我們大多數人都熟悉摩爾定律。最初觀察到計算機容量呈指數增長的戈登·摩爾（Gordon Moore）談論的是集成電路中晶體管的密度，但其他人（其中包括著名的未來學家雷·庫茲韋爾）后來重新制定了“定律”來指代處理能力較之成本的增長——計算機芯片每花費 100 美元，每秒可以執行多少次計算。這使得該定律對技術變化具有魯棒性，將其向后延伸到集成發明之前，并可能向前延伸到未來新技術可能取代當前的硅基芯片時。

但我們可能很快就需要替代技術，因為我們已經接近硅芯片所能達到的目標。自世紀之交以來，單處理器內核的性能增長已大大放緩。在 1986 年到 2001 年的 15 年間，處理器性能平均每年增長 52%，但到 2018 年，這一速度已經放緩至每年僅 3.5%——幾乎處于停滯狀態。

這種放緩有幾個原因。最重要的是，我們正在接近制造小型晶體管的物理極限，以及它們在集成電路中的封裝密度。這意味著 Dennard 縮放比例的終結——另一條計算機“定律”指出，隨著晶體管變得更小，它們的能量需求也會縮小，即使晶體管的封裝更密集，單位面積的能量需求也大致保持不變。如果我們現在想在芯片上添加更多的晶體管，它需要更多的空間和更多的能量。

相反，我們可以提高計算機的時鐘速度，即晶體管執行計算的速度。然而，當時鐘速度增加時，能量需求和熱量輸出開始迅速上升，超過一定速度，實際上限制了這種增加處理能力的方法。這就是為什么 CPU 時鐘速度在過去 15 年中幾乎停止增長的原因，尤其是對于不容易配備大風扇的便攜式計算機。今天的大多數筆記本電腦甚至沒有風扇，因為它們的硬盤已被 SSD 卡取代，這大大降低了它們的整體能源需求和熱量輸出——但提高時鐘速度或在 CPU 中裝入更多內核將增加它們的熱量輸出。將筆記本電腦放在膝上或將智能手機握在手中會非常不舒服。

過去 15 年中計算機容量仍然令人印象深刻的進步主要是由于在處理器中裝入了更多內核。十五年前，典型的個人電腦只有一個內核；現在我們有雙核、四核甚至八核 CPU。但是，添加更多內核與提高時鐘速度不同。基本上，每個內核都作為一個單獨的處理器運行，這僅在計算機的任務可以在多個并行運行的內核之間拆分時才有用。雖然單個程序可能有多個任務（或線程，在技術術語中）并行運行，但線程通常必須等待來自其他線程的結果，從而降低效率。這種效率的降低自然會隨著并行運行的線程數量而增加，這意味著核心數量增加一倍，有了它，能量輸入和熱量輸出不會使我們的計算機的有效容量翻倍，除了圖形等非常專業的任務。圖形處理單元 (GPU) 確實可以并行運行許多任務，同時更新屏幕的不同部分——但一旦達到所需的最佳分辨率（高清？4K？8K？），您將不再有任何進展從并行運行更多任務中獲益。

超級計算機取得了比個人計算機更快的增長速度。目前，超級計算機的頂級計算能力正以每年約40%的速度增長，相當于20年一千倍。然而，不到十年前，這一增長率為每年 80%，僅用了 11 年就實現了千倍的處理能力。這是因為超級計算機是由許多普通的計算機芯片組合而成的。今天的頂級超級計算機基本上都是數百萬核心的 PC。一旦計算機芯片停止改進，您需要將更多的芯片打包在一起，這將變得越來越難以管理，更不用說需要更多的能量來運行和冷卻超級計算機。

摩爾定律的未來

從上面我們可以看出，我們已經達到了現有芯片技術所能達到的極限。按照最初的定義，每兩年將芯片上的晶體管密度翻一番，摩爾定律已經失效了十年或更長時間。但是，在未來幾十年中，可能還有其他方法可以實現計算機性能的增長。

一方面，我們可以將晶體管封裝得更深，這將減小芯片尺寸。這已經在內存存儲芯片中實現，其中晶體管堆疊 128 層或更深。這種緊湊的芯片非常適合智能手機等小型設備或越來越多的可穿戴設備，更不用說為物聯網提供動力的無數小型聯網設備了。然而，動態隨機存取存儲器 (DRAM) 更難以深入分層，因為幾乎每個部件都一直處于供電狀態，從而導致能源和發熱問題——但正在研究這些問題的解決方案。

也有可能使用人工智能來設計使用當前芯片技術的更高效的芯片架構。尤其是3D芯片，AI可能比簡單的分層扁平架構更好地利用額外的維度，AI可以利用機器學習來找到最需要優化的地方以及如何實現。借助進化算法，人工智能可以設計不同的解決方案，讓它們在人工環境中相互競爭，然后讓最好的設計變異并再次競爭，一代又一代，直到經過數千代人發現一個卓越的設計，隨著進一步的突變，感知能力得到改善。這種設計可能與人類大腦可以設計的任何東西都不一樣，但在速度方面明顯優于早期設計，

激進的新技術也可以提高處理能力。超導計算機可以用很少的能量運行，相應的熱量輸出也很小，從而允許非常密集的三維芯片架構。仍處于起步階段的量子計算機理論上可以比傳統計算機更快地處理某些類型的任務（實現量子霸權），在幾秒鐘內解決一些最快的普通計算機在宇宙生命周期中無法完成的問題。然而，兩者都需要冷卻到極低的溫度，這使得它們對于臺式計算機來說是不切實際的，更不用說便攜式設備了。其他新技術在理論上是可能的，但可能過于昂貴而無法實用。

我們可以詢問個人計算機或智能手機所需的所有計算能力是否必須駐留在設備本身中。云計算已經普及了很長一段時間，它允許設備將處理和存儲外包給外部計算機和服務器。為少量的大型集中式計算機和服務器供電和冷卻比每個小型家庭或袖珍設備更實用，如果所有重要數據都存儲在設備中，用戶不必擔心設備丟失或損壞。

但是，連接速度是一個問題，尤其是在一直來回發送大量數據的情況下。畢竟，請求在互聯網上傳播數百公里比在 CPU 內傳播幾毫米需要更多時間——隨著處理速度的提高，這個問題變得越來越重要。對此的部分解決方案是邊緣計算，其中設備訪問位于用戶附近的存儲和處理能力。邊緣計算設備可以處理所有處理和數據存儲，或者它們可以充當網關設備，在將數據發送到云存儲之前對其進行處理。許多設備發送大量數據進行實時分析的物聯網將不得不依靠邊緣計算來減少延遲。5G 無線通信可以通過提供比 4G 更大的帶寬和更短的延遲來幫助實現這一點，很可能 5G 將主要用于物聯網設備，而不是智能手機和臺式電腦等個人設備，4G 可能對大多數用戶來說仍然足夠，除了極端游戲玩家。借助云計算和邊緣計算，您的設備只需要具有足夠的處理能力來處理最常見的日常任務，而處理使用的高峰則外包給外部服務器。當然，這需要更多地依賴連接穩定性，而當數據離開建筑物時，安全性總是較弱。您的設備只需要有足夠的處理能力來處理最常見的日常任務，處理使用高峰外包給外部服務器。當然，這需要更多地依賴連接穩定性，而當數據離開建筑物時，安全性總是較弱。您的設備只需要有足夠的處理能力來處理最常見的日常任務，處理使用高峰外包給外部服務器。當然，這需要更多地依賴連接穩定性，而當數據離開建筑物時，安全性總是較弱。

最終，我們必須問一個典型用戶真正需要多少處理能力。除了最需要圖形的電腦游戲，今天一臺使用了 5 年的舊電腦可以輕松處理大部分需要做的事情，無論是在家里還是在工作中，而且憑借 TB 的容量，存儲空間已不再是問題大多數用戶。很難想象我們將需要比當今高端設備提供的更高的屏幕分辨率。現實的虛擬現實很可能在十年左右的時間內通過個人設備實現，即使當前處理能力的進步緩慢——任何滯后都可能是連接不良的結果，而不是處理速度慢的結果。創建能夠處理大多數人工任務的人工智能（我們覺得讓人工智能處理很舒服）可能更多的是設計問題，而不是處理能力。

編輯：黃飛