摩爾定律的終結與科技奇點的未來展望
曾幾何時，我們認為世界是由較大顆粒組成的。雨水從看似不透明又蓬鬆的雲塊中落下，這些雲層還會遮擋陽光。人體看似封閉且堅固，當時沒有人能證明它其實並非如此。甚至當煉金術士熔煉礦石時，也認為水銀必與銀有關，因為兩者外觀相似。
我們明白宇宙趨向無序，但我們對宇宙的認知卻越來越細微。更高解析度、更強放大能力、電子顯微鏡、粒子加速器、核能技術……而這一切的技術發展，都離不開電腦晶片的推動。晶片本身在某種意義上，也變得更「高解析度」。
電腦基本上利用電路—一套精心設計的導電或半導電元件連接—來進行大量的計算。早期的穿孔卡片（晶片的前身）透過孔洞連接電子電路，類似用特定手指彈奏鋼琴的某些音符，或連接老式電話總機的電話線。但如今，我們對電子學的理解已細微到難以想像的程度。
1960年代，半導體產業蓬勃發展，英特爾共同創辦人戈登·摩爾（Gordon Moore）在一次演講中觀察到，晶體管的尺寸以相當穩定的速度縮小。1958年發明的集成電路讓設備不再需要一個接一個裝置晶體管，而是將大量晶體管整合於一塊晶片上。
摩爾展示了一張著名的圖表，顯示集成電路上元件數量隨時間呈指數成長，預測1962年至1970年間，每兩年元件數量會翻倍。他當時預測這趨勢可持續約十年，直到1975年。然而，摩爾定律遠遠超過原先的十年預測，成為全球電腦科學的「教條」（儘管它從未是硬性規則）。
摩爾定律的終結與物理極限
近年來，計算業界與學者開始討論摩爾定律的終結。晶體管無法無限縮小，因為物理定律限制了其最小尺寸。這些微小晶體管仍需與其他電路元件有效溝通，且必須具備大規模生產的可行性與成本效益。
麻省理工學院（MIT）電腦科學與人工智能實驗室指出，摩爾定律自2016年起已告終止。以英特爾為例，從14奈米技術（2014年）進展到10奈米技術（2019年）耗時五年，遠超兩年預期。
然而，這與2025年企業宣傳的技術願景形成反差。OpenAI等公司承諾生成式人工智能將改變生活、節省時間，甚至取代多個行業的勞動力。風險投資者憑藉這些承諾吸引資金，微軟更強制員工在工作中使用生成式AI。
面對晶體管縮小速度放緩，業界透過打造更大型的計算機及提升機器效率來應對，但這並非長遠之計。正如羅馬帝國末期的領導者無法改變衰敗趨勢，電腦硬件也無法無限擴散。
富有者或科技樂觀主義者寄望於快速發展AI，以期建立防範機制避免AI失控。這類人追求人工通用智能（AGI），即具備人類思維並由億萬台電腦增強的超強AI。當AGI超越人類智慧時，便是所謂的「科技奇點」。AI樂觀派希望加速這一時刻的到來。
可預測性與人腦的差異
電腦邏輯的核心在於，若將運算過程放慢並細致觀察，理論上可預測程式的每一行為。傳統演算法嚴格控制資料傳輸，每一個位元的電信號都在中央處理器（CPU）中被精確操控。這些位元逐級組合成遊戲、影片或文件。
人腦在某種程度上也是電氣裝置。美國國家標準技術研究院（NIST）表示，人體大腦的運算能力相當於每秒10^18次運算，但只需20瓦功率。相比之下，世界頂尖超級電腦「橡樹嶺前沿」耗電量是其一百萬倍。
然而，人腦與電腦設計迥異。早期電腦為機械裝置，零件直接連動；但細胞並非機械，生物運作更複雜。加州理工學院（Caltech）指出，大腦運作依賴神經網絡整合感官、情緒、記憶等資訊做決策。每個人的大腦經歷獨特，難以用單一框架完全理解。
我們仍無法完全解釋常用抗抑鬱藥物如何在大腦發揮作用，也無法預測某句話或光線會觸發什麼回憶。因此，距離全面理解大腦還有很長路要走。
計算能力的限制與未來技術挑戰
即使擁有與人腦相當或百萬倍計算能力的電腦，也不保證能產生意識或自我感知。這點對於想打造「AI看護者」的工程師尤為重要，他們希望AI能掌握整個人類歷史。
摩爾定律終結後，科學家面臨的最大挑戰是「尺寸」。不論是能源需求、儲存、處理還是散熱，保持電腦運作都需要大量空間。雖有若干解決方案，但都不易實現。
AI支持者寄望核融合能解決能源問題，但核融合尚未達到能量正產出階段，距離商用仍有多年。
太空科技如卡爾達肖夫尺度理論，規劃將整個行星或恆星能量用作計算，但這仍是科幻，無現實基礎。量子計算雖被視為突破，但目前仍處於初期階段，需極低溫環境，無消費者產品可用，且需專家手工組裝。
因此，真正可行的替代方案可能還需十年、百年甚至千年才能實現。當前風光的AI願景多屬未來夢想，現實中核融合、量子計算、戴森球等技術尚未成熟。相較之下，氣候變化與全球能源危機卻是迫在眉睫的現實。
AI的算力時代與現實挑戰
人工智能涵蓋廣泛領域，從新藥開發到遙遠星系探索。AGI是其中一個特定概念，但公眾對「人工智能」的認知混淆不清。
筆者認為AGI仍遙遠，儘管Google DeepMind及帝國理工學院的學者尚納漢（Murray Shanahan）認為較接近。尚納漢的著作對科技奇點做了深入探討，但OpenAI的薩姆·阿爾特曼（Sam Altman）似乎對技術細節掌握不足，常以模糊言論回避問題。
阿爾特曼曾提議以戴森球包覆太陽系來解決AI能源問題，然而地球上仍有超過七億五千萬人無電可用，戴森球更是科幻產物，建造成本與資源需求遠超現實。
案例分析：YInMn藍色
許多人工智能應用是結合高度發達的演算法與電腦的高速運算能力，能快速篩選數以億計的組合。這在尋找新分子如YInMn藍色這類新顏料時尤為有效。
化學家馬斯·蘇布拉馬尼安（Mas Subramanian）指出，演算法在分子發現上仍有局限。晶體結構如YInMn藍的雙錐形結構非常特殊，機器學習無法真正創新，只能基於現有資料進行推測，許多建議需人類專家篩選。
回歸摩爾定律的意義
摩爾定律作為工程基準的終結，對當代產業仍有指導意義。它基於數據與供應鏈的現實，幫助製造商調整產品與研發方向。隨著晶體管接近物理極限，我們面臨一個現實：短期內沒有替代現有計算架構的新範式。
如今，像阿爾特曼這樣的人士賣力推銷科技奇點的「基石」，但正如《音樂人》故事中，賣第一支長號的人不應承諾你紐約愛樂第一小號位置。專家們對AI的真實評估更謹慎，強調大語言模型與人類思維本質迥異，提醒公眾避免過度擬人化。
總之，我們甚至尚未掌握打造足夠巨大計算機的技術，更別談戴森球這類科幻構想。現實的挑戰依然是能源、物理極限與技術成熟度，而非空泛的未來願景。
—
評論與啟示
這篇文章深刻剖析了摩爾定律的歷史、其物理極限以及對科技奇點追求的影響，為我們揭示了當前人工智能發展背後的真實挑戰。從中我們可見，科技界與公眾的認知存在巨大落差——企業與投資者熱衷於描繪未來的美好藍圖，但實際科學與工程進展遠沒有那麼迅速。
尤其值得關注的是，AI的發展並非只是算力的競賽，而是涉及能源供應、材料科學、物理限制與人類智慧的複雜交織。量子計算和核融合等前沿技術雖被寄予厚望，但距離商用仍遙不可及。
此外，人腦與電腦的本質差異提醒我們，模擬人類意識或情感的AI遠比運算速度更具挑戰。當前AI系統仍是高度專業化的工具，距離真正的通用智能還有很長的路。
對香港甚至全球讀者而言，這提醒我們在面對科技浪潮時應保持理性與批判精神，不應被過度炒作迷惑。同時，也應關注能源與環境問題，因為這些才是支撐未來科技發展的根基。
未來的科技創新需要跨學科合作，更需要社會的審慎規劃與資源投入。只有正視現實挑戰，才能在科技奇點真正來臨時，迎接一個可持續且有益於人類的未來。
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
