摩尔定律主打在芯片空间维度做文章,靠缩小晶体管尺寸、在同样面积里塞更多器件来提升算力,现在工艺逼近物理极限,空间内卷越来越难走;韬定律换了一条思路,不再死磕单位面积的晶体管数量,转而从时间维度挖掘算力收益,通过调度、复用、时序优化、软硬件协同,在同样硬件上拉高有效算力利用率,二者代表两种芯片产业增长路线,一个是依靠先进制程的空间路线,一个是依靠架构与调度优化的时间路线,也是当下算力行业讨论后摩尔时代发展方向的核心两组参照规律。
过去几十年芯片产业增长的主线一直跟着摩尔定律走,不断推进 EUV、更小线宽,但是量子隧穿、散热、制造成本、良率问题持续抬升,单纯缩尺寸的收益快速衰减,也就是常说的摩尔定律放缓。韬定律正是在这个背景下被提出,它的核心假设是算力提升不再只依赖硬件微缩,算力的释放取决于数据、模型、硬件之间的时间匹配,通过任务调度、流水线、算子复用、存算协同等方式减少空闲等待,把硬件本身闲置的算力挖出来,算是对摩尔定律放缓后的一种补充增长范式。
一、摩尔定律、韬定律核心参数对比表
| 对比项 | 摩尔定律 | 韬定律 |
|---|---|---|
| 增长维度 | 空间维度(单位芯片面积) | 时间维度(硬件运行周期、任务时序) |
| 核心手段 | 晶体管微缩、先进制程、堆叠工艺 | 时序调度、算力复用、软硬件协同、存算优化 |
| 算力提升来源 | 硬件器件密度提升 | 硬件利用率提升,减少算力空转浪费 |
| 依赖条件 | 光刻设备、材料、晶圆制造工艺 | 芯片架构、编译器、调度算法、大模型负载匹配 |
| 成本特点 | 越往后制程流片成本指数级上涨 | 侧重软件与架构优化,边际成本相对更低 |
| 适用阶段 | 过去数十年,制程红利期 | 后摩尔时代,物理微缩接近瓶颈阶段 |
二、两条路线落地实现路径
- 摩尔定律路线
- 迭代光刻方案,持续缩小晶体管特征尺寸;
- 采用 3D 堆叠、Chiplet 封装,在封装层面增加器件数量;
- 升级材料、晶体管结构(GAA 等),维持密度提升;
- 流片、验证、量产,推出新一代芯片硬件。
- 韬定律路线
- 梳理模型算子,做算子融合、缓存复用,减少重复计算;
- 优化任务调度,让计算单元、存储、互联尽量不空闲;
- 软硬件联合设计,模型结构适配芯片流水线时序;
- 动态负载调度,根据任务优先级分配算力资源,降低等待时延。
三、二者的关系清单
- 不是互相替代:韬定律不否定摩尔定律,是摩尔红利衰减后的补充路径;
- 可以叠加使用:先进芯片(摩尔路线)再配上优秀调度架构(韬路线),收益最大化;
- 瓶颈不一样:摩尔定律卡物理、制造、资金;韬定律卡算法、编译器、负载适配;
- 产业侧重不同:摩尔路线主导晶圆厂、光刻产业链;韬定律更偏向架构、AI 编译、算力平台厂商。
四、路线局限说明
- 摩尔定律:不是彻底失效,只是增速大幅放缓,每一代制程带来的性价比提升越来越弱;
- 韬定律:有天花板,硬件利用率不可能无限接近 100%,业务负载波动、数据依赖都会带来上限;
- 韬定律目前更多是行业范式总结,不像摩尔定律有长期可量化的成熟统计周期。
综合来看,摩尔定律是 “往一块芯片里塞更多晶体管” 的空间内卷模式,韬定律是 “让硬件单位时间产出更多有效算力” 的时间破局模式,在后摩尔时代,算力增长大概率是两条路线并行推进。
【常见问题】
问题 1:摩尔定律与韬定律的底层逻辑最核心差别是什么?
回答 1:摩尔定律与韬定律的底层逻辑差别是增长维度不同,摩尔定律走空间路线,靠提高芯片晶体管密度提算力;韬定律走时间路线,靠优化时序调度、算力复用,提升硬件利用率。
问题 2:韬定律出现之后,摩尔定律是不是就没有价值了?
回答 2:并不是,韬定律和摩尔定律属于互补关系,韬定律是后摩尔时代的补充思路,先进制程带来的硬件基础依然重要,摩尔定律与韬定律可以叠加在一起放大算力收益。
问题 3:遵循韬定律的时间破局路线,能不能完全不用先进制程芯片?
回答 3:不行,韬定律的时间破局是在现有硬件基础上做效率优化,遵循韬定律的方案依然需要芯片硬件载体,只是不再单纯依赖摩尔定律的制程微缩来获取算力增长。
【数据来源】
[2026-11-15](从空间内卷到时间破局:摩尔定律与韬定律的底层逻辑对比)半导体行业观察
[2026-11-15](后摩尔时代:摩尔定律放缓,韬定律带来算力新范式)机器之心
[2026-11-14](韬定律详解:跳出空间维度,从时间维度定义算力增长)智东西
[2026-11-14](Moore’s Law vs. Tao’s Law: two paths for compute scaling)IEEE Chips Journal
【免责声明】
本文仅整理摩尔定律、韬定律相关行业公开观点,韬定律属于产业范式探讨概念,尚未形成业界统一标准定义;两种规律对应的技术路线落地节奏、收益上限受光刻工艺、芯片架构、AI 负载等多重因素影响;本文不构成芯片投资、算力项目选型建议。
