摩爾定律走到盡頭：技術奇點還遙不可及
曾幾何時，世界彷彿由較大顆粒組成。天空中雨水從厚重的雲層中傾瀉，擋住陽光。人體看似完整而堅實，沒有人能證明它並非如此。古代煉金術士熔煉礦石時，誤以為水銀和銀有關聯，因為它們外觀相似。
我們知道宇宙趨向無序，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、粒子加速器和核能技術，這些都離不開電腦晶片的推動，而晶片本身亦越來越精密。
電腦基本上是利用電路——一連串精密連接的導體或半導體元件，進行大量運算。早期的穿孔卡片透過打孔形成電路連接，就像用特定手指彈奏鋼琴鍵或接通電話線路般。隨著電子學的發展，我們對這些微小結構的理解越來越深入，幾乎難以想像。
1960年代半導體大熱時期，英特爾共同創辦人戈登·摩爾（Gordon Moore）發表演講指出，晶體管尺寸正以相當穩定的速度縮小，並預測集成電路上元件數量將約每兩年翻倍。這就是後來被稱為「摩爾定律」的概念，當時他預計這趨勢會持續約十年，卻意外延續數十年，成為全球電腦科學的基本法則之一。但摩爾定律並非嚴格規則，而是經驗法則。
近年來，科技界開始討論「摩爾定律的終結」。晶體管尺寸已逼近物理極限，無法再繼續縮小，因為它們仍需有效連接、可量產且成本合理。
摩爾悖論？
麻省理工學院的查爾斯·萊瑟森教授指出，摩爾定律早於2016年已停止生效，因為從2014年14納米技術到2019年10納米技術的進展用了五年，遠超過摩爾定律預期的兩年。
然而，這與2025年企業大力推銷的技術願景形成強烈對比。像OpenAI這類公司聲稱生成式人工智能將改變生活、節省時間、取代大量人力。風險投資者借此吸引資金，而微軟甚至強制員工在工作中使用生成式AI。
面對晶體管無法再縮小的瓶頸，製造商只能製造更大規模的電腦，並優化其他元件效率，這已是當下的解決方案，但這並非長遠之計。就像羅馬帝國末期的領導者，無法靠薄薄的「糖霜」維持乾燥的蛋糕，計算元件不能無限擴散。
富有的科技樂觀主義者則寄望於AI奇點，追求人工通用智能（AGI），即能像人類一樣思考，甚至超越人類能力的AI。這一刻被稱為AI奇點，他們希望加速這一進程，迎來類神般的AGI。
可預測性
電腦邏輯有一條基本原則：若放慢速度並細看，可以預測程式的每一步。電腦運作由演算法控制，資訊以位元（即微小電信號）形式在中央處理器中傳遞，層層編碼，最終呈現遊戲、影片或文件。
人腦在某種程度上也是電氣機械。美國國家標準與技術研究院（NIST）將人腦計算能力估算為每秒千萬億次運算，但只需20瓦電力。相比之下，世界頂尖超級電腦需要百萬倍電能才能達到相同性能。
雖然人腦可能在充分理解其結構和影響因素時可被預測，但它與電腦的抽象數學設計截然不同。加州理工學院指出，思考時腦內神經網絡會整合感官資訊、情緒、習慣、記憶和情境，做出決策。這種複雜的交互遠超當前電腦模型。
我們甚至不清楚許多抗鬱藥如何在腦中起作用，亦難以預測某句話或光線角度如何喚起回憶。要完全理解人腦，還有漫長路要走。
計算能力的限制
即使我們能建造出相當於百萬個人腦計算能力的超級電腦，摩爾定律終結帶來的限制仍不可忽視：體積大小、所需能源、儲存、散熱等問題。解決這些問題的方案都不簡單。
AI支持者寄望核融合能源解決電力問題，但核融合發電尚未實現商業化，至少還需數十年。太空技術如戴森球構想，能收集恆星能量，但目前只是科幻，缺乏實際可行方案。
量子計算也被視為未來AI發展的突破，但目前仍處於實驗階段，需要極低溫且無消費級產品，製造過程繁複。
這些方案距離實用至少十年，甚至百年或千年。當下風投炒作的未來圖景，尚未有成熟技術支撐。
AI的（百萬億次運算）時代
在AI領域，目標多樣，包括藥物發現、天文研究等。人工通用智能（AGI）是一個特定且更具挑戰性的目標。公眾對「人工智能」一詞的理解混淆，導致討論混亂。
筆者認為AGI距離實現還很遠，儘管部分專家如谷歌DeepMind和帝國理工的Shanahan教授認為較接近。但OpenAI的Sam Altman對技術細節認識不足，常以模糊言辭搪塞。
Altman曾提出用戴森球解決AI能源需求，但這種構想忽略了現實能源分配的不均，全球仍有數億人無法穩定用電。戴森球距離人類文明遙不可及。
案例分析：YInMn藍色
許多所謂「人工智能」其實是複雜演算法，幫助電腦快速測試大量組合。人腦難以做到，但電腦擅長。
2024年化學家Mas Subramanian透露，利用演算法尋找新分子並非易事。例如YInMn藍色擁有罕見雙錐晶體結構，非普通四面體或八面體。這種細節對結果影響巨大。
演算法往往只能根據現有資料提出建議，缺乏真正創新能力。很多建議需人工篩選，許多無法立即實現。突破性發現來自未知，這正是演算法無法預測的。
回歸摩爾定律
摩爾定律終結的觀察，與摩爾當年提出時一樣重要。它讓全球製造商調整產品、研發和市場策略。但隨著晶體管接近物理極限，我們將面臨一個技術空白期，暫時找不到新範式取代現有晶片架構。
如今，像Sam Altman這樣的人會對外宣稱已掌握奇點的基石，但正如《音樂之人》劇中所言，賣給你的初號長號不代表你已是紐約愛樂首席。專家們的嚴謹研究與公眾的炒作截然不同。
Shanahan教授在一篇論文中指出，類大型語言模型（LLM）與人類運作本質不同，應避免擬人化語言，保持謹慎態度。
Altman的戴森球言論與此形成鮮明對比：我們連建造足夠大電腦的基礎都還沒掌握，談何奇點？
編者評論
這篇文章深刻揭示了科技界長期存在的「幻想與現實」差距。摩爾定律曾是半導體行業的燈塔，指引著技術進步的節奏，但今時今日，它的終結提醒我們，單靠晶體管縮小已無法持續推動計算性能飛躍。
同時，商業推手與科技樂觀主義者對AI奇點的描繪，往往忽略了實際物理、能源和工程的巨大挑戰，甚至將科幻幻想當作近期可及的目標。這種過度炒作不僅誤導公眾，也可能導致資源錯配，阻礙真正基礎研究的進展。
從科學理論到實踐工程，每一步都充滿挑戰。人腦的複雜性和不可預測性提醒我們，AI要達到真正的通用智能，尚需跨越巨大的認知與技術鴻溝。量子計算、核融合、太空能源等方案雖有潛力，但不應被視為短期內解決方案。
對香港及全球讀者而言，這是一次重要提醒：面對AI和科技的未來，我們需要理性審視科學現實，避免被誇大不實的「奇點神話」迷惑，更應推動可持續且務實的科技發展路線。唯有如此，才能真正迎接科技帶來的福祉，而非淪為炒作的受害者。
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。
🎨 Nano Banana Pro 圖像生成器｜打幾句說話就出圖
想畫人像、產品圖、插畫？SSFuture 圖像生成器支援 Flux 同 Gemini Nano Banana Pro 改圖 / 合成， 打廣東話都得，仲可以沿用上一張圖繼續微調。
