投资则应用类似的Wright’s Law （赖特定律） ，预测电动车的成本将加速下降，电动车行业将通过自动化制造、AI 设计优化、供应链效率提升来加速生产，例如特斯拉 Gigafactory 展示了机器造机器的可能性，使得生产成本指数级下降。

摩尔定律

对中国企业的启示

从摩尔定律的提出、演变和发展过程来看，摩尔定律最初是摩尔基于过去几年的芯片数据参数，结合他对工程技术的理解和对经济成本的核算，提出的芯片核心参数的发展趋势。摩尔定律并非像牛顿运动定律那样是自然界的客观规律，而是人为塑造的规律。然而，为什么芯片行业的企业会几十年如一日地遵循这个规律发展呢？这固然离不开摩尔对技术和经济的深刻洞察力以及英特尔在芯片行业的统治力，但更重要的原因是，在英特尔提出并遵循这一规律后，芯片产业的其他企业发现，遵循同样的规律能够在每个迭代周期取得足够的利润，规避创新的风险。同时，由于整个行业形成了这样一种发展节奏，新成立或新进入的企业会被或主动或被动地卷入同样的节奏中。由于这一节奏是由行业生态系统中的多方参与者共同塑造的，形成了大势，新企业很难摆脱行业大势独自发展。

中国企业需要应用技术路线图创新产品性能，找准开发节奏。随着行业生态的演变，节奏的主导者可能会发生变化。在英特尔一家独大的时代，其对芯片技术的发展节奏有较大的掌控权，可以借此获取最大的利益。例如，英特尔曾经被消费者戏称为“牙膏厂”，在台积电通过外包模式快速提升创新速度之前，英特尔连续几代CPU性能提升不大，像“挤牙膏”一样每次只挤一点，结果无法进一步按照摩尔定律创新技术，提升芯片性能。最终，英特尔可能面临被分拆出售的命运。

在新兴的AI与新能源车领域，中国企业如DeepSeek与比亚迪的创新，展现了运用摩尔定律创新的范例。比亚迪锂电池CTO孙华军在第二届中国全固态电池创新发展高峰论坛上表示，固态电池正在从实验室迈向规模化应用，预计到2030年将实现稳定的商业化应用。比亚迪计划在2027年开始批量示范装车，真正大规模应用可能在2030年后。其核心策略包括：优化活性物质占比，提高电池能量密度，降低生产成本；减少电解质用量，提升制程稳定性，降低制造成本；通过技术迭代，逐步达到固液同价，实现经济可行性。

这一发展模式与DeepSeek在AI领域对尺度定律的优化类似，强调技术突破、成本控制与可规模化应用。这种模式显示了中国企业正在掌握摩尔定律，在AI和新能源等新质生产力前沿领域取得竞争优势。

在摩尔定律指导的产业路线图的建立和发展过程中，政府可以发挥重要作用。例如，政府可以牵头召集行业优秀企业建立产业发展协会，组织行业资深专家制定行业发展路线图，并向行业内企业宣传推广，鼓励企业以路线图为指导建立自身的发展计划。在产业发展的过程中，对于路线图上的核心关键技术节点给予政策或资金支持，引领行业有节奏地向前发展。

摩尔定律不仅是半导体行业的增长模型，更是一种创新路径与产业预测模式。中国企业可以借鉴其核心原则，设定技术迭代时间表，引导行业节奏 （如DeepSeek在AI计算优化、比亚迪在固态电池发展） ；打造协同创新产业链，减少对外部技术的依赖，提升本土科技竞争力；利用规模效应降低成本，加速新技术的市场化推广，提高普及率；推动政府政策与行业标准制定，形成国家级技术竞争力；强化开源生态建设，增强中国企业在全球科技生态中的影响力。

DeepSeek 对全球人工智能产业 尺度定律的突破与影响

在AI领域，尺度定律描述了AI模型性能如何随着参数规模、计算量、数据量增长而提升，起到了类似摩尔定律的作用。DeepSeek在AI领域的创新正在改变尺度定律的传统模式，推动AI计算效率的优化，并对全球AI生态系统产生深远影响。

DeepSeek优化了尺度定律

传统尺度定律认为，数据量越大、算力越强大，模型性能就越高。然而，DeepSeek凭借其对算法和硬件的优化，正在挑战这一传统观念。

2月18日，马斯克在其X平台上发布了最新旗舰版AI大模型Grok 3。巧合的是，同一天，DeepSeek官方也在X平台发布了一篇技术论文——《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention （原生稀疏注意力：硬件对齐且可原生训练的稀疏注意力机制） 》，重点介绍了一种名为NSA （Natively Sparse Attention，原生稀疏注意力） 的技术，DeepSeek创始人梁文锋也是该论文的共同作者之一。这便形成了一个有趣的对比：Grok 3是利用当前世界上最顶尖的算力集群 （20万块英伟达H100 GPU） 训练而成的大模型，马斯克称其为“地球上最聪明的人工智能”，并表示该模型在推理能力上超越了包括ChatGPT在内的其他领先AI模型，其规模和性能的提升再次印证了“大力出奇迹”策略在AI训练中的有效性。

与此同时，DeepSeek的论文详细阐述了NSA技术如何通过硬件对齐优化设计，大幅提升超长文本的训练与推理效率，同时有效降低预训练成本，且不牺牲性能。有分析对比了使用2000张H800 GPU训练两个月的DeepSeek V3，计算结果显示，Grok 3的实际训练算力消耗是V3的263倍，然而DeepSeek V3在大模型竞技场榜单上与得分1402分的Grok 3的差距不到100分。DeepSeek通过算法和硬件的优化，降低了对高性能GPU的依赖，提升了AI模型的可扩展性，并且适配国产AI硬件，减少了对Nvidia CUDA生态的依赖。

促进AI生态开源化，影响全球AI竞争格局

打破头部厂商垄断：通过部分开源模型策略，挑战了OpenAI、Google等闭源生态，这些传统AI巨头通过强大的模型性能和巨额资本投入构建了较高的竞争壁垒。然而，DeepSeek凭借低成本、高性能的模型，快速追赶并挑战了这些头部厂商的地位。使企业可以更低成本部署AI，这使得AI计算更加高效，中小企业也能负担得起大模型应用，AI医疗助手、智能金融、工业自动化等领域将因此受益。国内外巨头如AMD、英伟达、亚马逊、微软、华为、阿里等纷纷拥抱DeepSeek，推动了AI平权的进程。

重构AI产业链价值分配

DeepSeek的出现使得AI产业链的价值分配逻辑发生变化。原有的头部模型厂商依靠模型优势获取超额利润的模式受到冲击，未来产业链价值将更多地向场景、生态和数据倾斜。DeepSeek采用低功耗推理优化，使AI更容易部署在中国企业有优势的边缘计算和移动设备上。因此，我们预测DeepSeek作为中国AI发展的重要突破，将建立起中国本土的AI应用与生态系统，促进AI应用的产业化落地，极大地影响国际AI竞争格局。未来AI的发展可能不再依赖单纯的“bigger is better” （更大的模型带来更好的结果） ，DeepSeek指引出一个更智能、更高效、更去中心化的新方向。

（作者感谢国家自然科学基金青年项目72202086，重点项目72091311、72172154、72232010的支持）

推荐视频