59年前,1965年4月19日,英特尔公司联合创始人戈登·摩尔(Gordon Moore)应邀在《电子》杂志上发表了一篇四页短文,提出了我们今天熟知的摩尔定律(Moore’s Law)。
就像你为未来的自己制定了一个远大但切实可行的目标一样,摩尔定律是半导体行业的自我实现。虽然被誉为技术创新的“黄金法则”,但一些事情尚未广为人知…….
1. 戈登·摩尔完善过摩尔定律的定义
在1965年的文章中,戈登·摩尔提出,在未来十年内,芯片上的晶体管数量将每年翻一番。1965-1975年半导体技术的发展情况印证了他的预测。1975年,他将他的预测调整为芯片上的晶体管数量将每两年翻一番,而成本只会略有增加,形成了如今的摩尔定律。

2 摩尔定律是对半导体技术创新趋势的预测
摩尔定律是戈登·摩尔对半导体技术的观察和对未来发展的预测,而非物理定律或自然规律。
摩尔定律之所以能一直持续,是因为一代又一代半导体人坚持不懈的探索。
3. 持续创新是摩尔定律的精神所在
对半导体行业而言,摩尔定律像一面旗帜,引领着整个行业不断探索全新技术。摩尔定律体现了以技术创新持续推动算力指数级提升的信念。
持续创新正是摩尔定律的精神所在。英特尔CEO帕特·基辛格表示:“在穷尽元素周期表之前,摩尔定律都不会停止。”
4. 摩尔定律为数字化世界奠定了基础
在过去的五十多年里,摩尔定律一直在推动半导体行业发展。作为算力的载体,半导体是信息技术发展的基石,因而摩尔定律为我们所处的这个日益数字化、智能化的世界奠定了基础。
摩尔定律为制造速度更快、体积更小、价格更实惠的晶体管提出了要求,带来了计算机、互联网、智能设备的快速迭代,驱动了各种数字化应用的蓬勃发展。
5. 摩尔定律仍在持续
虽然业界有众多讨论,但摩尔定律仍然在很好地延续着。目前,单个设备中的晶体管数量为数十亿,英特尔预计,到2030年,单个封装中集成的晶体管数量将达到一万亿。这一增长节奏仍然符合摩尔定律。
6. 晶体管微缩仍有创新空间
推进摩尔定律的传统路径,把晶体管做得越来越小,终有一天将会走到尽头,但目前而言,制程技术的创新空间还有很大。

英特尔将于Intel 20A和Intel 18A两个节点开始采用RibbonFET全环绕栅极晶体管架构和PowerVia背面供电技术,开启半导体制程的“埃米时代”。接下来的Intel 14A将采用High-NA EUV(极紫外光刻)技术。英特尔也在探索互补场效应晶体管(CFET)架构和直接背面触点等更先进的背面供电方案。
7. “系统工艺协同优化”将驱动摩尔定律的下一波浪潮
英特尔认为,摩尔定律的下一波浪潮将依靠名为系统工艺协同优化(STCO)的发展理念。
系统工艺协同优化是一种“由外向内”的发展模式,从产品需支持的工作负载及其软件开始,到系统架构,再到封装中必须包括的芯片类型,最后是半导体制程工艺。系统工艺协同优化,就是把所有环节共同优化,由此尽可能地改进最终产品。
8. 先进封装技术正成为延续摩尔定律的关键技术
先进封装技术的发展,如英特尔的EMIB 2.5D和Foveros 3D封装等技术,可实现芯粒的高带宽连接,从而让每个特定功能的芯粒都可以基于最合适的制程技术打造,提升芯片的整体性能并降低功耗。

英特尔也在探索基于混合键合的下一代3D先进封装技术,有望将互连间距继续微缩到3微米,实现准单片式芯片,即与一整块大芯片相似的互连密度和带宽。
9. 材料创新将助力摩尔定律的延续
玻璃基板通过封装材料的更新,大幅提高基板上的互连密度,助力打造高密度、高性能的芯片封装。
英特尔还在探索过渡金属二硫属化物等2D通道材料,可用于CMOS晶体管关键组件,有望进一步微缩晶体管物理栅极长度。
10. 推进摩尔定律,还有更多可能性
超越CMOS的新型器件和神经拟态计算、量子计算等有望大幅提高性能、降低功耗的全新计算范式,也将为摩尔定律的延续开辟新的空间。
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。