过去六十年，全球信息产业几乎都建立在摩尔定律之上。它所代表的核心逻辑非常简单：通过不断缩小晶体管尺寸，提高芯片集成度，从而持续提升算力并降低成本。正是这一规律，推动了个人电脑、移动互联网、云计算乃至人工智能的发展。

然而，随着芯片工艺进入纳米尺度，经典半导体工业开始遭遇物理极限。量子隧穿效应、漏电问题、热耗散瓶颈不断显现，晶体管已难以像过去那样持续缩小。与此同时，先进制程的研发与制造成本却在指数级攀升，导致“更先进工艺=更低成本”的逻辑逐渐失效。摩尔定律本质上从来不是自然定律，而只是一个阶段性的产业经验规律，如今它正在不可避免地减速。

更关键的问题在于，人工智能时代真正消耗的已不仅是“计算”本身，而是数据搬运。传统计算机遵循冯·诺依曼瓶颈架构，内存与处理器物理分离，大量能耗浪费在数据传输过程中。尤其在大模型时代，参数规模从百亿迈向万亿后，“移动数据”甚至比“执行计算”更加昂贵。过去依赖单纯堆叠晶体管提升性能的道路，已经难以支撑未来智能系统的发展。

在这样的背景下，华为提出“韬定律”，其意义并不仅仅是提出一种新的芯片口号，而是代表了一种计算范式的转变。

如果说摩尔定律关注的是“如何制造更多晶体管”，那么韬定律关注的则是“如何让整个系统更高效地协同工作”。它强调的不是单一芯片性能，而是软硬件协同、异构计算、存算融合、网络调度与算法优化之间的整体效率提升。换句话说，后摩尔时代的核心竞争力，不再是局部器件的极限微缩，而是复杂系统的整体组织能力。

这一变化非常像工业文明向复杂系统文明的转型。过去的信息产业更像标准化流水线，通过统一架构和规模化制造获得性能提升；而未来的计算系统则越来越像一个动态协同网络，需要不同架构、不同硬件和不同算法共同完成任务。华为提出“韬定律”，本质上是在后摩尔时代重新定义算力增长方式：不再依赖单点突破，而是依赖系统级优化。

发表于Nature Machine Intelligence的一项研究，恰恰揭示了未来计算发展的方向。研究人员提出了一种基于随机电阻存储器阵列（RRAM）的回声状态图神经网络（ESGNN）系统，通过软硬件协同设计，大幅提升图机器学习的效率。

传统芯片中，存储与计算是分离的，而新型忆阻器结构则让“存储本身参与计算”。这意味着数据无需在处理器与内存之间频繁搬运，从而显著降低能耗并提高并行能力。这种存算一体的思路，实际上与人脑神经系统极为相似。大脑中的突触既负责信息存储，也参与信息处理，并不存在严格意义上的“CPU”和“内存”。

用于图学习的基于随机电阻存储器阵列的回声状态图神经网络的硬件-软件协同设计

更具革命性的地方在于，这项研究不再试图消除硬件中的随机噪声，而是主动利用随机性进行计算。研究团队利用电阻器击穿中的天然随机性实现随机投影，并通过回声状态网络减少训练复杂度。实验结果显示，该系统不仅能效提升数十倍，反向传播复杂度甚至下降了99%以上。

协作网络的分类

这意味着，未来AI计算的发展方向，可能并不是“越来越精确”，而是“越来越接近自然系统”。计算机开始从传统的确定性机器，逐渐演化为一种具备概率性、动态性和类脑特征的复杂系统。

近年来围绕量子计算的竞争，也进一步说明了计算范式正在发生深刻变化。2019年，Google曾宣布实现所谓的量子霸权，认为53量子比特“悬铃木”处理器完成了经典超算无法承受的随机采样任务。中国科研团队通过张量网络、稀疏态表示和低秩近似等方法，不断缩小甚至超越了谷歌量子硬件的优势。研究人员利用GPU集群与新的张量网络缩并算法，大幅降低了经典模拟复杂度。这件事的真正意义，并不只是“谁赢了量子竞赛”，而是揭示了一个更深层现实：

决定未来计算能力的，不一定只是硬件规模，更可能是信息结构本身。

无论是图神经网络、张量网络还是量子模拟，其共同特点都在于：通过更高效的信息组织方式降低复杂度。未来计算的关键，可能不再是无限堆叠算力，而是如何利用稀疏结构、低秩表示和概率动态，更高效地驾驭复杂系统。

这也解释了为什么现代AI、量子计算和复杂物理系统之间开始出现越来越多的交叉。人类正在从“机械式计算”走向“复杂系统计算”。

从更深层次看，“从摩尔到韬”的变化，其实代表了人类对“计算”理解方式的改变。

工业时代的计算机更像钟表：强调精确、稳定、线性和可预测；而未来的计算系统则越来越像自然界中的复杂系统，例如天气、神经网络乃至量子世界，强调的是概率性、动态性、随机性与涌现行为。这也是为什么今天越来越多前沿研究开始汇聚于图神经网络、神经形态芯片、存算融合、张量网络、量子计算以及混沌动力学等方向。它们看似分散，本质上却都在指向同一个目标——让计算机更接近自然系统的运行方式。

将看世界的视角缩小到最小，可以看到量子力学的世界，比如这个氢原子的图像

而“韬定律”之所以引发广泛关注，还在于它具有鲜明的中国意义。

过去几十年，全球半导体产业长期遵循的是西方工业化路径，其核心是依靠先进制程、晶体管微缩和资本密集型制造实现性能提升。这种模式的底层逻辑是“单点极限突破”：谁能率先掌握更先进工艺，谁就能主导产业链。

但进入后摩尔时代后，这种路径正在遭遇瓶颈。先进制程的成本急剧攀升，单纯依赖工艺迭代已越来越难以换取算力的指数增长。在这样的背景下，中国计算产业反而更早意识到，未来竞争的关键可能不再只是“制造最先进芯片”，而是谁能够在系统层面更高效地组织算力。

因此，“韬定律”背后体现的其实是一种典型的系统工程思维：

通过软硬件协同提升整体效率；

通过网络与集群调度释放分布式能力；

通过异构计算弥补单一架构短板；

通过算法优化降低对极限工艺的依赖；

通过能效优化提升复杂系统的持续运行能力。

这种思路，与中国长期在通信、电力、超算、高铁等复杂基础设施领域形成的大规模系统协同能力高度一致。中国擅长的并不仅是单个器件，而是超大规模复杂系统的整合与调度。

从这个意义上说，“韬定律”并不是对摩尔定律的简单替代，而更像是后摩尔时代的一种新发展路径：当晶体管微缩逐渐逼近物理极限后，人类开始从“器件竞争”转向“复杂系统竞争”。

这也意味着，未来算力竞争的核心，可能不再是谁拥有最多的晶体管，而是谁能够最有效地驾驭复杂性、组织复杂性，并最终让整个计算系统像自然界一样，以动态协同的方式持续演化。

某种意义上，人类正在从“工业时代计算”迈向“自然时代计算”。而“韬定律”的真正价值，也许正在于它第一次系统性地提出：未来计算能力的增长，不一定来自更小的晶体管，也可能来自更聪明的系统。