廖恒罕见露面：摩尔定律只死了一条腿——18层宝塔、昇腾十年与「做密/做松」的路线分岔

来源 B站 BV1nB3u6tERu张小珺商业访谈录 × WAIC AI 会客厅嘉宾廖恒发布 2026-07-25时长 04:37:52逐字稿 3.0 万字

一句话概括这期访谈：芯片产业的上限不由最炫的那一层决定，而由最短的那层锁死——这就是廖恒的「18 层宝塔」。当摩尔定律的经济性在 16nm 之后失效、当单卡纸面参数注定追不上，破局的办法不是把一块芯片做得更强，而是把问题重新定义：用上层的小时级软件迭代反向校准下层，用光互联的超节点把「堆机柜」换成「铺机房」，用空间换供电与散热的灵活性。

PART 01三十年一轮回：为什么越成功的上层，越容易压死底层

廖恒把全球半导体近四十年的产业史，概括成「两条纵线 + 若干横波」。这是理解后面所有判断的地基。

纵线一：处理器

约 1984–86 年起，IBM PC 把桌面办公终端做大，随后进入企业 IT 服务器。人类进入数字世界后，全球基础设施以 CPU 为中心。约 2005–2006 年起 AI 掀起新浪潮——仍属这条线的延伸与突变。

纵线二：通信与连接

电话线 modem → 宽带 → 光纤，城市间、国家间干线；移动网络与星链构成 wireless infrastructure。智能手机一度消耗全球半导体 60%–70%。

横波：狂热 → 夕阳 → 再狂热

约 2005–2015 年前后，硅谷 VC 几乎不投芯片创业Broadcom 模式代表的是「成熟利润公司并购重组、降本提效」的收割逻辑。

反直觉命题

为什么互联网之后会有 10–15 年日落期？恰恰是某些上层极度成功 → 形成垄断 → 反过来压制底层芯片的创新与利润。

他给出的这条因果链，是整场访谈里最有解释力的部分，也最能直接换算到今天：

图 1：上层越垄断，底层越凋零——这是过去十年那场「日落」的真正原因

PART 02摩尔定律没有死，死的是它的「经济性」

这是整场访谈里被引用最广、也最容易被误读的一条判断。廖恒的原话非常精确：死掉的是摩尔定律三条腿里的那一条。

约 7nm 甚至 16nm 之后，每个晶体管的成本不但没变便宜，反而变贵了——摩尔定律的「经济性」维度已经失效。性能维度提升也极小。目前唯一仍有收益的，是能效（每次翻转消耗多少 pico/femto joule）。

维度	过去五十年	现在（约 7nm 后）	结论
经济性	晶体管成本持续下降，撑起电子产品数十年反通胀	单位晶体管成本不降反升；台积电 3nm 晶圆比 5nm 贵一倍多，2nm 还要再翻	已失效
性能	晶体管更小 → 更快	近年提升很小。翻转速度受 RC 制约：线细则电阻变大，近年电阻变差、电容未明显变好	边际递减
能效	更小的「水桶」翻转能耗更低	仍有清晰收益，也是中国与先进工艺差距的主要落点	仍有效

最有价值的不是这个结论本身，而是他给出的换题方法：

「不能再用纳米这种长度的尺度去描述它，应该要用原子的数量去描述。换一道题——从空间尺度换到时间尺度（一秒能做多少次运算）和能量尺度（每翻转消耗多少焦耳）——也许答案就不一样。」

—— 廖恒

他用「捕鼠器」来反驳「只要复现台积电就能赢」的想法：1900 年美国专利局长曾建议取消专利局，理由是「该发明的都发明完了」——但捕鼠器专利至今仍有成百上千种，机电教科书的第一页就列着十种灭鼠法（化学毒、机械夹、高压电……）。问题定义 + 有效解法 + 经济性 + 可重复，这四件事合起来才叫工程。而复现别人，第一并不需要，第二你也不具备同样的 context 与先决条件。

PART 0318 层宝塔：为什么黄仁勋的「五层蛋糕」不够用

这是本场访谈最具原创性的框架，也是最容易被当成修辞而忽略其实质的一条。廖恒认为差别不在颗粒度粗细，而在两套完全不同的切面：

黄仁勋的五层蛋糕：产业价值链

能源 → 芯片 → 基础设施 → 模型 → 应用。关心的是谁在这条链上赚什么钱。他不提矿石、光刻、wafer——那些层早被台积电、ASML、应用材料解决了，从来不是英伟达要担心的事。

廖恒的 18 层宝塔：制造物理链

矿石 → 器件设计 → wafer 制造 → 工艺制程 → 堆叠 → 芯片架构 → 编译器 → 软件 → 应用。关心的是一个芯片怎么从沙子变成能跑 DeepSeek 的东西。因为被断供后这条链上每一层都可能断。

图 2：塔不是用来数的，是用来安排「迭代节奏」的

这张塔图的真正用途不是分类，而是换算：底层一次改动 18 个月、2–3 亿人民币；上层软件可以小时级迭代。所以正确的打法只有一个——用上层的快速试错反向校准下层的设计方向。

8:1 与 32:1：一个「微观到没人这么描述过」的差别

为了让 co-design 不再是口号，廖恒给了一个可以立刻验证的例子——向量算力与矩阵算力的配比：

类比角色	硬件单元	英伟达 Blackwell	昇腾
重体力活（矩阵乘法）	Tensor Core / Cube	32	8
精细活（门控、稀疏选择、归一化、激活、排序）	Vector 单元	1	1
配比	—	32:1（别墅，可以浪费）	8:1（公寓，必须精算）
匹配的计算范式	—	稠密暴力派：每个参数都算一遍	稀疏精细派：先挑再算

DeepSeek 的巧合正在这里：MoE 稀疏激活每一步只唤醒约 1/32 的参数，「挑哪些参数参与」本身消耗的是 vector 算力。这条路径恰好落在 8:1 的昇腾上跑得动，而在 32:1 的 Blackwell 上，反而是 32 个大力士等 1 个精细工挑完再开工。

「我们的芯片恰好是 Blackwell 四分之一的规格，但是在跑 DeepSeek 的时候好像也还可以——这就是 co-design。」

—— 廖恒，并补充「我必须给梁文锋热烈鼓掌」

他给出的理由是先验者的价值：梁文锋不是等到五年后算力穷途末路才被动应对，而是在大家还在卷参数时就主动选择了更难收敛的算法路径。顺着这个观察，他还给了一条管理学判断：问题的定义本身就占了约 80% 的 credit，真正找到具体解法只占 20%。

PART 04昇腾十年：从「盲猜」到「可检验」

这场访谈之所以被称作「海思第一次开口」，是因为它第一次把 910 到 950 之间那四五年怎么从盲猜走到可被证伪讲了出来。

910

有世界最先进的逻辑工艺，却没有方向

拥有当时最先进的工艺条件，但对 AI 生态、模型与应用方向一片迷茫——「世界亦迷茫」。想到训练，但那个市场几乎不存在；退一步想在耳机、手机等边端找变现；没有人预见到后来大模型推理与 AI coding 会变成产业。此时的架构设计，本质是盲猜。

断供

恐惧、好胜心，以及看不见的保供

团队大约 5%–10% 去找新出路，八九成骨干反而被激发出解题热情。「可能再过几个月就彻底造不出芯片，整个商业闭环要断掉」的压力，被少数能顶的领导封锁在小范围内。他还提到一件几乎没人知道的功绩：中国的 5G 建设没有断供、没有明显推迟——背后是把大约五千到一万块单板全部重做换件、快速重回量产。「没出事」被当成了理所应当。

950

条件极苛刻，但终于可以打磨

停滞的 4–5 年里，算法侧大模型全面爆发：LLaMA 等开源把模型「扒开裸体」给了架构师微观设计依据；DeepSeek、千问、视频多模态持续开源；自驾与手机业务闭环给出真实反馈。推理爆发后部署一两个月就发现——decode 阶段算力没那么关键，内存带宽极其重要。通信颗粒度也量出来了：原以为要搬 1MB，实际常搬 7–8KB（大鹅卵石填箱留缝，要用细沙和水填满）。

这一段里最能改变实务判断的，是他给「和模型公司协作」划的三个等级：

等级	工作量	寿命与复用	是否可人力跨越
推理适配	最低	约半年到一年，可复制部署	可以
生产型训练	约为推理的 3 倍（还要补反向算子）	随模型迭代重来	大规模训练仍可人力跨越
研究迭代	数十名算法人员每天改代码	持续	必须靠更先进的编译栈。

他的判断是：第三层「未来大约一年内」会部分到达。这也是为什么 CANN 必须一边做 legacy（一对一保护 CUDA 生态能力，服务高校长尾教学），一边做先进性（服务少数生产调优者——对他们而言每卡吞吐直接等于收入，极致提升 10% 吞吐就是 10% 收入）。

「哪个更难——是纳米级的物理，还是超过 CUDA 的生态？我说是超过 CUDA 更难。因为这等于改群体的习惯，就像说服所有人放弃微信去用一个新的 IM。而芯片大约 70% 的要素在自己手里，只有 30% 是物理约束。」

—— 廖恒

这也是他解释「为什么开源不难决定」的方式：人与人的沟通带宽极低（说话约几十字每秒，约 kbps 量级），而芯片互联可达 TB/s 量级。在一条本来就极窄的 channel 上再装一扇 NDA gate，交付一个复杂技术体系的成本会被成倍放大。开源等于把代码摊开，减少口舌对齐的成本——顺带也利于 AI 辅助编程吃到语料。

PART 05「做密」还是「做松」：两条算力路线何时撞墙

这是全场最锋利的一段——他把两条路线之争从商业选择，上溯到了物理约束。

图 3：不是谁更聪明，而是各自选择了不同的物理约束去规避

「你以为在买 GPU，其实主要是在买内存」

按当前成本结构，一颗 AI 加速器约 80% 的成本来自 HBM，真正花在先进逻辑 die 上的大约只有 10%。所以 AI 芯片的核心竞争力，不只来自逻辑 die 有多先进，更来自它能匹配多少高带宽内存、整个内存系统有多先进。

—推理才是决定性的那一半。训练是 cost center，推理是 profit center；而推理 decode 阶段，「算力没那么关键，内存带宽极其重要」。

—七年前就埋下的伏笔。他很早意识到「与其卖算力，不如卖高带宽内存」，并成立了专门部门；即便如此，当内存暴涨十几倍到来时，团队仍觉得准备不够。

—μ?s 级的拉扯。追求约 1ms 延迟（约 1000 token/s 量级）相对今天 chatbot 的 20–30 token/s，是几十倍的时间压缩——单算子 launch 开销已不可接受，必须 mega kernel / kernel fusion。

—界面被重新打开了。Hennessy & Patterson 说「Computer Architecture = software 与 hardware 之间的 interface」。CUDA 那道防护墙正在相对消解，DeepSeek 等工作建立的新界面变得关键。

而被忘掉的物理事实：光为什么不能用混沌的方式塞进去

NPO（Near Package Optics）案例是整场访谈里工程直觉含量最高的段子，也最能说明「做松」不是偷懒：

必须光，但不能一步到位。超节点把芯片拉远就只能用光；HiOne 7.2T 光模块（市面常见约 0.8T，约 9 倍）放在芯片边上约 1–5cm，去掉面板侧数十厘米电缆的「八爪鱼」。
不塞进 package 里。旁侧千瓦级发热会让折射率随温度巨变，激光器也更容易失效。
光源放里面并做冗余。坏了还有一个；但绝不把高功率光源放外面再分 72 路——72 倍能量热点极易烧坏，那就不是光模块而是切割机了。
依据来自约 2008–09 年的跨界学习。他预感电 IO 的距离迟早不够，赴欧洲暑期班学光芯片。折射率、温度、激光器失效、每次耦合零点几 dB 的损耗——这些都是「高中物理级的事实」，却常被产业争论忘掉。

PART 06人才、算力与「工程师的手艺」

访谈的后半段从芯片回到了人。这一段最值得记录的原因，是它和当下所有关于「AI 会不会取代程序员」的讨论正面冲突。

「软件可以十分钟写一段，立刻编译运行。芯片 18 个月才按一次按钮，一次错误或烧掉数亿人民币。一皮秒的 timing、一根线都不能错。」

—— 廖恒

怎么长成一个芯片人

天才博士不够，必须做过芯片。模块到子系统通常要 18–20 个月，而且要经历多次完整的投片、验证、量产周期。首要是靠谱、负责、严谨——听起来不性感，但很底层。

「喇叭口」要张开

fabless 在大约第 7 层，就必须理解第 6 层和第 8/9 层，还能跟算法对话。多问「兆瓦散热要多少面积」这类跨层问题，久而久之就能预测对方下一步会怎么做。

算力真的缺吗

高校往往远比海外充裕（国家实验室万卡级 vs 国外一系仅数百至千卡）。企业里真正有价值的团队一般也拿得到算力。反例：DeepSeek 以千卡级实现了极高突破，说明算力不是大模型的主瓶颈。

「八大件」缺一不可

CPU/NPU、内存、SSD、网卡、交换机、光模块……缺一件，十万卡甚至二十万卡的系统就会被 legacy 拖垮。以太体系要做到世界第一梯队无代差，同时自 2019 起做灵衢——并把协议 license-free 公开。

三次「悲观的错误判断」：全篇最锋利的自我复盘

他当年的判断	理由	后来
反对做 ARM 服务器 CPU（后来的鲲鹏）	x86 生态太强，除非便宜到 1/3 或性能 3 倍	今日 ARM 服务器在云上预计可超 x86，中国每年百万级部署
反对昇腾早期做训练卡	2016 年中国互联网还没开始自训模型，主张做能卖出去的边缘产品	数据中心收入规模远大于边缘
低估数据中心的爆发式需求	看好边沿、不看数据中心	完全相反

张小珺点破了这三件事的共同特征——都是基于悲观预期做选择。他坦然承认这与自己亲历美国芯片行业衰退有关，「也许训练了我一种首先看到事情不行那一面的习惯」，也承认华为领导的格局比他大得多。这段复盘真正值钱的地方在于它证明了一件事：连顶级架构师的先验认知都不可靠，所以组织必须留出被现实纠错的通道。

PART 07哪些判断要先打折：一份诚实的边界清单

⚠️ 五条需要先打折再看的结论

「约 80% 成本来自 HBM」是成本结构的经验比例，会随型号、时点与供应链剧烈波动；把它当成普适定律会误判。
「做密第四代大概率不行」是物理推演，不是实测结论。他本人给出的措辞是「也许还能做 1–3 代」，属于趋势判断。
「100 平米公寓」的类比说明了约束，没有说明结果。8:1 是架构选择，而非工艺被迫；把「受制裁」直接等同于「8:1」会漏掉他反复强调的主动设计成分。
这场访谈有大量第一人称回忆（PMC 出售价、流片命中率、5G 保供单板数量等），多为口述历史，缺少可核对的第二方证据。
产业格局判断带有明确立场。他本人是华为 Fellow，关于「中国道路」的表述应以他给出的可证伪标准为准——看 fabless / 代工 / 内存 / 封装的财报能否经济闭环，而不是口号。

PART 08如果只带一句话走

1分清「我卖了什么」和「我买到了什么」。采购 GPU 很大程度上是采购内存；单论纸面算力会系统性误判总拥有成本。

2把一层的选择翻译成相邻层的成本。co-design 的本质不是口号，是为方便别人而主动牺牲自己那层的一些指标。

3底层少按按钮，上层放开迭代。18 个月 vs 小时级，这个比例差决定了试错应该放在哪一层。

4不要同时冲击二十个物理极限。每项 99% 连乘之后成功率会明显下降，挑五个高价值的就够了。

5警惕那条自身经验造成的悲观。他三次误判的共同特征是——用过去行业的衰退，去想象一个新行业的上限。

SUMMARY一张表带走：六个核心判断及其依据

#	核心判断	她/他引述的依据	可信度
01	上层越垄断，底层越容易凋零	产品定义到用户手里约 3 年，「我的日历在 2030，客户生活在 2026」；PMC 被 Broadcom 模式清盘	高（机制清晰）
02	摩尔定律死的是经济性，不是全部	16nm/7nm 后单位晶体管成本不降反升；只剩能效仍有收益	高（行业公认）
03	18 层宝塔，上限由最短的那层锁死	第 4 层改动＝18 个月＋2–3 亿；第 10–13 层小时级迭代	高（框架自洽）
04	8:1 遇稀疏化＝co-design 的最佳案例	vector/cube 配比；DeepSeek 每步只唤醒约 1/32 参数	中高（含巧合成分）
05	「做密」有物理天花板，「做松」是受限条件下的解	N² vs N 的 gap；单机柜功耗四年到兆瓦级；（他自承这是趋势推演）	中（推演非实测）
06	超过 CUDA 比造纳米级芯片更难	改群体习惯的类比；人和人沟通带宽 vs 芯片互联带宽的差序	高（经验充分）

Key Points 总结

两条纵线 + 若干横波：处理器线 × 通信线；上一轮上层垄断造成的八年日落，是本轮最该被警惕的剧本。
摩尔定律只死了一条腿：经济性失效，性能边际递减，只有能效仍在兑现——这就是「换考题」的窗口。
18 层宝塔不是分类学，是节奏表：底层慢、上层快，用上层的快速试错反向校准下层。
稀缺的不是专家，是能纵向贯通的人——「像一根线把珍珠串成项链」。
竞争力在内存：约 80% 成本在 HBM，推理 decode 阶段带宽比算力更关键。
「做松」的物理依据：算力随面积平方增长，而 IO/供电/HBM 只沿周长线性增长。
三次误判的共同特征：基于悲观预期做选择——这是全篇最有复利价值的一段自我复盘。

参考资料： ① B站视频《对华为半导体首席科学家廖恒的 5 小时访谈》BV1nB3u6tERu，张小珺商业访谈录 × WAIC AI 会客厅，2026-07-25 发布；
② 公开流传的两份完整访谈整理稿（主线 11 章结构稿 + 18 层宝塔专题对话稿），本文在此基础上按视频官方简介 OUTLINE 的七章重组；
③ 视频简介 OUTLINE 章节时间轴（00:02:08–04:16:45），用于本文开头的对照；
④ B站开放接口 x/web-interface/view 提供的时长、封面与发布信息。