从摩尔定律到Scaling Law

一、PC时代的基石：摩尔定律（Moore's Law）

1. 核心定义与权威来源

• 提出时间：1965年
• 权威来源：英特尔（Intel）联合创始人戈登·摩尔（Gordon Moore）发表于《电子学》（Electronics）杂志的文章。后于1975年修正。
• 核心假设：集成电路上可容纳的晶体管数目，约每隔18-24个月便会增加一倍；或者说，微处理器的性能每隔两年提高一倍，而成本下降一半。

2. 产业意义：硬件降本增效的"确定性算术题"

在过去的半个多世纪里，摩尔定律并不是一个物理定律，而是一个产业经济学定律。它是整个IT行业（尤其是Wintel联盟）制定长期战略的依据。

软件开发者（如微软）敢于开发极其消耗系统资源的软件，因为他们确信两年后硬件性能会自动跟上；半导体巨头（如台积电、英特尔）敢于投入上百亿美元建设晶圆厂，因为他们知道芯片必然走向微型化、廉价化，最终普及到全球数十亿人的桌面上和口袋里。

摩尔定律的终极演进方向是"向下/微缩"，它直接促成了算力普惠与信息平权。

二、AI时代的信仰：规模法则（Scaling Law）

1. 核心定义与权威来源

• 提出时间：2020年（首次系统化确立）
• 权威来源：
  • OpenAI团队发表的开创性论文《神经语言模型的规模法则》（Scaling Laws for Neural Language Models, J. Kaplan等，2020年1月）
  • DeepMind在2022年发表的著名的"Chinchilla论文"（Training Compute-Optimal Large Language Models），进一步完善了参数量与训练数据量之间的最优比例
• 核心假设：只要按比例持续增加算力（Compute）、数据量（Data）和模型参数量（Parameters），AI模型的性能（交叉熵损失的降低）就会呈现出可预测的线性（在对数坐标下）提升。

2. 产业意义：从"炼金术"到"工程学"的跨越

在Scaling Law被验证之前，深度学习研究很大程度上被戏称为"炼金术"，研究员依靠微调架构和碰运气来提升性能。

Scaling Law的确立，彻底改变了AI的游戏规则——它给出了商业上的极度确定性（大力出奇迹）。这正是为什么微软、谷歌、Meta等硅谷巨头如今敢于每年砸下数百上千亿美元，清空英伟达（Nvidia）GPU库存、建立超大规模数据中心的原因。因为他们确信：只要投入足够的资金和算力，GPT-4升级到GPT-5必定能换来智力的跨越。

Scaling Law的终极演进方向是"向上/变大"，它直接催生了"智能涌现"（Emergent Abilities）。

三、深度对比：两大定律的同质性与差异

四、行业展望：当定律触碰天花板

任何指数级增长的定律最终都会面临现实的挑战：

1. 摩尔定律的现状

随着芯片制程逼近3纳米、2纳米，受限于物理极限和极紫外（EUV）光刻机的技术天花板，摩尔定律事实上已经大幅放缓。PC和智能手机行业因此步入"性能微创新"的存量博弈时代。

2. Scaling Law的隐忧

业界目前最大的焦虑在于"Scaling Law还能生效多久？"。据著名AI研究机构Epoch AI的预测报告指出，人类高质量的文本数据可能在2026-2028年左右被大模型"消耗殆尽"（Data Wall）。此外，维持超庞大算力集群的电力供应（Power Wall）以及天文数字的研发成本（资金墙），正成为制约AGI诞生的新阻碍。

结语

"PC的基础假设是摩尔定律，AI的基础假设是Scaling Law"——这是一个极具穿透力的商业洞察。

摩尔定律保证了"计算能力"的确定性增长，将人类推向了信息时代的高峰；而Scaling Law则正在保证"机器智力"的确定性增长，它是人类叩开通用人工智能（AGI）大门的最强工程学武器。

看懂了Scaling Law，也就看懂了今天这场大模型军备竞赛的底层逻辑。