摩爾定理即将失效，計算機将何去何從

1965 年 Gordon Moore 觀察到，密集內建電路中的半導體數量每 18 個月就會翻一番（他後來修改為兩年），進而提高了處理能力。1968 年，摩爾繼續與羅伯特諾伊斯共同創立了英特爾，他的觀察成為英特爾在半導體晶片上取得成功的動力。摩爾定律作為創新指導存在 50 多年這一事實令摩爾本人感到驚訝，在2015 年的一次采訪中，他描述了與進一步小型化相關的幾個潛在障礙：光速、材料的原子性質和不斷增長的成本.

盡管如此，技術人員已經内化了摩爾定律，并且逐漸習慣于相信計算機速度每 18 個月翻一番，正如摩爾 50 多年前觀察到的那樣，直到最近幾年，這都是沒問題的。然而，摩爾定律正在變得過時。

什麼是摩爾定律？ 摩爾定律觀察到密集內建電路中的半導體數量大約每兩年翻一番。

首先，一點背景知識：CPU（中央處理器）執行基本的算術運算。微處理器在單個內建電路上內建了 CPU 的功能，該內建電路本身由半導體組成。如今，CPU 是具有數十億個半導體的微處理器（由單個電路組成）。例如，Xbox One 有50 億。

第一個 Intel 微處理器 Intel 4004 有 2,300 個半導體，每個半導體的大小為 10m。截至 2019 年，大衆市場上的單個半導體平均為 14 納米 (nm)， 2018 年有許多 10 納米型号進入市場。英特爾設法在每平方毫米上封裝了超過 1 億個半導體。最小的半導體達到 1 nm。它不會比那小得多。

光速是有限的、恒定的，并且對單個半導體可以處理的計算數量提供了自然限制。畢竟，資訊的傳遞速度不可能超過光速。目前，比特是通過電子穿過半導體來模組化的，是以計算速度受到電子穿過物質的速度的限制。電線和半導體的特征在于電容C（存儲電子的能力）和電阻R（它們抵抗電流流動的程度）。随着小型化，R上升而 C下降，執行正确的計算變得更加困難。

随着我們繼續使晶片小型化，我們無疑會遇到海森堡的不确定性原理，它限制了量子水準的精度，進而限制了我們的計算能力。 James R. Powell 計算出，僅由于不确定性原理，摩爾定律将在 2036 年過時。

另一個慢慢扼殺摩爾定律的因素是與能源、冷卻和制造相關的成本不斷增長。建構新的 CPU 或 GPU（圖形處理單元）可能會花費很多。制造新的 10 納米晶片的成本約為 1.7 億美元，7 納米晶片的成本接近 3 億美元，5 納米晶片的成本超過 5 億美元。這些數字隻能随着一些專門的晶片而增長。例如，NVidia在研發上花費了超過 20 億美元來生産旨在加速 AI 的 GPU。

考慮到所有這些因素，有必要在電子和矽制成的半導體之外尋找替代的計算方式。

一種繼續獲得動力的替代方案是量子計算。量子計算機基于量子位（quantum bits），利用疊加和糾纏等量子效應對其有利，進而克服了經典計算的小型化問題。現在預測它們何時會被廣泛采用還為時過早，但已經有一些有趣的例子說明它們在商業中的應用。量子計算最緊迫的問題是将量子計算機從幾十個量子位擴充到成千上萬個量子位。

另一種方法是針對特定算法進行調整的專門架構。由于機器學習的大量需求，該領域發展非常迅速。GPU 已經用于 AI 訓練十多年了。近年來，谷歌推出了 TPU（張量處理單元）來提升人工智能，目前有50 多家公司制造人工智能晶片，包括：Graphcore、Habana或Horizo​n Robotics，以及大多數領先的科技公司。

實際上，FPGA（現場可程式設計門陣列）意味着可以在制造過程之後對硬體進行程式設計。FPGA 最初由 Seiko于 1985 年生産，但不同的可重新程式設計硬體可以追溯到 1960 年代。FPGA 最近開始流行，尤其是英特爾和微軟在資料中心中的使用。微軟還使用 FPGA 來加速Bing 搜尋。與 FPGA 類似的概念是 ASIC，即專用內建電路。最近，它們在加密貨币挖掘方面非常受歡迎。

經典計算的另一種替代方法是用其他東西代替矽或電子。使用電子的自旋而不是電荷産生。自旋電子學的廣泛使用仍處于研究階段，沒有大衆市場模型。科學家們目前也在研究光學計算 ——或者說使用光來執行計算。然而，建構工業光學計算機仍然存在許多障礙。

最後，我們看到越來越多的非矽材料實驗。複合半導體結合了元素周期表中的兩種或多種元素，如镓和氮。不同的研究實驗室也在測試由矽鍺或石墨烯制成的半導體。最後但并非最不重要的是，一些研究人員正在探索生物計算，使用細胞或 DNA 作為內建電路，但這與任何工業用途相去甚遠。

為了超越摩爾定律，我們需要超越電子和矽的經典計算極限，進入非矽計算機時代。好消息是有很多選擇，從量子計算到石墨烯等奇迹材料，再到光學計算和專用晶片。可謂是條條大路通羅馬。