本文根據作者汪濤2026年7月18日在復旦大學中國研究院《人工智能與環境白皮書》國際研討會上的發言資料整理完善而成。

本文作者汪濤，第一排右2

引言：一個被算力神話遮蔽的時代

2025年，當英偉達發佈Blackwell架構GPU時，整個科技界再次陷入了一種近乎宗教般的狂熱。單卡峯值算力相較十年前提升了約2,000倍——這個數字被反覆吟誦，彷彿它就是人工智能通往通用智能（AGI）的通天塔。然而，在這串耀眼數字的背後，一個更爲深刻的問題卻被有意無意地忽略了：這2,000倍的提升，究竟有多少是真實的硬件進步？有多少是精度的”魔術”？又有多少，僅僅是行業在對摩爾定律正常運行形成的算力過剩時代的一種糾偏？

本文將基於英偉達數據中心GPU從2015年到2025年的算力演進數據，結合Bill Dally教授提出的性能歸因框架，深入剖析AI底座發展的真實空間。我們將看到，“黃氏定律”——這個被包裝爲”AI時代摩爾定律”的概念——其四個發動機中，已有兩個甚至更多正在熄火。更重要的是，我們將揭示一個被主流敘事長期掩蓋的歷史真相：在摩爾定律正常運行的年代，整個計算產業並非在追求效率，而是在系統性地浪費算力。WINTEL聯盟通過降低硬件利用效率來製造升級需求，製造了一個效率被長期壓制的時代。

當算力增長的天花板日益逼近，AI泡沫的破裂進入倒計時，我們需要重新審視：人工智能的未來，究竟建立在怎樣的底座之上？

第一部分：算力演進——2,000倍背後的真相

1.1 數字的魔術：從FP32到FP4的”精度遊戲”

讓我們首先直面那組最震撼的數字：2015年至2025年，英偉達數據中心GPU的單卡峯值算力提升了約2,000倍。按照MIT FutureTech的研究，同口徑FP16算力約每1.44年翻倍。這意味着，如果我們以傳統的晶體管密度摩爾定律（18-24個月翻倍）來衡量，AI算力的翻倍速度快了將近6倍——這就是被英偉達CEO黃仁勳反覆宣揚的”黃氏定律”。

然而，這組數字經不起細究。根據Bill Dally教授（斯坦福大學計算機科學系教授、英偉達首席科學家）提出的歸因框架，這2,000倍的提升可以分解爲四個要素的乘積：

第一，低精度數值表示（貢獻約32倍，佔總提升的46%）。從FP32（單精度浮點）到FP16（半精度），再到FP8，直至最新的FP4，每一次位寬的減半，都在同等面積和功耗下實現了算力的近似翻倍。Blackwell架構甚至引入了原生FP4/FP6的硬件支持。這無疑是過去十年AI算力增長的最大功臣——但它本質上是”換精度”，而非同口徑的硬件進步。就像把一把尺子從毫米刻度換成釐米刻度，雖然讀數快了10倍，但測量的精度也下降了10倍。

第二，張量核心與複雜指令（貢獻約12.5倍，佔總提升的33%）。從FMA（融合乘加）到HMMA（半精度矩陣乘加），再到IMMA（整數矩陣乘加），直至Hopper架構的Transformer Engine，單條指令完成的計算量呈指數級增長。2017年Volta架構首次引入Tensor Core，到2025年的Blackwell，這條路徑貢獻了超過三分之一的性能提升。但這也是架構層面的優化，而非底層晶體管密度的提升。

第三，製程與先進封裝（貢獻約2.5倍，佔總提升的12%）。從28nm到16nm、12nm、7nm，再到4N/4NP工藝，傳統摩爾定律的製程紅利在這十年間僅貢獻了2.5倍的提升。更值得注意的是，Blackwell架構爲了維持這一份額，不得不採用雙die拼接（NV-HBI）技術，並將功耗從250W大幅提升至1400W。這意味着，純製程縮微的貢獻已經極爲有限，行業不得不依靠”堆料”和”堆功耗”來維持增長。

第四，結構化稀疏（貢獻約2倍，佔總提升的9%）。自2020年Ampere架構起，英偉達支持2:4稀疏性——每4個權重中剪去2個，從而實現吞吐量的直接翻倍。但這本質上是一種”作弊”：它假設模型可以承受50%的權重稀疏而不顯著損失精度，而這一假設並非對所有工作負載都成立。

將這四個要素相乘：32 × 12.5 × 2.5 × 2 ≈ 2,000。這就是那組耀眼數字的全部祕密。其中，超過79%的提升（46%+33%）來自精度和架構層面的”技巧”，而非傳統意義上的硬件進步。如果我們排除低精度表示和張量核心，僅看製程和稀疏性帶來的提升，十年間真實的硬件進步僅約5倍（2.5×2）。

1.2 黃氏定律的”四個發動機”與熄火危機

黃仁勳將AI算力的增長稱爲”黃氏定律”，宣稱其全棧綜合FP16等效吞吐的翻倍週期僅爲6個月，速度是傳統摩爾定律的6倍。然而，這一”定律”正面臨前所未有的挑戰。

讓我們仔細審視黃氏定律的”四個發動機”：

發動機一：低精度數值表示。從FP32到FP16，再到FP8、FP4，這條路徑已經走到了盡頭。FP4意味着每個數值僅用4個比特表示，只能表達16個不同的數值。繼續壓縮到FP2（2比特，僅4個數值）在絕大多數AI場景中已不可行，因爲量化誤差將導致模型精度崩潰。事實上，業界已經在FP4上遇到了顯著的精度損失問題，需要配合複雜的量化感知訓練和動態範圍縮放技術才能勉強使用。這個發動機，已經處於熄火的邊緣。

發動機二：張量核心與複雜指令。從FMA到HMMA、IMMA，再到Transformer Engine，指令的複雜度已經逼近物理極限。Transformer Engine本質上是爲Transformer架構定製的硬件加速器，但AI模型架構正在快速演變——Mamba、RWKV、RetNet等新架構的出現，使得爲特定架構優化的硬件面臨”架構鎖定”的風險。此外，單條指令完成的計算量不可能無限增長，受限於內存帶寬和片上緩存的物理約束。這個發動機，也在顯著減速。

發動機三：製程與先進封裝。這是傳統摩爾定律的核心，也是當前最疲軟的發動機。3nm以下的製程面臨量子隧穿效應、漏電流激增、光刻技術極限等多重挑戰。臺積電的2nm工藝N2在2025年底量產(3nm的N3量產時間是2022年底，花了正好3年時間)，目前在產能爬坡階段，是全球首個實現規模化投產的 GAA 芯片。但是，晶體管密度的提升已遠非線性。更嚴峻的是，先進製程的成本呈指數級上升——根據IBS的數據，3nm晶圓的成本已超過2萬美元，而2nm預計將超過3萬美元。“經濟摩爾定律”——即每晶體管成本持續下降——在2020年已經永久消失。Blackwell的雙die拼接和1400W功耗，正是製程紅利枯竭後的無奈之舉。

發動機四：結構化稀疏。 2:4稀疏性已經是較爲激進的剪枝比例，進一步推廣到1:4或更極端的稀疏模式，將嚴重影響模型精度。此外，稀疏性帶來的性能提升依賴於特定的硬件支持和軟件棧優化，通用性有限。這個發動機，從未真正全速運轉過。

四個發動機中，低精度表示和製程縮微這兩個最核心的引擎已經明顯熄火或減速。張量核心和稀疏性雖然仍在運轉，但邊際收益遞減的趨勢不可逆轉。這就是爲什麼，儘管英偉達單卡原生FP16張量算力在前7年（2015-2022）保持了1.4-1.8年的翻倍週期，但近3年（2022-2025）已經放緩至3.5-4年。黃氏定律的”6個月翻倍”，已經成爲歷史。

1.3 與傳統摩爾定律的對比：一個時代的終結

讓我們將AI算力的增長置於更宏觀的歷史座標系中審視。

傳統晶體管密度摩爾定律在早年（1970s-2000s）確實保持了18-24個月的翻倍週期。但過去10年，這一週期已拉長至約3年。根據行業共識，2032年前翻倍週期將進一步延長至3.5-4年，2032-2038年爲5-6年，2038年後硅基平面微縮將徹底失效，翻倍週期可能長達8-10年。

AI算力的”黃氏定律”雖然在前十年（2015-2025）通過”換精度”和架構創新實現了看似超越摩爾定律的增長，但其底層驅動力正在快速枯竭。未來5年，英偉達芯片性能提升將進入平臺期，黃氏定律的速度將從6個月翻倍週期迅速拉長，1年、2年、4年，甚至8年。這不是危言聳聽，而是基於物理極限和經濟學規律的必然推斷。

更值得關注的是，自2020年起，成本同步下降的”經濟摩爾定律”已經永久消失。這意味着，即使晶體管密度仍在緩慢增長，每單位算力的成本甚至功耗都不再下降，甚至可能上升。對於依賴算力規模擴張的AI產業而言，這是一個致命的信號。

第二部分：被掩蓋的歷史——摩爾定律時代的效率壓制

2.1 WINTEL聯盟的”人爲降低效率”

在深入討論AI算力的未來之前，我們必須首先澄清一個被主流敘事長期掩蓋的歷史真相：在摩爾定律正常運行的年代，整個計算產業並非在追求效率，而是在系統性地壓制和降低效率。

20世紀80年代末至21世紀初，是摩爾定律的黃金時代。CPU性能每18個月翻倍，晶體管數量指數級增長。然而，這種增長並未帶來相應的效率提升。相反，業界的主流邏輯是：既然算力增長如此之快，何必費心優化軟件效率？

一個廣爲流傳的段子是：業界甚至有人呼籲CPU不要增長那麼快，“486夠用了”。這並非玩笑。在Windows 95時代，一臺配備486處理器的PC已經足以運行當時的絕大多數應用軟件。如果軟件效率保持恆定，用戶沒有動力升級硬件。而硬件廠商——尤其是Intel和微軟組成的WINTEL聯盟——的商業模式恰恰建立在持續升級之上。

於是，一個奇特的產業生態形成了：硬件廠商竭盡所能地提升晶體管密度，而軟件廠商則竭盡所能地”消耗”這些新增的算力。Windows操作系統的每一代新版本都比上一代更加臃腫，Office軟件的功能堆砌遠超實際需求，網頁瀏覽器的內存佔用呈指數級增長。這不是技術進步，而是一種精心設計的通過”人爲製造的計劃性淘汰”——通過降低軟件效率來製造硬件升級需求。

2.2 Linux+Windows仿真平臺比原生Windows快10倍的荒誕

最能說明這一問題的，是一個被計算機科學界反覆引用的測試案例。

有人設計了這樣一個實驗：在Linux操作系統上，運行一個Windows仿真平臺（如Wine或虛擬機），再在這個仿真平臺上運行Windows的應用軟件。按照直覺，直接在Windows平臺上運行其原生應用軟件，肯定要比這種”疊層架屋”的方式更順暢。畢竟，每增加一層抽象，就增加一層開銷。

然而，測試結果讓人大跌眼鏡：Linux+Windows仿真平臺上的軟件運行速度，比直接在Windows上運行快了近10倍。

這個結果看似荒誕，實則深刻揭示了WINTEL聯盟的效率壓制機制。Windows操作系統本身的設計，就包含了大量爲兼容舊硬件、舊軟件而保留的冗餘代碼，以及爲維持向後兼容性而犧牲的性能優化空間。更關鍵的是，Windows的底層架構決策——如內存管理、進程調度、系統調用接口——在很大程度上是爲了適配Intel的硬件特性，而非追求極致效率。Intel的CPU設計，同樣爲了兼容x86指令集的歷史包袱，保留了大量在現代計算中早已過時的複雜指令和微架構設計。

這種”硬件-軟件”的共謀，形成了一個低效率的鎖定狀態。Linux操作系統由於沒有歷史包袱，其內核設計更加精簡高效；而Windows仿真平臺在Linux上運行時，實際上剝離了Windows原生環境下的大量冗餘開銷。這就是爲什麼，看似多了一層抽象，實際性能反而提升了近10倍。

這個測試案例發生在21世紀初期，但它揭示的結構性問題貫穿了整個摩爾定律時代。在算力過剩的背景下，效率優化不僅得不到獎勵，反而被視爲”不必要的工作”。

存儲結構的非常不合理也人爲製造了巨大的低效率。我當年曾是王碼電腦（惠州）的總工程師，在開發數據庫軟件時做了一個測試：利用當時DOS平臺上的一個硬盤仿真器，在內存中虛擬出一個硬盤來。然後將全部數據庫軟件和數據全部裝到這個在內存中虛擬的硬盤中。僅僅就是這麼一個簡單的改變，整個運行效率居然提升了10到20倍！後來我又進行了大量實驗，並將結果寫成“海量內存計算機”的研究文章發表在1998年的《計算機世界報》上。十年之後SAP公司提出“內存計算”，原理與我提出的“海量內存計算”完全一樣。

2.3 多核技術的”遲到”：阿姆達爾定律的遺忘

另一個被長期忽視的效率維度，是並行計算。

大規模並行處理的效率計算，早在1967年就被Gene Amdahl以”阿姆達爾定律”的形式精確描述：無論增加多少處理器，程序的加速比受限於串行部分的比例。如果一個程序有10%的代碼必須串行執行，假設無限增加處理器數量，最大加速比可達10倍。中間取一個折中，通過增加處理器數量是可以有效提升總體性能的。

然而，Intel對多核技術的態度堪稱”遲鈍”。儘管阿姆達爾定律在學術界早就廣爲人知，儘管多核架構在服務器和高性能計算領域早已成熟，Intel直到2005年才推出第一款面向消費市場的雙核CPU（Pentium D），而主流的雙核處理器（Core Duo）直到2006年才大規模上市。

爲什麼？因爲在單核性能仍能按照摩爾定律穩定增長的時代，推廣多核意味着承認單核性能增長即將見頂，意味着需要軟件生態的根本性重構（多線程編程的複雜性遠高於單線程），更意味着可能削弱Intel在單核性能上的壟斷優勢。與其冒險推動多核革命，不如繼續沿着單核性能提升的舒適區緩慢前行。

這種戰略拖延，導致整個產業在並行計算效率上浪費了至少十年時間。直到2005年後，當單核性能增長明顯放緩，Intel才被迫轉向多核路線。而此時，軟件生態的並行化改造已經嚴重滯後，大量應用至今仍無法充分利用多核CPU的潛力。

2.4 效率壓制的系統性後果

回顧摩爾定律生效的時代，我們可以清晰地看到一條”效率壓制”的主線：

• 芯片層：x86指令集的複雜性和歷史包袱，導致大量晶體管被用於解碼和兼容，而非實際計算。Intel的CPU設計中，用於維持向後兼容的電路佔比長期居高不下。

• 硬件系統層：內存牆（Memory Wall）問題早在20世紀90年代就被提出，但直到近十年，高帶寬內存（HBM）、近存計算（Near-Memory Computing）等技術纔開始被重視。在算力過剩的年代，內存帶寬的瓶頸被簡單地用”等待”來解決。這導致在以往的計算系統中，事實上95%以上的時間，CPU是處於等待數據存儲的狀態。這是爲什麼我提出的“海量內存計算”可以極大提升效率的原因所在。

• 軟件層：操作系統、編譯器、應用軟件的優化動力嚴重不足。“硬件會解決這個問題”成爲軟件工程師的口頭禪。Java、Python等高級語言的普及，雖然提升了開發效率，但也以犧牲運行效率爲代價。

• 系統層：分佈式計算、雲計算的資源浪費觸目驚心。大量數據中心的服務器利用率長期低於20%，但因爲沒有經濟激勵，優化動力匱乏。

這種系統性的效率壓制，在摩爾定律生效的時代被掩蓋了——反正算力每18個月翻倍，誰在乎效率？但正是這種掩蓋，爲今天的困境或黃氏定律等改進空間埋下了伏筆：當摩爾定律接近完全失效時，我們才發現原來過去的硬件效率居然差到這種程度。黃氏定律不是英偉達進步的速度有多快，而是以往摩爾定律佔主導的時代，效率被壓制得太變態了。

第三部分：效率覺醒——從2010年至今的補課

3.1 摩爾定律放緩：效率優化的被迫啓動

2010年，是一個轉折點。

這一年，Intel的32nm工藝開始量產，但晶體管密度的增長已經明顯放緩。更關鍵的是，CPU的時鐘頻率在2004年左右觸及”功耗牆”（Power Wall）後，已經停滯了近6年。摩爾定律的”免費午餐”——即通過製程進步自動獲得性能提升——正式結束。

業界被迫開始”補課”：既然硬件的物理增長受限，那就必須在效率上下功夫。

這一時期的效率提升工作，大致可以分爲幾個層面：

製程層面：FinFET（鰭式場效應晶體管）在2011年引入，通過三維結構改善柵極控制，延緩了短溝道效應。GAA（全環繞柵極）晶體管在2022年後逐步量產，進一步提升了柵極控制能力。但這些屬於”延續摩爾定律”的技術，而非突破性的新範式。

架構層面：多核成爲主流，異構計算（CPU+GPU）開始普及。ARM架構憑藉低功耗優勢在移動領域崛起，反過來推動x86陣營的反思。RISC-V等開源指令集的出現，打破了x86和ARM的壟斷，爲定製化、高效率的芯片設計開闢了新路徑。

軟件層面：編譯器優化、並行編程框架（如CUDA、OpenCL）、內存管理技術的進步，開始彌補歷史欠賬。容器化（Docker）、微服務架構、Serverless計算，本質上都是通過更精細的資源調度來提升系統級效率。

算法層面：深度學習領域的算法效率提升尤爲顯著。從AlexNet（2012）到ResNet（2015），再到Transformer（2017），模型架構的演進不僅提升了精度，也在一定程度上優化了計算效率。但真正的算法效率革命，要等到20世紀20年代才全面爆發。

集成電路發展最初期的液冷技術，今天又被翻了出來。

大內存成爲主要解決CPU等待問題的方法之一。

......

3.2 華爲的”何庭波定律”：中國路徑的效率哲學

在效率覺醒的浪潮中，中國企業的貢獻不容忽視。華爲海思總裁何庭波提出的”何庭波定律”，雖然不像摩爾定律或黃氏定律那樣普遍，但其核心理念——在工藝受限的情況下，通過架構創新和系統優化來維持性能增長——代表了後摩爾定律時代的正確方向。

華爲在面臨美國製裁、先進製程獲取受限的極端環境下，通過芯片架構的重新設計、系統級優化的深度挖掘、以及軟硬件協同的極致調優，通過邏輯摺疊來持續縮減信號傳遞的時間延遲，實現了在7nm甚至14nm工藝上接近國際先進水平的性能表現。這種”以效率換性能”的思路，與WINTEL時代”以硬件換性能”的邏輯形成了鮮明對比。

何庭波定律的本質是：當製程紅利枯竭時，架構創新、系統優化和生態協同成爲硬件層性能增長的主要來源。這一定律不僅適用於華爲，也適用於整個後摩爾定律時代的半導體產業。

3.3 效率提升的瓶頸：邊際收益遞減

然而，我們必須清醒地認識到：所有的效率提升工作，都有其物理極限和邊際收益遞減的規律。

從2010年到現在，效率提升的工作已經進行了近15年。製程層面，FinFET到GAA的演進已經逼近硅基材料的物理極限；在實際線寬縮短到22nm之後，事實上就很難再繼續縮減了。現在所謂的5nm、3nm、2nm都已經不是真正的線寬，而是等效的線寬。臺積電2nm 的GAA 晶體管實際物理柵極長度 Lg（開關溝道寬度）大約在10-12nm。晶體管的大小早就已經很難再繼續縮小了。

架構層面，多核、異構、近存計算等技術已經大規模部署，但內存牆和功耗牆的問題仍未根本解決；

軟件層面，編譯器優化的空間日益收窄，並行編程的複雜性限制了多核潛力的充分釋放；

更重要的是，效率提升的”低垂果實”已經被摘完。剩下的優化空間，要麼需要顛覆性的技術突破（如量子計算、光計算、神經形態計算），要麼需要產業生態的系統性重構（如全新的編程模型、內存體系、互連架構）。這些都不是5-10年內可以實現的。

因此，一個不可避免的結論是：未來5到10年，效率提升的工作也將遇到瓶頸和極限，趨於平穩。黃氏定律也將如摩爾定律一樣進入平臺期。何庭波定律也是如此。

第四部分：DeepSeek路徑與知識壓縮——算法層面的自救

4.1 DeepSeek R1與V4：算法效率的革命

在硬件增長見頂的背景下，算法層面的效率提升成爲AI產業自救的重路徑之一。DeepSeek的崛起，正是這一邏輯的最佳註腳。既然算力增長越來越難，那就想辦法用更少的算力幹同樣的活。

2025年1月20日，DeepSeek發佈了R1模型。與OpenAI的O1模型相比，R1在同等任務質量下，算力需求僅爲其1/10至1/20，成本僅爲其1/27。這一數字震驚了業界——它意味着，通過算法創新，可以在不增加硬件投入的情況下，實現數量級的性能提升。

2026年4月24日，DeepSeek發佈了V4模型。相對於R1，V4在相同工作負載下的算力需求進一步降低到1/3。這意味着，在不到一年半的時間裏，DeepSeek通過算法優化，將同等任務的算力需求壓縮到了O1的約1/30至1/60。成本僅爲其不到1%。

DeepSeek的成功並非偶然。它代表了AI領域”算法效率”這一第二增長曲線的全面崛起。當硬件算力的增長放緩時，算法效率的提升就成爲維持AI能力增長的關鍵。這類似於石油危機後，汽車工業從”大排量”轉向”高效率”的歷史轉折。

4.2 知識信息的冗餘：被忽視的壓縮空間

然而，算法效率的提升也有其極限。因此，如何在最初的源頭上將知識與信息進行壓縮就成爲終極的手段。人類創造的知識與獲得的信息存在更大的冗餘。要理解這一點，我們需要深入探討人類知識信息的冗餘問題。

根據《柳葉刀》2009年發表的一項著名研究（Chalmers & Glasziou），全球科研投入中約有85%被浪費。浪費的源頭包括：重複研究、低價值選題、研究不發表或發表不完整、以及報告不可用。這意味着，在每年數千億美元的全球科研投入中，僅有約15%真正產生了有價值的知識增量。

這種冗餘在多個層面表現得淋漓盡致：

文獻層面：同一科學結論，往往被成百上千篇論文反覆表述。每一篇新論文都在前人的基礎上做微小的修改或擴展，但核心貢獻可能早已被充分闡述。一本教科書，本質上是對數萬甚至數十萬篇原始論文的高度去冗餘——它將分散在各處的有效信息，壓縮成一個連貫的知識體系。

網絡信息層面：網頁內容的重複率普遍估計在30%-50%。鏡像網站、轉載內容、洗稿文章、以及SEO驅動的低質量內容，構成了互聯網信息的巨大冗餘。搜索引擎雖然通過索引和排名機制部分緩解了這一問題，但並未從根本上消除冗餘。

語言表達層面：人類語言的冗餘度約爲50%-75%。這意味着，在典型的文本中，有一半到四分之三的字符或詞彙，對於傳達核心信息並非嚴格必要。語言冗餘的存在有其合理性——它提供了容錯性、情感表達和文化語境——但從信息論的角度，它確實代表了巨大的知識信息冗餘和潛在壓縮空間。

根據我所建立的"統一測量學"，因爲近代科學革命開始後只是數學有統一的術語系統，而實驗與測量沒有統一的術語系統，這導致了整個人類不同學科領域存在巨量的知識冗餘。

綜合以上三個層面，人類知識信息本身的冗餘總量級估計在1,000至10,000倍之間。這意味着，如果我們能夠建立一種高度去冗餘的知識表示體系，同等存儲容量可以容納的知識量，將是當前的千倍乃至萬倍。

4.3 大語言模型：一個巨大的信息壓縮器

有趣的是，大語言模型（LLM）本身，就是一個巨大的信息壓縮器。我們可以從三個口徑來理解其壓縮能力：

字節級壓縮：訓練語料的總體積與模型權重的體積之比，約爲80:1。這意味着，一個經過訓練的LLM，將其數萬億字節的訓練數據，壓縮到了數十億至數百億字節的權重參數中。

記憶級壓縮：考慮到每個參數實際存儲的信息量（約3.6比特），語料與模型實際存儲信息之比約爲200:1。這進一步考慮了參數精度（如FP16、FP8）對信息容量的影響。

知識級壓縮：去除冗餘後的有效知識與模型記憶容量之比，約爲15-25:1。這是最嚴格的口徑，它假設模型不僅存儲了信息，還理解了信息之間的關聯，形成了可遷移的知識表示。

以”豬”爲例，英語中與”豬”相關的常用詞彙就有數十個：pig（最常用）、swine（正式/集合名詞）、hog（大豬）、porcine（形容詞）、Suidae（豬科）、piggy/piglet（小豬暱稱）、boar（公豬/野豬）、sow（母豬）、gilt（青年母豬）、shoat（剛斷奶仔豬）、barrow（閹割公豬）……再加上部位和製品相關詞彙（pork、bacon、ham、sausage、lard、trotter等），總計超過30個詞彙指向同一個核心概念。這種概念的過度分化，正是知識冗餘的典型表現。

4.4 “文明學”：重建人類知識體系的雄心

面對知識冗餘的汪洋大海，我們正努力做的工作是：創建一門名爲”文明學”的學術平臺，以系統性的方式重建整個人類的知識體系。

“文明學”的核心理念是：以最小化的、去冗餘的概念體系，重新組織和表達人類文明的全部知識。它類似於數學中的公理化方法——從最少的公理出發，推導出整個理論體系。在”文明學”的框架下，每一個知識點理論上都會被精確地定位在其邏輯網絡中的唯一位置，消除重複表述和概念混淆。

大語言模型已經展示了知識壓縮的驚人能力。如果我們能夠進一步將LLM的”隱式知識”轉化爲”顯式結構”，建立一套標準化的、機器可讀的知識表示語言，那麼人類知識的組織和傳播效率將迎來數量級的提升。

文明學是人工智能未來發展的必須，也是人類面對人工智能挑戰必須作出的應對。它不僅是可以改進人工智能，而且可以使人類自身可以在人工智能時代具備與其相匹配的全科型知識學習和應用能力。

第五部分：AI的智力水平——被高估與被低估

5.1 “兩天五篇萬字論文”的啓示

今天的AI智力水平進步的確是驚人的。我在前不久用KiMi K3的測試版本，在兩天之內生成了5篇萬字高水平論文，包括摘要、關鍵詞、前言綜述、圖表、參考文獻、正文中對參考文獻的引用標註等都是自動生成，且格式非常規範。

這一能力確實令人印象深刻。它表明，在”形式規範”和”信息整合”的維度上，AI已經達到了甚至超越了大多數人類研究者的水平。當然，這種論文快速生成的的結果水平高度取決於輸入指令的水平。它類似於一個計算機平臺，輸入的指令類於編程的軟件。你輸入的是什麼軟件，它就能運行出什麼結果。

5.2 被高估的”奇點”與被低估的”平臺”

美國科技界近年來大談”技術奇點”（Technological Singularity）和”通用人工智能”（AGI），其隱含的假設是：只要算力持續增長，AI的智力水平將指數級提升，最終超越人類，引發文明的質變。

然而，基於前文對硬件增長和算法效率的分析，這一假設的根基正在動搖：人工智能芯片的算力以及整體系統的算力很快將進入平臺期，而不是越過一個奇點。沒有底層硬件的持續指數增長，“奇點”的算力前提就不復存在。這不是悲觀的預測，而是對物理極限和經濟學規律的尊重。在平臺期，AI的能力仍將緩慢增長，但不再是指數級的爆發式增長。這意味着，AGI（如果它真的存在的話）的實現時間表，需要被大幅推遲——從某些樂觀者預測的”2027年”或”2030年”，推遲到”不確定的未來”。

第六部分：AI泡沫的必然破滅

6.1 泡沫的構成：資本、敘事與現實的背離

當硬件增長進入平臺期，算法效率的邊際收益遞減，而資本市場的預期仍然停留在”指數增長”“奇點來臨”的敘事中時，泡沫的破滅就成爲必然。

當前AI產業的泡沫，主要體現在以下幾個層面：

估值泡沫：AI相關公司的市值，很大程度上建立在”算力即權力”的敘事之上。英偉達的市盈率長期維持在高位，反映了市場對其持續超高速增長的預期。然而，一旦硬件增長放緩被證實，估值的修正將是劇烈的。

投資泡沫：全球AI領域的風險投資在2023-2025年間達到了前所未有的規模。大量資金湧入基礎模型訓練、AI芯片設計、以及各類AI應用初創公司。然而，許多投資的前提是”算力成本將持續下降”，而這一前提正在失效。

應用泡沫：在消費端，AI應用的留存率和付費轉化率遠低於預期。許多被包裝爲”AI原生”的產品，其核心價值並非來自AI技術，而是來自傳統的產品設計和運營能力。在 enterprise 端，AI的落地同樣面臨數據質量、集成成本、合規風險等現實障礙。

敘事泡沫：“AGI即將實現”、“AI將取代所有白領工作”、“算力是新時代的石油”等敘事，在媒體和社交網絡上被反覆強化。這些敘事雖然具有一定的啓發性，但其過度簡化和對技術極限的忽視，正在製造危險的預期落差。

6.2 泡沫破裂的觸發點與路徑

AI泡沫的破裂，可能由以下一個或多個觸發點引發：

硬件增長不及預期：如果英偉達下一代架構（如Rubin）的性能提升顯著低於市場預期，或者製程進步遭遇不可逾越的物理障礙，資本市場對AI算力增長的信心將迅速崩塌。

算法效率觸及瓶頸：如果DeepSeek等公司的後續模型無法繼續保持算力需求的數量級下降，市場將意識到”算法效率”也有其極限，從而重新評估AI產業的成本結構。

宏觀經濟逆風：如果全球經濟進入衰退週期，企業和消費者對AI投資的意願將大幅下降。AI作爲”錦上添花”的技術，在經濟下行期往往首當其衝被削減預算。

監管收緊：隨着AI技術的社會影響日益顯現，各國政府對AI的監管正在收緊。如果監管措施顯著增加AI開發和部署的成本，將加速泡沫的破裂。

泡沫破裂的路徑，可能類似於2000年的互聯網泡沫：短期內估值大幅回調，大量初創公司倒閉，投資熱情迅速冷卻。但與互聯網泡沫不同的是，AI泡沫破裂後，行業的復甦可能更加緩慢——因爲互聯網泡沫破裂後，光纖和寬帶基礎設施的過剩爲後續的Web 2.0革命提供了基礎，而AI泡沫破裂後，算力基礎設施的過剩並不必然轉化爲新的應用爆發（因爲算力成本不再下降）。

6.3 後泡沫時代：迴歸常規商業理性與價值

泡沫的破裂雖然痛苦，但並非壞事。它將迫使AI產業從”敘事驅動”轉向”價值驅動”，從”規模競賽”轉向”效率競賽”。

在後泡沫時代，以下幾個趨勢將成爲主導：

小模型崛起：當算力不再廉價，參數規模不再是唯一的競爭維度。針對特定任務優化的、數十億參數級別的小模型，將比萬億參數的通用模型更具商業價值。

邊緣計算普及：將AI推理從雲端推向邊緣設備，不僅可以降低延遲、保護隱私，更可以顯著降低算力成本。這要求模型的小型化和硬件的高效化。

垂直應用深耕：通用AI助手的市場將趨於飽和，而針對醫療、法律、金融、製造等垂直領域的深度應用，將成爲價值創造的主要來源。這些應用的成功，取決於領域知識的深度整合，而非算力的簡單堆砌。

開源生態繁榮：當商業投資的熱情冷卻，開源社區將成爲AI技術進步的主要推動力。類似於Linux在互聯網泡沫後的崛起，開源AI模型和工具將在後泡沫時代扮演關鍵角色。

第七部分：結論——在平臺的邊緣重新審視AI的未來

7.1 核心結論回顧

讓我們回到本文的起點，總結幾個核心結論：

第一，關於算力增長：2015年至2025年，英偉達單卡峯值算力提升約2,000倍，但對應的黃氏定律”四個發動機”即將大部分或全面熄火，未來5年算力增長將進入平臺期。

第二，關於歷史教訓：摩爾定律生效的時代，WINTEL聯盟通過系統性地降低軟硬件效率來製造升級需求。2010年後，全行業被迫開始效率補課，但這一補課即將在5-10年內觸及瓶頸。

第三，關於精減算力路徑：DeepSeek等公司通過算法創新實現了數量級的效率提升。但這一路徑的空間也是有限的，邊際收益同樣在遞減。

第四，關於AI智力：AI在形式規範和信息整合上已達到很高水平，但原創性研究、因果推理、常識獲取等核心能力仍有顯著差距。“奇點”和”AGI”的敘事，缺乏底層硬件持續指數增長的支撐。

第五，關於泡沫與未來：隨着硬件進入平臺期，算法效率觸及瓶頸，而資本市場預期仍停留在指數增長敘事中，AI泡沫的破裂將成爲必然。後泡沫時代，AI產業將回歸效率與價值，小模型、邊緣計算、垂直應用和開源生態將成爲主導。

第六，以文明學爲核心的知識與信息壓縮，是未來長期提升的關鍵。

7.2 對政策制定者與投資者的啓示

對於政策制定者而言，需要認識到：AI產業的競爭力，不再僅僅取決於算力規模，而取決於算法效率、數據質量和應用落地能力。繼續大規模投資建設智算中心，而忽視算法創新和生態培育，將造成巨大的資源浪費。同時，應支持”文明學”等長期知識基礎設施的建設，爲後硬件時代的知識增長奠定基礎。

對於投資者而言，需要調整預期：AI領域的超額回報期可能已經結束。未來的投資機會，將更多地出現在算法效率工具、垂直行業應用、以及AI與傳統產業深度融合的領域，而非基礎模型和算力基礎設施的”軍備競賽”。

7.3 對技術從業者的啓示

對於技術從業者而言，這是一個”迴歸工程本質”的時代。當算力不再免費，每一個FLOP都需要被精打細算。模型壓縮、推理優化、硬件—軟件協同設計、以及領域知識的深度整合，將成爲核心技術競爭力。同時，跨學科的知識結構——既懂AI算法，又懂行業知識，還懂系統優化——將比單純的”大模型調參”更有價值。

7.4 寫在最後：在平臺的邊緣，看見真實的未來

我們正站在一個時代的邊緣。過去十年，AI產業享受了算力指數增長的紅利，創造了令人目眩的增長神話。當黃氏定律的”四個發動機”逐一熄火，當摩爾定律的補課進入瓶頸，當算法效率的邊際收益遞減，我們被迫面對一個不那麼glamorous（迷人的；特別富有魅力的）但更爲真實的未來：AI不是通往奇點的火箭，而是人類工具箱中一件日益精密的工具。它的價值，不在於取代人類，而在於增強人類；不在於追求無限的增長，而在於在有限的資源中創造最大的價值。

在平臺的邊緣，我們或許能夠放下對”指數增長”的執念，重新審視技術的本質：技術不是目的，而是手段；算力不是權力，而是資源；AI不是神，而是鏡——它映照出人類的智慧，也映照出人類的侷限。

未來5年，AI產業將經歷痛苦的調整。但調整之後，我們將迎來一個更加成熟、更加務實、也更加可持續的AI時代。那個時代，或許沒有”奇點”的絢爛，但會有”效率”的踏實；沒有”通用智能”的狂想，但會有”專用智能”的深耕；沒有”算力即一切”的傲慢，但會有”知識即力量”的謙遜；沒有隔行如隔山的學科圍欄，但會有“文明學”的通曉型知識創造的輝煌未來。

這，纔是AI底座發展的真正空間，也是AI的未來所在。

參考文獻：

1. NVIDIA. NVIDIA Data Center GPU Product Specifications, 2015-2025.

2. Dally, B. “The Evolution of GPU Computing.” NVIDIA Technical Report, 2024.

3. MIT FutureTech. “AI Compute Trends and Projections.” 2024.

4. Chalmers, I., & Glasziou, P. “Avoidable Waste in the Production and Reporting of Research Evidence.” The Lancet, 2009.

5. DeepSeek. “DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning.” 2025.

6. DeepSeek. “DeepSeek-V4 Technical Report.” 2026.

7. Amdahl, G. M. “Validity of the Single Processor Approach to Achieving Large Scale Computing Capabilities.” AFIPS, 1967.

8. Intel Corporation. Intel Product Archives, 2005-2025.

9. 汪濤：《AI底座發展空間及AI的未來》，復旦大學中國研究院《人工智能與環境白皮書》國際研討會發言稿，2026年7月18日。