# 49: 3nm 是谎言？光刻工厂真能造芯片？与汪波聊芯片行业那些流传的误解 晚点聊 LateTalk · 2023-10-25 本期《晚点聊》邀请《芯片简史》作者、北大深研院教师汪波，澄清芯片行业流传的误读：制程数字只是命名标签，3nm芯片里没有任何真实3nm尺寸；7nm与3nm相隔两代，因EUV光刻机这道坎，实际差距可能超过四年，苹果3nm芯片性能仅提升约15%，手机体验差距更小。汪波指出摩尔定律并非物理定律，而是从成本出发、靠“我要赚大钱”欲望维系的行业号召，1975年由每年翻倍修正为两年，如今已放缓到三年甚至更久；冯·诺依曼架构下的内存墙，也让CPU的峰值性能常因数据搬运而空耗。回顾历史，英特尔原本主营DRAM，1971年发明CPU时只有2250个晶体管，曾差点被格鲁夫放弃，后来在日韩DRAM冲击下转为以CPU为主业；GPU1999年诞生，凭并行计算在AI时代爆发，但不会取代CPU，谷歌TPU和各类NPU等更专用芯片也难以撼动英伟达CUDA生态。汪波以美国空军1965年买下全美20%芯片、日本“超大规模集成电路”计划为例，说明政府扶持与市场自由都不可或缺，而中国半导体需在设备、EDA、人才等全链条推进。他总结，芯片比原子弹更复杂，因为它还要经受市场考验，应在敬畏技术规律的同时保持耐心，把“弯道超车”的期待转化为具体发明。 ## Questions this episode answers ### 3nm制程是什么意思？芯片上的尺寸真的有3nm吗？ 汪波说，3nm并不是晶体管上真有一个3nm的尺寸；在7nm工艺中，实际栅间距是54个纳米、金属间距是40个纳米或者36nm，都远大于7nm。早期制程指栅极宽度，2000年后栅长无法按每代缩小0.7倍，7nm、14nm就变成了标签，不是实际尺寸。 [3:30](https://latetalk.podhood.com/5592d4a7-fb53-4121-bda9-cb0b9ce78aa7?t=210000) ### 苹果3nm芯片和华为7nm芯片的差距有多大？ 汪波说，从7nm到3nm隔了两代，按摩尔定律约四年；现在摩尔定律已放缓到三年一代，就是六年，从5nm起还要跨过EUV光刻机这道坎，实际时间可能更长。但他也提到，苹果3nm芯片在同功耗下性能只比上代提升15%，受内存墙等限制，实际体验差距小于芯片性能差距。 [12:36](https://latetalk.podhood.com/5592d4a7-fb53-4121-bda9-cb0b9ce78aa7?t=756000) ### 清华大学的光刻工厂真的能造芯片吗？ 汪波回应“光刻工厂”的说法时说，那只是一个高能粒子装置，能产生波长很短的紫外光，所以人们联想到光刻机；但未来能否真正应用还要考虑成本、可制造性、可维护性、可靠性。他还提到，现有EUV光刻机体积很大，运输需要4架波音747的货机。 [55:50](https://latetalk.podhood.com/5592d4a7-fb53-4121-bda9-cb0b9ce78aa7?t=3350000) ### 摩尔定律是什么？为什么说它不是物理定律？ 汪波介绍，摩尔定律不是物理定律，而是关于未来趋势的预测和行业的无声号召，最初出发点是为了成本。它1965年提出时是每年翻一倍，1975年摩尔修正为每两年翻一倍，因为三个驱动因素变成了两个；后来“18到24个月”翻倍的说法中，18个月更多指存储器芯片。 [18:49](https://latetalk.podhood.com/5592d4a7-fb53-4121-bda9-cb0b9ce78aa7?t=1129000) ## Key moments - **[0:00] 开场** - **[1:39] 芯片制程** - [2:06] 晶体管数量越多芯片性能越强：布尔代数把算术运算变成逻辑开关运算，需要更多晶体管实现更复杂计算 - [3:30] Q: 芯片的3nm、7nm是真实尺寸吗？汪波：7nm工艺没有任何一个尺寸是7nm，实际单间距约54nm、金属间距36-40nm - [4:43] 14nm、7nm等制程节点早已不是栅极长度或实测尺寸，而是按每代乘0.7延续下来的命名标签 - [7:11] 英特尔在命名上比台积电、三星更诚实：其10nm制程的晶体管密度约等于台积电和三星的7nm - [9:21] 模拟芯片不追3nm：电容、电感可占一半面积，先进制程对模拟芯片面积和速度的收益有限 - **[10:13] 苹果与华为** - [10:57] 航天飞机当年不用更快的486而沿用386，因为386的可靠性已获验证，先进芯片出错概率更大 - [12:36] Q: 华为7nm相比苹果3nm落后多少？汪波：按摩尔定律差两代约四年，但缺EUV光刻机，实际时间可能更长 - [13:26] 苹果从4nm到3nm的性能提升仅约15%，远低于摩尔定律翻倍预期，手机体验差距小于芯片性能差距 - [14:48] OpenAI用GPU训练大模型时集群利用率仅约30%，主要瓶颈是GPU之间卡间通讯 - [16:44] 存算一体是把计算放进存储器的不到十年新技术，中国与国外基本同步 - **[18:49] 摩尔定律** - [18:49] 摩尔定律几经修改：1965年提每年翻倍，1975年改为每两年翻倍，如今实际放缓到三年左右 - [22:25] 摩尔定律本质是成本定律：每两年单个晶体管成本减半；若翻倍周期拉长到三四年，成本优势可能被通胀抵消 - [23:30] 摩尔定律不是物理定律，而是行业自发维系的“无声号召”，推动力还包括工程师“我要赚大钱”的欲望 - **[24:41] CPU 与 GPU** - [25:22] CPU在1971年由英特尔发明时只有2250个晶体管，GPU到1999年才出现 - [25:52] 苹果3nm芯片有190亿个晶体管，AMD 2023年6月发布的CPU有1530亿个晶体管 - [27:53] GPU更适合AI：约90%面积用于计算、CPU只有约25%，且天然支持并行计算 - [30:53] CPU当年用通用设计取代专用ASIC，如今GPU、TPU等更专用芯片又在部分任务上取代CPU - [33:06] 谷歌TPU因太专用、只服务自家搜索业务，无法像GPU那样兼顾挖矿和AI，所以谷歌仍要买英伟达GPU - [34:08] CUDA生态是英伟达护城河：2007年推出后靠高校学生渗透企业，后来者只能兼容CUDA或组联盟 - **[36:43] CPU 与 DRAM** - [38:23] 英特尔差点放弃CPU业务：格鲁夫称会大出血，法金找到交通灯、电梯等应用后才保留下来 - [41:32] DRAM因掉电数据消失被IBM主管否决，两年后成立的英特尔却接受它并最终做成主业 - [43:01] DRAM在1K容量成本降到1美分后，彻底击败了笨重的磁芯存储器 - **[44:42] 政策与市场** - [44:42] 英特尔能从DRAM转向CPU，但移动时代被ARM低功耗处理器分流，AI时代又被GPU分流，难以连续创新 - [47:02] 1965年美国空军一家买走全美20%的芯片，NASA登月和导弹需求是芯片早期最大推动力 - [48:56] 日本超大规模集成电路计划选存储器切入，靠制造纪律和低成本击败美国，但因PC时代技术路线和韩国夹击而衰落 - [51:00] 技术路线 vs 贸易制裁：日本半导体衰落主因是什么？汪波：两者都有，很难分清哪一个最主要 - [52:37] 汪波：政府营造好环境、把资助面放宽就够了，具体哪种技术胜出应靠企业探索 - **[55:50] 光刻工厂** - [55:50] Q: 清华光刻工厂能造芯片吗？汪波：那只是高能粒子装置，能否用于光刻机还要看成本、可制造性、可靠性 - **[57:37] 科普与耐心** - [57:56] Q: 为什么我们能造原子弹却造不出芯片？汪波：芯片除战略性还有市场性，必须持续卖钱投入下一代 - [1:00:47] 汪波引用艾伦·凯：预测未来最好的方式就是把它发明出来；碳基晶体管已研究20多年仍未大规模应用 ## Speakers - **张家豪** (host) - **曼祺** (host) - **汪波** (guest) ## Topics 芯片与半导体 ## Mentioned AMD (company), IBM (company), 三星 (company), 华为 (company), 海力士 (company), 美光 (company), 英伟达 (company), 英特尔 (company), 苹果 (company), CPU (product), CUDA (product), DRAM (product), EUV光刻机 (product), GPU (product), TPU (product) ## Transcript ### 开场 **曼祺** [0:09] 大家好 ， 欢迎收听本期的 《 晚点聊 》。 今天的主播是曼琪 ， 今天的另一位主播是我们科技组的作者张家豪 。 **汪波** [0:17] 呃 ， 大家好 ， 我是 《 晚点 》 科技组的记者张家豪 。 我平时主要关注消费电子 、 半导体 ， 还有人工智能这几块领域 。 **曼祺** [0:24] 今天我们非常高兴邀请到了芯片领域的一位专家 ，《 芯片简史 》 的作者汪波博士 ， 来到 《 晚点聊 》。 汪博士早年曾在法国里昂国立应用科学学院留学 ， 学习集成电路设计 ， 之后先后在华为 、 还有里昂纳米国家实验室和北京大学深圳研究生院从事研究工作 ，有很丰富的半导体的行业经验 。 汪博士 ， 您可以给我们的听众打个招呼 。 **汪波** [0:47] 大家好 ， 我是汪波 ， 嗯 ， 很高兴做客这个 《 晚点聊 》 这个节目 。 那之前呢 ， 我也是节目的一个听众 ， 很高兴今天成为一个嘉宾 ， 跟大家一起来聊一聊关于芯片的一些话题 。 **曼祺** [0:58] 嗯 ，因为我们这次和汪博士沟通的时候 ，他提到有一个很有意思的话题 ， 可以聊一聊芯片行业一些被广泛传播 、 但存在误解和误读的观点与说法 。 那半导体行业本来是一个非常专业的行业 ，不过最近几年因为它作为经济基础设施的重要性越来越凸显了 ， 所以全社会对半导体有越来越多的关注 。 一些泛科技领域的爱好者 ， 可能对这个里面的一些专业问题是有一些误读的 。 那我觉得今天正好就是汪博士有机会可以跟我们讲一讲其中的一些点吧 。 这一期节目中， 我们可能会聊到比较多芯片行业里的术语 、 公司 ， 还有人物 。 如果大家听时有一些疑问或没有听清楚 ， 可以看 show notes， 我们列出了一些相关的名词解释 。 我们觉得可以从一些热点来聊 ， 这样可能听众就是听起来会觉得更有意思一些 。 我们可以先从苹果发的 iPhone 15 这个事儿开始聊起 。iPhone 15 虽然它就是外观看起来跟之前 12、13 都没什么区别 ，但它里面其实有一个很重要的更新 ， 就是它是第一款使用 3nm 的产品 。 ### 芯片制程 **曼祺** [1:56] 呃 ， 我们也可以从这件事情的源头上讲一讲 ， 就是我们平时说的 3nm、7nm、14nm 这都是指什么 ，以及它为什么是可以来衡量芯片的先进程度的 。 **汪波** [2:06] 嗯 ， 好的 。 我想我们的听众呢 ，是想对这个芯片背后的更多的一些有更深的了解 ， 所以我们可能从最基本的源头可以开始讲起 ， 这样大家在更大时间范围内对这件事情有更充分的一个了解 。 那讲到这个芯片的性能 ， 就是它为什么说要这个晶体管数量越多越好 。 那简单的说呢 ， 就是晶体管是用来做计算的 ， 做一个开关的计算 ，0 和 1， 它越多 ， 它的计算能力就越好 。 但其实这个背后有它数学的原因 ， 就是在 19 世纪有个英国的数学家叫玻尔 ，他提出一个叫做玻尔代数的这样一个理论 ， 那就可以把这样的一个算术的计算 ， 比方说 1+1=2 这样一个算术的计算 ， 转换成一个逻辑的计算 ，也就是语运算或者是货运算 。 这样的一个语运算和货运算呢 ， 就非常容易用一个开关来实现 ，也就是用一个晶体管来实现更多的晶体管 ， 才能实现更复杂的一些计算 。 那所以呢 ， 这就一个基本的一个结论 ， 就是晶体管数量越多 ， 它可实现的这个逻辑的运算越复杂 ， 从而实现更复杂的算术的计算 。 这样的话 ， 就可以让我们的计算机的性能越来越高 。 所以晶体管数量越多 ，CPU 就越强大 。 但怎么样让它数量越多呢 ？ 就把晶体管做得越来越小 ， 从早期的几十微米做到 1 微米 ，1 微米以下到几十个纳米 ， 然后再到现在的几个纳米 。 **曼祺** [3:26] 嗯 ， 所以它是数字越小 ， 就是这个芯片大体上来说它是越先进的 。 **汪波** [3:30] 是的 。 这里就涉及到刚才您提到这个主题 ， 就是哪些观点是广泛流传但事实上是错误的 。 这里提到的 ， 比方说最新的是 3nm，但是如果我们真的去解剖开这样的一个 3nm 晶体管 ， 我们会发现没有一个尺寸晶体管的尺寸是 3nm。 它上面的任何一个尺寸 ， 比方说是这个 ， 如果是按 7nm 算 ， 我还记得这个数据 ，7nm 这个数据 ， 单间距是 54 个纳米 ， 然后更小的一个叫金属间距 ，是 40 个纳米或者 36 nm， 不同的厂家可能稍微有点区别 ，但是远远大于它标出来的 7nm。 **曼祺** [4:04] 单间距是什么意思 ？ **汪波** [4:05] 单间距是指两个晶体管之间的一个距离 ， 两个晶体管都有一个控制的一个电极 ， 叫做栅极 。 那从一个栅极到另外一个晶体管的栅极 ， 就是它 ， 就把它压到最密集的这种程度上， 这两个之间的距离 。 这个距离越小 ， 那就可以在一个芯片上塞进更多的晶体管 。 那金属间距也是类似的这样的一个概念 ， 就是这个单间距乘以这个金属间距 ， 你可以认为是一个长方形的长和宽 。 那这个长方形的长和宽就是这个晶体管的占地面积 ， 就占这个芯片的面积 。 所以这两个的乘积就决定了一个晶体管能做到多小 ， 然后决定了一颗芯片长晶体管的密度多大 。 **曼祺** [4:43] 所以我们以往说的 14nm、7nm， 这个指的是单间距还是金属的间的距离 ， 还是指 —— **汪波** [4:49] 呃 ， 对 ， 那我们讲的这个 14nm 其实既不是单间距 ，也不是金属间距 ， 纯粹就是一个名字 。 那这个是怎么由来的呢 ？ 可能要回到这个上世纪 90 年代 。 那个时候呢 ， 我们用一个叫做晶体管的栅长 ， 就栅极的长度 ， 来衡量它的尺寸和大小 。 那这个栅极我刚才讲是用来做控制的 ， 它一般是用金属实现 ， 它是用一根金属线 。 那这根金属线的宽度 ， 就决定了这个加工的一个极限 。 我最小能加工多么窄的一条线段 ， 这是它的加工的一个极限 ， 那就决定了这个晶体管能做多小 。 那所以当时在 90 年代 ， 我们用栅长 ， 实际上是这条金属线的宽度 ， 来衡量这个晶体管的大小 。 那那个时候是 OK 的 ，因为这个按照摩尔定律 ， 就是每两年更新一代 ， 那就要求这个晶体管的尺寸 ， 它的长和宽各缩小 0.7 倍 ， 那乘起来就是 0.49 倍 ， 大概就是 0.5 倍 。 那这样的它面积缩小到 0.5 倍 ， 那如果芯片整体的面积不变 ， 那芯片上的元件数量就可以翻倍 。 所以摩尔定律是这么来的 。 但是到了 2000 年以后， 也就是到了 2005 年左右 ， 这个栅长就没法按照每一代缩小到 0.7 倍这样的节奏继续往下走 。 为什么呢 ？ 因为栅长越短 ， 这个晶体管的发热 ， 它的漏电就越严重 ， 漏电就造成了发热 ， 那些厂商就没法继续按照每一代缩小到 0.7 倍 ， 可能只能缩小到 0.9 倍 、0.8 倍 。 所以我们就产生这种挤牙膏的一种感觉 ， 它的性能提升好像并不是特别的明显 。 但是呢 ， 这些厂商呢 ，他不甘心 ，因为业界已经形成这个习惯了 ， 每一代就是 ， 比方说 10nm 的下一代 ， 它就直接乘以 0.7， 变成了 7nm， 再乘以 0.7， 就是 5nm。 所以呢 ， 它实际上是变成了一种标签 。 那刚才讲到 7nm， 它那个最小尺寸实际上是 36nm。 **曼祺** [6:36] 明白 。 **汪波** [6:37] 对 。 **曼祺** [6:37] 所以相当于到了 2000 年之后， 就这个 7nm、7nm 已经不是个确数了 ， 它以前可能是个确数 ， 后面其实就是一个标签了 ，是吧 ？ **汪波** [6:44] 之前英特尔还搞过这个 14+、14++ 这样的做法 ，但是这个也会导致消费者认为它是在挤牙膏 ， 或者说制程落后， 到后来它也加入到这样一个纳米的这样一个命名规则里了 。 **曼祺** [6:57] 对 ，其实英特尔它的命名还相对台积电和三星来说比较的诚实吧 。 三星和台积电它可能更加的激进 ， 三星和台积电的 7nm 可能只相当于这个英特尔的 10nm， 从晶体管的密度上来讲 。 所以大家对英特尔是有一些误解 ，是吧 ？ 就由于它的宣传策略导致外界认为它可能这个制程是比较落后的 。 **汪波** [7:18] 对 ， 对 。 然后这个是主要是集中在计算芯片这一块 。 然后模拟芯片的话 ， 包括您书里也讲了 ，其实它的制程的衡量的方式是和计算芯片还是有一些区别的 。 对 ， 您可以讲一讲这部分的区别 。 **曼祺** [7:33] 正好也可以给大家科普一下， 就是芯片可能就行业来划分 ， 大概是哪几大类 ， 然后它是怎么去判断这个先进与否的 。 **汪波** [7:40] 嗯 ， 好的 。 那芯片从大的方面来讲 ， 分成数字的芯片 ， 就刚才讲的 CPU 啊等等 ， 那还包括模拟的芯片 ， 模拟射频类的芯片 ， 当然还包括其他的光电类的 ， 或者是功率类的 。 那我们这里刚才您提到模拟芯片 ， 那模拟芯片呢 ， 它跟数字不同的一点呢 ， 就是我们可以把数字芯片当成一个大脑 ， 它只负责处理那些脉冲的信号 ，010 的脉冲信号 。 那但这些数据从哪里来呢 ？ 就要去从外部去感知 ， 去处理 ， 要用一些其他的电路 ， 用来把信号放大 ， 把一些杂波滤掉 ， 把一些噪声滤掉 ， 然后呢 ， 做一些转换 。 因为我们看到的图像 、 听到的声音都是连续变化的 ， 它不是 0101。 那需要把这些连续变化的信号变成 0101 的信号 ， 就涉及到一个数字到模拟信号的一个转换 。 那还需要提供一些时钟信号 ，因为我们数字信号是按照一定的节奏 、 一定的节拍来运行的 。 那这个节拍也是用模拟信号的一个时钟电路来提供的 。此外还有电源啊等等其他的都需要其他电路来给它提供 。 所以呢 ， 模拟电路它关注的并不像数字电路那样 ， 你的性能是每秒钟能做多少次计算 ，而是它自己的 ， 比方说它要放大信号 ， 那就关注增益 ， 关注这个噪声 ， 关注它的精度 。 所以模拟芯片它其实也有这个几纳米的概念 ，但是呢 ，并不是特别追求最先进的这种 3nm 或者 2nm 这样的一个尺度 。 当然越小 ， 它的晶体管速度也越快 ，但是呢 ， 它可能会引起更复杂的设计问题 。此外呢 ， 它的面积也会随着这个工艺节点的进步而逐渐减小 ，但它减小得非常有限 。 因为模拟电路里面除了晶体管之外， 还有电容 、 电感 ， 它们占的面积可能非常大 。 如果你们看过这个模拟电路的版图 ， 就会发现可能一半的面积都是由电容或者电感来占据的 。 所以呢 ， 晶体管的尺寸缩小 ， 对于整体的这个模拟面积的缩小是非常有限的 。 还有另外一点 ， 我们可以缩小这个两个极板之间的距离 ， 通过缩小这个距离也可以让电容增大 ，但是这是有极限的 。 当它缩小到几十个纳米的时候 ， 这个漏电就非常非常的严重 ， 到了一定程度我们就只好停在那了 。 **曼祺** [9:53] 所以它不是商业上没有需求 ，是吧 ？ 它主要还是一个技术本身有瓶颈 。 **汪波** [9:57] 对 ， 对 。 它跟这个数字电路本身技术上特点很不一样 。 **曼祺** [10:02] 嗯 ， 那就回到就我们更熟悉的 ， 比如像 CPU 这些大家比较熟悉的数字芯片 。 像这个苹果 15 的 3nm 芯片也有一个争议嘛 ， 就是大家会说这东西到底有没有用 。 我们自己也做了一个视频 ， 然后里面比较好玩的一个场景 ， 就是前面可能在说这个 3nm 芯片非常先进 ， 它比你在火箭上 ，在一些最先进的武器上用的芯片都要先进 。 ### 苹果与华为 **曼祺** [10:23] 但是我们把它放在手机里面用来干什么 ？ 可能就是看看短视频 ， 什么小猫拜年之类的 。 所以这个东西它是工艺节点越小就越好吗 ？ 以及它到底对我们有什么意义了 ？ **汪波** [10:33] 嗯 ， 对 。 实际上这就涉及到另外一个观点 ， 就是很多人认为就是这个工艺节点越好 ， 它的性能就越好 ， 就会用得越更广泛 。 但实际上我们除了考虑这个性能之外， 还有需要考虑很多非常实际的应用的这个情况 。 比方说刚才您提到航天的领域 ， 那其实在航天飞机上用的这个 CPU 比我们在地面上用的 CPU 还要古老一代或者是几代 。 那早期在八九十年代 ， 这个航天飞机上用的是 386，但是当时普通的消费者计算机上已经使用了 486。 那为什么航天飞机上用落后的 CPU 呢 ？ 是因为在之前 386 已经被认为是可以工作 、 可以可靠的工作了 。 那 486 的性能虽然更好 ，但是它的可靠性还没有经过这种太空环境的验证 。 所以当时的这个 NASA 决定继续用这个 386。 那先进的工艺呢 ， 它会更复杂 ，但是呢 ， 从科学上讲 ， 更复杂的东西 ， 它的出现错误的概率也更大 ， 安全的隐患也更大 。 那另外一方面就是模拟芯片 ， 它可能不需要最先进的工艺 ，因为它自己有它自己特殊的一面 。 除了刚才讲的这个面积的原因 ， 就是模拟芯片的设计 ， 它不是按照这种逻辑计算的方式去设计的 。 它相当一部分是根据人的经验 ， 设计这个晶体管的尺寸 ， 长和宽是多少 ， 然后呢 ， 去搭建出这样的一个电路去仿真 。 所以模拟设计 ， 它更喜欢可能用 28nm 或者更成熟的 45nm 这种工艺 ， 它更符合它之前的设计的习惯 。 对 ， 目前可能大家感知最深的就是这个手机上的芯片 ， 所以大家也习惯用这个最先进的这个制程去衡量其他芯片 。其实真正能用到这么先进制程的设备其实很少 。 然后这个您也可以顺带这个聊聊最近的这一个热点话题 ， 就是华为它终于有了这个自主的 7nm 的芯片 。 然后您可以讲讲就是仅就 7nm 的制程和它和 3nm 的制程实际上的差距可能有多大 。 然后如果落到手机这个场景中， 它能有多大的差距 ？ **曼祺** [12:31] 对 ， 就是我买苹果买华为 ，因为一个是 3nm， 一个是 7nm 嘛 ， 这会有很大差异吗 ？ **汪波** [12:36] 那我先从这个工艺节点上来讲一下它的技术上的差异 ， 然后再讲一下我们实际上体验上的差距 。 那从工艺节点上， 我们刚才说过是每代就是乘以 0.7， 所以从 7nm 下一代是 5nm，5nm 下一代就是 3nm，是差了两代的这个差距 。 那摩尔定律每一代是两年， 所以大概就是四年的差距 。 那这是一个简单的推算 ， 实际上不严谨 。 现在摩尔定律已经放缓到三年左右了 ， 所以就是两代就是六年 。 但这个还是不够准确 ，因为在 5nm 的时候 ， 业界引入了这个 EUV 的光刻机 。 如果你要想从 7nm 卖到 3nm， 你得跨越这个 EUV 光刻机这个坎 。 那现在我们是没有这个 EUV 的 ，而且已经被禁运了 ， 应该也不是短期内立刻就能研制出来 。 哪怕研制出来 ，也需要一定的时间去优化改进 ， 它才能投入大批量的这种生产 。 所以我们这个时间差距有可能会更长一些 。 那是从技术方面去讲的 。 那从我们实际消费的体验来讲 ， 我看这次苹果发布的这个 3nm， 它说性能比上一代的提升了大概 15%， 就在相同的功耗下提升了 15%。 那这个并不是一个很大的提升 ，因为按照摩尔定律 ， 它是应该是翻两倍 ， 对吧 ？ 晶体管数量变成两倍 ， 那性能应该也是两倍 ，但它只提升了 15%。 所以是非常有限的这样的一个提升 。 实际上我们遇到了一个瓶颈 ， 就是很多的计算的一个瓶颈 ， 没有给我们带来很好的体验 。 因为我们现在的结构是这种冯 · 诺依曼的架构 ， 就是 CPU 和内存是分在两个不同的芯片上， 然后靠来回搬移数据来处理这些信息 。 但这个消耗很大的资源和能量 ，但是我们一直没法解决这个 。 尽管 CPU 的能力是在不断的提升 ，但是内存那面供不上这个数据来 ，CPU 这面就空耗着 。 尽管 CPU 本身是非常强的 ，但一直在这空耗 ， 实际上相当于浪费它的资源 ， 或者在有一段时间 ， 或者由于过热等等原因 ， 它必须停下来或者降低频率 。 所以我们测量到的是可能是它的 CPU 的峰值的一个数据 ，但实际上消费的时候 ， 我们消费者在使用的时候 ， 它可能并没有达到它峰值的这样一种体验 。 对 ，其实就是这个数据传输的是另外一个瓶颈嘛 。 之前包括像那个训练大模型的时候 ，GPU 之间的数据传输也是非常明显的一个效率的门槛 。 之前那个 OpenAI 用他们的 GPU 训练集群的利用率大概只有 30%， 就主要就是卡间通讯的瓶颈 。 **曼祺** [14:56] 嗯 ， 对 ， 就是同时使用非常多 GPU 的时候 ， 这个数据搬来搬去导致的效率的损耗 ，是吧 ？ **汪波** [15:02] 对 ， 对 。 然后您顺便也可以讲一下， 就是说随着这制程工艺的提升 ， 然后它带宽或者说这个芯片之间传输的效率也会随之提升吗 ？ 这是两回事 。 就是芯片它本身的这个处理能力的提升 ， 这是它自己就是性能一个提升 。 但是传输的话 ， 涉及到跟其他芯片的一个交互 ， 那涉及到这个传输的带宽 。 那这个带宽的话 ，不一定就随着它同步的提升 。 那所以现在就造成了一个问题 ， 或者叫一个瓶颈 ， 叫做内存墙 。 就我们这个芯片里有很多墙 ，有内存墙 ， 还有功耗墙 、 频率墙等等。 那这个内存墙就是我刚才提到的 ，CPU 和存储之间的传输效率太低 。 那一方面提升工艺可以稍微的缓解 ，因为这个工艺一提升 ， 带动的所有都提升 ， 可以稍微缓解一下这个 ，但并没有从根本上解决这个问题 。 这个根本出在哪里呢 ？ 就是这个冯 · 诺依曼的架构 ， 它要求数据在内存和 CPU 之间来回的搬移 。 所以现在有了一些新的技术 ， 叫做存算一体 ， 就是存储和计算放在一起 ， 就是绝大部分的计算都放在这个存储器里面 。 当然需要改造这个存储器 ， 通过 SRAM 啊或者是其他的这种方式来改造它的存储器 ，在存储器里实现这样的一些计算 。 **曼祺** [16:13] 它这个是硬件上的改造 ， 配合一些软件上的改造是吗 ？ **汪波** [16:17] 对 ， 需要配合软件 ，但主要是硬件 。 硬件就是包括这个芯片的架构 ， 硬件架构的一些升级 。 **曼祺** [16:24] 嗯 ，因为我觉得就是中国普通人比较关注的可能是 CPU 或者 GPU 这种 ， 就单个芯片性能上， 就中美之间会有一些差距 ， 然后可能你也会有一些被限制的地方 。 那像您刚才提到就是这个存储和这个计算之间的传输的这个问题 ， 我们现在是什么水平 ？ 这是一个瓶颈吗 ？ **汪波** [16:44] 那目前呢 ， 这个中美或者是中国和国外的差别并不是很大 ，因为这是一个很新的一个技术 ， 还不超过十年应该是 ， 就是这种存算一体的技术 。 所以中国在这个方面跟国外基本上是同步的这样的一个研究 。 **曼祺** [16:58] 嗯 ， 对 ， 我是看到有些创业公司也是专门做这个的 。 **汪波** [17:02] 对 ，是的 。 半导体行业创投一阵热潮吧 ， 就是投这个存算一体 ， 它是颠覆了那个冯 · 诺依曼的这个非常经典的几十年的架构了 。 **曼祺** [17:10] 对 ，但是这种公司一般都发展挺慢的 。 **汪波** [17:13] 是的 ， 一般的初创的技术 ， 它要跟这些非常成熟的像这种英伟达的 GPU 去直接 PK 的话 ， 它肯定有很多自身的局限 。 但是呢 ， 它可能会突然有一天崛起来 。 **曼祺** [17:25] 而且英伟达应该自己也在做这个事情吧 ？ 比如说 NVLink 是不是就是在做这个事情 ？ **汪波** [17:30] 这个具体的细节我可能不是很清楚 ，但是就是英伟达它自己也要提升它的芯片的这个带宽 ， 所以它在内部做了一些这样的高带宽的这样的一些应用 ， 包括用一些高带宽的内存 ， 就集成在它的这个 CPU。 那这样它就不需要再跑到外面去搬那个数据了 。 对 ， 通过这种类似的方法去加快它的速度 ，但是还不是完全的像那种存算一体 ， 真正的存算一体的这种概念 。 **曼祺** [17:58] 嗯 ， 就是您觉得再往下发展的话 ， 业界是它要继续追求就是我的计算的性能 ， 我到 2nm 甚至 1nm 这种更先进的方向去走 ， 还是说我要先去解决您刚才说的有很多这个墙的问题 ？ **汪波** [18:11] 嗯 ， 对 ， 应该是同时在 。 因为 2nm、1nm 是更多是半导体器件的这些研究者去解决的问题 。 那刚才提到的这些墙 ， 这些内存墙的这些问题 ， 更多是电路架构或者芯片架构的研究的这些人去解决的 。 所以他们是分属两拨不同的人 ，他们应该是分头都会各自去解决各自的问题 。 然后其实您刚才也多次提到这个摩尔定律嘛 ， 然后您也可以从头给大家讲一下这个摩尔定律是怎么回事 。其实因为很多人对于这个摩尔定律的理解 ， 它是一个似是而非的状态 ， 可能就是模糊的理解 ， 就是觉得可能是两年左右这个芯片性能就翻一倍 。 ### 摩尔定律 **汪波** [18:49] 但实际上这个摩尔定律经过了几次调整 ，而且它的这个所描述的这个对象其实也有变化 。 **曼祺** [18:56] 嗯 ， 对 ， 您刚才也提到说最近可能它已经是三年左右了 。 **汪波** [19:00] 对 ， 对 ，是的 。 那摩尔定律提出是 1965 年， 距今已经将近 60 年了 。 那它最早提出来是每年翻一倍 ， 就是每 12 个月翻一倍 。 然后到了 1975 年， 就十周年的时候呢 ， 摩尔在一次会议上把它修正为每两年翻一倍 ，因为当时他觉得遇到了一个瓶颈 。 当时他觉得有三个因素可以促使芯片的规模不断的翻倍 ，但到了 1975 年， 他发现只变成两个因素了 。 所以他认为这个节奏下降 ， 所以就改成两年 。 然后之后的话 。 **曼祺** [19:34] 是哪三个因素变成两个因素了 ？ **汪波** [19:36] 一个是晶圆的尺寸 ， 就是整个那个晶圆片 ， 之前是 2 英寸 ， 后来变成 4 英寸 、6 英寸 、8 英寸 、10 英寸 ， 现在最大是 12 英寸 ，是不断的增加 ， 至少在 1975 年那个时候它看去是不断增加的 。 第二个呢 ， 就是晶体管做得越来越小 。 那这两个他认为会继续下去 ， 这两个趋势 。 那第三个趋势呢 ， 就是在一个晶圆上怎么样通过这种电路设计的方法 ， 让它去安放置 ， 放置出更多的晶体管 。 芯片的规模比较小的时候呢 ， 实际上晶圆上还是有一些空余的面积可以去放置一些晶体管 ， 所以它布局的并不是特别密 。 但到了 1975 年那时候 ，有一款叫 CCD 的存储器的芯片 ， 上面已经是密密麻麻的 ， 都布满了 ， 没有任何空间可以利用了 。 所以这样的话 ， 摩尔就认为通过布线的方式去放置更多的晶体管 ， 已经不会驱使这个芯片的规模继续增加了 。 所以他认为这个因素就失去了作用 。 对 ， 之前我看您书里也写过一个挺有意思的一个事情 ， 就是说有一个摩尔定律的定律是说 ， 每过两年， 不相信摩尔定律的人也翻一倍 。 **曼祺** [20:41] 对 ，是的 。 **汪波** [20:42] 这个确实是摩尔定律到现在几十年了 。 然后那戈登 · 摩尔在今年他本人也去世了嘛 ， 然后大家关于这个事情的讨论 ， 就是有人相信它依然还是非常有效的 。 然后另外有些人觉得摩尔定律现在是行业一厢情愿 ， 就是说比如这个芯片制程 ， 它实际上没有按照摩尔定律去发展 ， 大家就自发的把它叫 10nm、7nm， 让它看起来符合摩尔定律的发展 。 您对于这个摩尔定律 ， 它未来对于这个行业的指导性的这个判断是怎么样的 ？ 嗯 ，其实呢 ， 就是说后来到八九十年代 ，其实有一次提速 ， 尤其到九十年代 ， 甚至比摩尔定律预测的这两年还要速度更快 。 然后呢 ， 尤其是这个存储器的芯片 ，因为存储器它不是那种逻辑单元的设计 ， 就它不需要一些算法呀 ， 然后呢 ， 它布置的非常规整 。 就是一个我们可以想象一个模块用来做存储的 ， 就是那些矩阵 、 单元布置的非常规整 ， 所以它的可以以更快的速率翻倍 ， 所以大概就是 18 个月翻一倍 。 所以后来业界有了一种说法 ， 就是这个摩尔定律会按照 18 到 24 个月的速率翻倍 。其实这个 18 个月更多的指的是存储器的芯片 ，CPU 啊等等其他逻辑面还是按照 24 个月的速度来翻倍 。 但是摩尔本身自从它 1975 年改成 24 个月以后， 它再也没改变自己的说法 ， 就一直是按照两年的速率翻倍 。 如果是我们按照遵循摩尔本人的意愿 ， 那就是 24 个月翻倍的这样的一个节奏 。 接着就回答您的这个问题 ， 就是现在的这个翻倍的速率越来越慢 ， 那到了 2.5 年、3 年甚至更长 ， 那怎么来看待这件事情 ？ 那将来到了四年、 五年的这个翻倍节奏 ， 会不会摩尔定律慢慢慢慢就停下来 ？ 是有可能的 。 但是这个取决于一个什么呢 ？ 就是摩尔定律提出的它的一个根本的出发点是为了成本 ， 从成本的角度来考虑这件事情的 。 就是当芯片的规模增加的时候 ， 成本是单个晶体管的成本或者价格是降低的 。 因为我如果制造的芯片的面积没有变 ，但是呢 ， 这个晶体管的数量翻倍了 ， 那单个晶体管的价格就降为原来的一半 。 所以它的出发点就是降低成本 ， 每两年翻一倍 ， 那成本就降低到一半 。 但是如果是三年的话 ， 那成本就需要三年来降低一半 ， 那四年的话就那降的速率越来越慢 。 我们可以把它换算成每年能降低多少个百分点 。 那如果这个百分点比这个 CPI 的这个物价上涨的这个还要小的话 ， 两者就抵消掉了 ， 对吧 ？CPI 跟这个摩尔定律带来的这个成本的降低就抵消掉了 。 那时候摩尔定律就完全没有成本上的任何优势了 。 **曼祺** [23:16] 嗯 ， 我觉得您刚才说这点很重要 ， 就是说这个摩尔定律它是从成本的角度 ， 它是从商业的角度去提的 。 **汪波** [23:22] 对 。 **曼祺** [23:22] 其实可能关于摩尔定律 ， 我觉得一个很容易引起误解的地方 ， 就它这个名字叫定律 。 **汪波** [23:27] 是的 。 **曼祺** [23:28] 但实际上它并不是一个定律 。 **汪波** [23:30] 对 ， 它并不是一个物理定律 ，并不是像我们讲的牛顿第二定律之类的定律 。 它是一个关于未来的一个趋势的一个预测 。 **曼祺** [23:38] 是一个行业发展的预测 。 **汪波** [23:39] 对 ， 行业发展的预测 。 而且这种预测能够号召大家起来 ， 两年之后就要翻倍了 ， 所以我们提前把这个多少纳米的这个设备啊 、 技术啊 、 制造方面的都准备好 。 那实际上是一个无声的一个号召 ， 按照大家行业都按照这个节奏去前进 ， 都准备好 ， 那整体行业的它的这个整体的成本其实也是最低的 ，而不是大家分头去试 ， 然后盲目的拼在一起可能完全不起作用 。 **曼祺** [24:03] 对 ， 就它除了技术的驱动力之外， 还有很重要的一点 ， 它是一个市场的驱动力 。 **汪波** [24:08] 对 。 **曼祺** [24:08] 嗯 ， 我记得之前看那个芯片战争里面有一段也是关于摩尔定律的描述 ， 我印象还挺深的 ， 就是它有提到说推动摩尔定律进步的不光是科学家和工程师 ， 还有我要赚大钱的欲望 。 **汪波** [24:21] 对 ， 对 ，I want to be rich， 就是这个 Wedela， 就是先从半导体的一个工程师 ，他的一个想法 ， 就是 30 岁之前要挣到 100 万美元 。 **曼祺** [24:30] 对 ， 当年的 100 万美元 。 **汪波** [24:32] 对 ， 就非常多钱了 。 **曼祺** [24:33] 是的 。 我觉得正好我们接下来可以聊聊就是现在这个行业里面可能最有赚钱效应的一个东西 ， 就是 GPU。 ### CPU 与 GPU **曼祺** [24:41] 因为在 AI 热潮之后，GPU 是非常非常火 ， 然后大家都想去买 。 生产 GPU 最主要的厂商也就是英伟达 ， 它今年的股价也是涨了非常多 。 然后另一方面就是当年就是以 CPU 著称的英特尔 ， 看起来它近年一直是在陷入低谷的 。 然后这个里面可能也有一些会被大众误解的一些观点 ， 比如说这个 GPU 到底和 CPU 是什么关系啊 ？ 是 GPU 要取代 CPU 了吗 ？ **汪波** [25:03] 那确实这个英伟达发展非常的迅猛 ，而且它今年 6 月份它的股价第一次达到了万亿美元 ，是第一家超过万亿美元的芯片公司 。 那连英特尔这么著名的公司在过去几十年都没有达到万亿美元 。 **曼祺** [25:16] 但英特尔历史上最巅峰的时候 ， 如果算上美元的升值的话 ， 它有到过类似的水平吗 ？ **汪波** [25:22] 如果按照这个物价上涨 ， 那有可能 。 但从这个数值上来讲是英伟达第一次 。 那 GPU 这个势头非常迅猛 ，其实我们可以比较一下这个 GPU 和 CPU。GPU 的发明稍微晚一点 ，1999 年才发明出来 ，CPU 呢比它早了将近 30 年，1971 年就发明出来了 ，是英特尔这个发明出最早的 4004， 上面只有 2250 个晶体管 ， 那只能做加减乘除 ， 非常简单的一个计算 。 **曼祺** [25:49] 现在苹果的那个 3nm 芯片它是有多少晶体管啊 ？ **汪波** [25:52] 它是 190 亿个晶体管 ，但还不是数量最多的 ， 最多的是 AMD 今年 6 月份推出的一款 CPU， 它的数量是 1530 亿个晶体管 。 **曼祺** [26:02] OK， 从 2200 多个到就都算不上是多少倍了 。 **汪波** [26:06] 对 ，M1 Ultra 也是过千亿呢 。 **曼祺** [26:08] 对 ， 非常非常多 。 那这个数量基本上就是按照摩尔定律在增加 。 到 1977 年， 这个 CPU 有一家我们现在看起来不太有名的一家公司推出了一款叫做 6502 的 CPU， 那用在了苹果的第一款 PC 机上， 就 Apple II。 那到了 1981 年呢 ， 英特尔的 8088 就用到了 IBM 的最早的这个 PC。PC 的概念就是 IBM 在 1980 年代初提出来 ， 用在这个第一台这个 IBM 的 PC 兼容机上 。 那所以这个带动着这个 CPU 就从 80 年代开始就迅猛的发展 。 那到 90 年代就是由于有了这个互联网 ， 那个人电脑大家都要买电脑 ， 然后去通过拨号上网 ， 带动了后来这些 486 啊 、 奔腾啊 ， 那这些 CPU 迅猛的一个发展 。 这是 CPU 大概的一个发展过程 。 那然后到了 21 世纪 ， 那就延续这样的一个过程 。 当然最近年有些放缓 。 那 GPU 呢 ， 我们刚才说是 1999 年发明出来 ， 当时呢这个英伟达在发明 GPU 之前主要是做显卡的 ， 就是电脑上的这个显卡 。 那早期是用在日本的这个世嘉游戏公司的游戏机上， 那需要计算每个像素点该怎么显示 。 那后来到了发明了 GPU 之后呢 ， 它很快又抓住个机会就跟微软合作 ， 用在了 Xbox 上面 。 那然后这个 Xbox 随着 Xbox 销量 ， 这个英伟达呢就又迎来一次很迅猛的一个发展 。 那到后来再后来就是 2010 年以后， 就是它又抓住一次机会 ， 就用在这个挖矿上面 。 那矿机的这个需要很大的这个算力 。 那最近几年就是 AI。 那我们比较一下这个 CPU 和 GPU 这两个 ， 为什么最近几年， 最近十年这个 GPU 的发展好像发展势头很猛 ， 就是因为有了 AI。 为什么 GPU 更适合 AI 呢 ？ 那因为 GPU 它是一种更像是一种专用的用来做计算的一款芯片 。 那 CPU 呢是一种通用的 ， 它除了做计算还要做控制 ， 它相当于一个大管家 。 如果这个有一个很别墅的话 ， 那 CPU 就相当于一个管家 ， 它什么事情都要操心 。 那除了做计算 ， 它还要安排各种去控制各种键盘啊 、 外部设备啊 、 显示啊等等 ， 它都要去操心 。 那 GPU 不一样 ， 它的就像一个十来岁的年轻的孩子 ， 非常喜欢数学 ， 天天做计算 ， 它就专注于计算 。 所以有一个比例大家可以比较一下 ，在 GPU 上可能有 90% 的模块或者是面积都是用来做计算的 ，而 CPU 上只有 25% 的面积是用来做计算的 ，其他是用来做缓存啊 、 做控制等等。 这是一方面 。 那另外一方面就是 GPU 呢 ， 它的计算方式更多是并行的计算 ，因为早期它是用来做显卡 。 你看我们可以想象一个屏幕上所有的这些像素点 ， 那如果是串行的计算 ， 那该是多慢 ，而且是尤其要做成动画的 。 那所以 GPU 一开始就是朝奔着这个并行计算去设计的 。 所以远远的这一点又远远超越了 CPU 的计算速度 。 我们可能用简单的话解释一下并行计算和串行计算的区别 。 **汪波** [29:07] 嗯 ， 好的 。 那串行计算 ， 那 CPU 呢是来源于这个图灵提出了一个叫图灵机 ，在 1940 年代 。 图灵机的一个基本原理呢 ， 就是我想象成有一条无线长条纸带 ，在这条纸带上去做计算 。 那比方说我们先做一个简单的一个加法吧 ， 两位数的加法 。 那我先找到两个个位数 ， 对吧 ， 然后把它放到这个纸带上， 先放第一个 ， 然后再放第二个 ， 然后顺序的去放 ， 然后呢再把它加起来 ， 得数呢放在第三格子上， 然后呢再放十位数的 ， 一个一个这样去放 。 那只要能够放在这条纸带上， 把这个算法写成一条顺序执行的 ， 那这个计算机 CPU 就可以处理任何能够写成算法的这样的一个任务 。 所以这是图灵机非常强大的一个地方 ，但是它的弱点就刚才说的 ， 它是一条无限长的纸带 ， 我们只能顺序的去执行它 。 这就是串行计算 。 那并行计算呢 ， 就是可以想象这个屏幕 ， 每个像素点呢 ， 我需要计算出它是什么颜色的 ， 然后下一步需要变成什么亮度的等等。 那 GPU 呢 ， 它就有很多很多小模块 ， 一个小模块就可能算这一块区域 ， 另一个模块算这一块区域 ， 它是并行的一个处理 ， 它不需要等到上一个点算完之后再计算下一个点 。 **曼祺** [30:17] 但是并行计算是就有些计算它是做不了的 ， 对吧 ？ 可以这么理解吗 ？ **汪波** [30:21] 对 ， 对 ，并不是所有的都可以用并行计算 ，但是像这种图像处理它非常适合 。 **曼祺** [30:26] 然后 AI 刚好也非常非常适合 。 **汪波** [30:28] 对 ，AI 也非常适合 。 我们一个很典型的 AI 的应用就在早期啊 ， 就是识别这个比方说猫的图片 ， 让它识别是猫还是狗或者其他动物 。 那它用的这个 CNN 就是卷积神经网络呢 ， 本身就是一个矩阵 ，不断的用这个在一个点一个点上， 它把它做成一个矩阵 。 那在这个点上和另外一个点上做的计算是完全一样的 ， 都是那种乘加的计算 。 那我可以就可以并行的去处理它 。 **张家豪** [30:53] 对 ， 我觉得这里比较有意思 ， 一个就是 CPU 它刚开始诞生的时候 ， 它就是为了取代当时那个 ASIC 嘛 ， 就是专用芯片 。 它可能用一个芯片能完成多个芯片的一个计算任务 ， 就是通用嘛 。 **汪波** [31:05] 对 。 **张家豪** [31:05] 对 ， 它是通用取代了专用 。 但是到现在然后又有这个更专用的一个芯片来在部分程度上去取代它 。 对 ， 这样的一个发展过程感觉是挺有意思的 。 **汪波** [31:16] 嗯 ，但是呢 ，GPU 当然它有自己的强项 ，但是还是离不开 CPU，因为其他控制部分还是需要 CPU 来完成的 。 只不过我们现在面临的挑战主要是在计算这一块 。 所以 CPU 就有了很大的用武之地 。 **曼祺** [31:29] 嗯 ， 所以它不是一个取代关系 ， 它就是两种东西 。 **汪波** [31:32] 对 ， 对 。 **曼祺** [31:32] 嗯 ， 它是可以互补的 。 **汪波** [31:34] 对 ， 可以互补的 。 **曼祺** [31:34] 然后现在因为整个 AI 的这个需求起来之后， 大家都在扩建数据中心嘛 。 然后数据中心的很重要的一个点就是我要买很多很多 GPU。 **汪波** [31:43] 对 。 **曼祺** [31:43] 但同时我也得买很多 CPU， 对吧 ？ **汪波** [31:46] CPU， 对 ，是的 。 有些芯片上就把 CPU 和 GPU 集成在一起了 。 那像苹果的这个芯片就集成在一起 。 当然有些数据中心呢 ， 它会专门的去买 GPU， 英伟达的这种 GPU。 **张家豪** [31:57] 现在新涌现的这个 TPU、NPU， 然后它和过去的比较传统的 CPU、GPU 的区别是什么 ？ 然后它更能更好的完成哪些任务 ？ 您可以再讲讲 。 **汪波** [32:08] 好的 ， 那刚才我们讲到通用和专用 ， 那其实 GPU 是更专用一些 ，但是呢还不够更专用 。 所以人们就想用做出更适合某一类计算的这样的一些芯片 。 那 GPU 呢是适合计算 ，但是相对来说 ， 比方说我这个谷歌它要处理很多的这种搜索 ， 对吧 ， 搜索啊或者是识别啊这些的 ， 那它就会专门针对这方面的应用去开发更专用的一类 ASIC 芯片 ， 就专用芯片 。 那它叫 TPU， 叫这个张量处理单元 。 那就是专门为它的这个搜索啊或者这类业务去研制的 。 它认为它的效率比 GPU 更高 。 然后呢 ，由于它引入了一些神经网络的一些算法 ， 可以容忍更多的这些错误 ， 计算呢会产生一些误差 ， 单精度啊 、 双精度会产生一些误差 。 但是 TPU 可以通过较低的功耗来完成同样的这样的一些计算 ， 它认为效率会更高 。 这是一种芯片 。 **曼祺** [33:06] 为什么 TPU 到现在好像还是无法和 GPU 竞争啊 ？ 其实谷歌 2015 年就推出 TPU 了 ， 到现在 8 年的时间了 。 但另一方面 ， 谷歌自己它也是需要去向英伟达去买一些 GPU 的 。 **汪波** [33:18] 啊 ， 对 ， 对 ，因为 TPU 更多的是谷歌自己用的 ， 专门为它的这种搜索引擎或者它自己的一些业务来开发的 ， 这样 。 它太专了 ， 就不像 GPU 那种在通用和专用之间好像找到这种平衡点 ， 它既能用在挖矿 ，也能用在人工智能或者用在其他的领域 。 那 TPU 呢就非常的专 ， 就非常适合谷歌的那些搜索啊或者之类类似的业务 。 **曼祺** [33:42] 所以就是它自己的搜索用 TPU，但是它要在它的云上去买 ， 就英伟达的 GPU 再租给别人用 ，是吧 ？ **汪波** [33:48] 对 ， 对 ， 类似的这种 。 **曼祺** [33:50] 嗯 ， 它这里面可能还有一个很重要的点 ， 就是英伟达做的这个软件生态的 ， 就 CUDA 的那部分 。 **汪波** [33:55] 对 ，是的 ， 它非常好的一个生态系统 。 那大家一旦习惯了这样的 CUDA 一个编程开发的系统 ， 就不愿意再尝试其他的 ， 或者不愿意重新学习其他的开发的这样的一个系统 。 所以现在有很多初创的公司 ， 它为了去兼容 ， 它把自己兼容成这种 CUDA 的这种系统 ， 来吸引更多的这种使用者去购买的 。 **曼祺** [34:17] 就兼容成 CUDA 这个系统 ， 它一个是我想知道这个成本有多大 ， 它有多难 ， 另外一个我想知道体验上和我直接用 CUDA 的区别 。 因为之前我们也报道过很多国内的 GPU 公司 ， 包括像必任 ， 然后摩尔 、 慕希这些 ，他们也都是说他们的软件最初是会兼容 CUDA 的 。 但是这个到底开发者它能用起来吗 ？ **汪波** [34:36] 我想就兼容性应该是没问题 ，但是呢这个 CUDA 也会不断的升级 。 所以每次升级肯定是英伟达最先 ， 要抢先走一步 。 那其他跟跑的公司可能要相对慢一步 。 所以它的性能提升不会像这个英伟达的 GPU 那么快 。 **曼祺** [34:51] 那我们有可能在 CUDA 之外重新建一个生态吗 ？ **汪波** [34:54] 这个需要一个 ， 可能不是一家公司的力量 ， 需要一个联盟 。 你得说服很多的这个业界的这个公司来加入到这个联盟里面 ， 可能才能把这个生态做起来 。 **曼祺** [35:05] 现在这个联盟已经存在了吗 ？ 或者有这种迹象了吗 ？ **汪波** [35:08] 好像据我所知还没有 。 **曼祺** [35:10] 我感觉应该要有这种联盟 ， 可能再往下大家都受不了这个 ， 对吧 ， 这个钱都被英伟达赚了 。 **张家豪** [35:16] AMD 那个它也是以兼容 CUDA 的形式去运作的 ， 它也不是完全的重启炉灶 。 **汪波** [35:22] 对 ， 英伟达这个 CUDA 系统还是太 ，因为它推出时间很早 ，在 2007 年左右推出来 。 当时推出来是没有什么反应的 ， 主要是在高校和研究机构里面去使用 。 但是这些高校的学生一旦学会使用 CUDA，他到公司工作 ，他自然而然就把这个带过去了 。 然后呢 ， 公司要购买什么的话 ， 那优先就购买 CUDA。 所以这样逐渐的发展起来 ， 所以已经养成了很多的这样一个习惯 。 **曼祺** [35:48] 确实 ， 我觉得老黄还是下了一番大棋 。他们当年应该是在学校里搞了很多这种 ， 就是相当于免费的资助 ， 然后我让你去用 ， 我去培训什么的 。 **汪波** [35:56] 对 。 **曼祺** [35:57] 您觉得我们现在能看到任何撼动英伟达的这个帝国的可能性吗 ？ **汪波** [36:03] 我觉得未来还是有可能的 。 就是我们现在不应该把这个话说死 ， 就是说它是一个无法撼动的一个帝国 。 因为技术总是在变化 ， 当有新的技术出现的时候 ， 它一开始会遇到很多挫折 ， 那没法跟这些非常成熟的技术去 PK。 但是现有成熟的技术 ， 它每个技术其实都有自己的生命周期 。 到了一个生命周期 ， 它就会有很多自身无法克服的困难 。 像英伟达这个 GPU， 它最大的缺点我觉得就是它发热 。 它每个 GPU 上都有一个大风扇 ， 使它散热 。 它的其实能效并不是很高 。 如果有新的芯片可以做到更低的功耗 、 更高的能效 ， 那未来有可能某一天它成熟的时候就会突然崛起 。 **张家豪** [36:43] 对 ， 接下来还有另外一个问题 ，也是关于历史的问题 。 就是大家现在对于很多专用的 ， 就不同领域的芯片其实都很习以为常了 ， 觉得它是这个很正确的一个答案 。 ### CPU 与 DRAM **张家豪** [36:53] 但是比如像 CPU， 然后 DRAM 这些东西 ， 它是一推出的时候就广受欢迎吗 ？ 还是说它其实也是经历了比较曲折的一个发展过程 ？ **曼祺** [37:04] 嗯 ，其实这个和上一个问题也是相关的 。 就是说你可能当一个东西如日中天的时候 ， 你看不到它是怎么被新的东西取代的 。 我们可以回顾一下就历史上， 那些现在看起来非常主流 、 非常重要的芯片 ， 它当年是怎么起来的 ？ **汪波** [37:18] 对 ， 那提到 CPU， 大家可能想到就是最早讲到的就是英特尔 。 但是英特尔成立的时候 ， 它的目的并不是要成立一家 CPU 的公司 ，而是成立一家做存储器 、 半导体存储器的公司 。 它想做这个 DRAM 这样的一个内存的存储器 。 那 CPU 不是它的主打业务 。 然后呢 ， 当它内存遇到问题的时候 ， 它的现金流快要断了 ， 它就立刻从日本找来一项替别人设计芯片的一个业务 ， 就希望能快速拿到钱 。 那这家日本公司呢 ， 就是做计算器的 ， 就是加减乘除那个计算器的 。 那在之前呢 ， 这个计算器比较大 ， 就是因为上面用了很多颗芯片来完成这样的一个计算功能 。 但到了 1968 年左右呢 ， 这个随着集成度的提高 ， 业界发现可以把所有的功能集成在一颗芯片上 。 所以英特尔就提出 ， 就推翻了这个日本那家公司本来的方案 ， 可能需要十几颗芯片 。 英特尔呢就提出就用一颗芯片来实现所有的计算功能 。 所以有了 CPU。 但是 CPU 做出来之后呢 ， 英特尔也赚到这笔设计费了 ， 就准备把 CPU 这个项目放弃掉 。 因为这个 CPU 当时只能做加减乘除 ， 按照他们的估算 ，在美国最多每年能卖 2 万片 。 然后呢 ， 这个 CPU 的 4004 的功能呢也很少 。 你如果把它用在大型机上， 根本没法跟 IBM 的那种大型机去竞争 。 所以呢 ， 英特尔当时的这个高管叫格鲁夫 ， 非常著名的英文人 ，他就说这个 CPU 业务会让公司大放血 ， 大出血 ， 主张就放弃掉 。 后来呢 ，是这个法金 ， 就是这个 CPU 发明人之一 ， 去给这个 CPU 找不同的应用 。 除了加减乘除 ， 还可以用来控制交通灯 、 控制电梯 、 控制微波炉等等 ， 去找了很多这种应用 。 然后公司觉得它能发展起来 ， 然后才把这个 CPU 逐渐作为自己的一个业务 。 那到了 70 年代后期 ，80 年代这个英特尔的这个内存业务被日本 、 韩国打压 ， 所以这个英特尔就把它作为一个主流的一个业务 ， 才慢慢发展起来 。 这是早期 CPU 的一个发展 ，而并不是我们认为的一出现就如日中天那种 。 **曼祺** [39:18] 它这个时间有多长啊 ？ 就是从它最开始被发明到公司中间比较犹豫 ， 我要不要做这个 ， 到后来它成为了英特尔一个比较主要的业务 。 **汪波** [39:25] 这个倒并不是特别长 。 因为英特尔其实也是一家小公司 ， 它是比较灵活的 。 它不是一家很大的公司 ， 可能直接就放弃掉 CPU 了 。 那从它提出来是 1970 年提出给日本去设计这样的一个 CPU， 然后到了 1971 年它设计出来 ， 然后呢 ， 到了 1971 年的底 ， 它就打出这个广告去宣传它的 CPU。 也就是一年多的一两年的时间吧 ， 它就为它找到了很多新的应用 ， 就刚才讲的那些控制电梯啊 、 交通灯等等。 但是呢 ，也那时候也是在公司里面也是这个 CPU 跟 DRAM 两个是并行的这样的一个业务 ，并没有作为主打的业务 。 那直到后面 ， 可能到了 80 年代 ， 日本 、 韩国的 DRAM 崛起之后， 英特尔才把 DRAM 这个放弃掉 ， 把 CPU 作为主打的一个业务 。 **曼祺** [40:13] 所以就也不是一蹴而就的 。 **汪波** [40:15] 对 ， 那说回到这个 DRAM， 那 DRAM 的全名叫做动态随机存取存储器 ， 就是动态存储的 。 我先讲讲存储 ， 存储有两种 ， 一种就是顺序存储的 ， 就是你就像你往箱子里面装东西 ， 那最后放进的一个东西是到时候开了箱子是最先取出来的 。 就是你不能随机的取东西 ， 就不能从下面抽一个出来 。 那随机存储呢 ， 就是你存在哪 ， 然后你想取哪个就取哪个 ， 就像放在一个格子或者书架上， 你想取哪个就取哪个 ， 这叫随机存储 。 那动态随机存储呢 ， 就是其实这是它的存储器的一个缺点 。 就为什么叫动态随机呢 ？ 就是因为这个存储器会不断的丢失电荷 ， 然后过一段时间这个数据就丢失消失了 ， 就它会不断的去补充这个数据或者补充电荷 ，不断的去刷新 。 所以它是动态的 ， 就是隔上几个毫秒 ， 这么短的时间就得再刷一次 ， 再刷一次 ， 这个叫做动态 。 所以这种就是你一关机 ， 这个 DRAM 上的信息全部消失掉了 。 但它有一个优点 ， 就是它存取的速度特别快 ， 它比我们的 Flash 这些速度更快 。 所以我们不能用简单用 Flash 去替代 DRAM。 所以 DRAM 在计算机里面是非常重要的一个存储器 。 那它的这个发明呢 ，是 IBM 1966 年， 它的一个工程师叫邓纳德提出来的 。 提出来之后， 它的主管一想 ， 那当时主流的存储器不是半导体的存储器 ， 叫做磁芯存储器 ，是用于磁铁可以产生电流的这种方式 ， 把信息存在磁的这样的一个信息里面 。 不过这种磁芯存储器它非常的笨重 ， 它的存储密度更低 。 但是当时呢 ， 它有个优点 ， 就是掉电之后信息能够保存在里面 。 所以这是当时人们的一个观念 ， 就认为信息在掉电之后应该保存在里面 ，不应该说过了几个小时或者甚至几分钟之后就消失掉了 。 这是不可思议的 。 所以 IBM 的就把这个 DRAM 的项目否决掉了 。 尽管这个邓纳德提出来我可以不断的刷新啊等等 ，但是公司就扭转不过这个观念来 ， 所以把它否掉了 。 然后呢 ， 英特尔 ， 对 ， 英特尔在 1968 年成立 ， 就是两年之后英特尔成立了 。 这家小公司呢 ， 就非常喜欢探索 DRAM 在不同领域的应用 ， 所以呢 ， 就把它作为当时主流的自己的业务 。 **曼祺** [42:25] 邓纳德是去了英特尔吗 ？ 还是英特尔获得了他的专利还是 ？ **汪波** [42:29] 也没有 ，他会申请专利 ，1967 年会申请专利 ， 所以呢 ， 一公布大家就都知道了 。 所以呢 ， 英特尔当然也不是偷取这个 IBM 的专利 ， 它也有自己的一些新的发明 ， 一些新的改进 。 **曼祺** [42:42] 所以这个东西被 IBM 这样的大的巨头否决了 。 **汪波** [42:45] 对 。 **曼祺** [42:45] 但是英特尔它是接受了这个在 IBM 看起来非常反常识的一个想法 。 **汪波** [42:50] 对 ， 对 ， 它认为只要把它的密度做上去 ， 让它数据不消失 ， 至于掉电之后没关系 ， 我可以在掉电之前先保存到硬盘或者其他地方就可以了 。 **张家豪** [43:01] 后来 DRAM 也是因为它这个速度快 ， 然后体积小的这个优势 ， 把这个磁芯给战胜了 。 **汪波** [43:08] 对 ， 对 ， 当时有一个他们俩之间互相争夺的一个关键点 ， 就是能不能在 1K 容量的这个存储器上把它的成本降到 1 美分 。 然后应该是到 1970 年代中期 ，DRAM 就做到这一点 ， 就彻底打败了这个磁芯存储器 。 **曼祺** [43:24] 我觉得这点也挺有意思 ，因为英特尔我觉得在历史上还是很锐意创新的一个公司 。 一个是就 DRAM， 您说的这一次 ， 包括它后面就是您说到八九十年代的时候 ， 它重新又开始做 CPU， 又变成了它的主业 。 然后 DRAM 它因为日本人做的太强了 ， 它就不做了 。 这个这一次转型我觉得还是非常关键的 。 但最近这几年好像就看起来它有些暮气沉沉的迹象 。 **汪波** [43:46] 对 ，有些挤牙膏的这种 。 **张家豪** [43:48] 创新者的窘境 。 **汪波** [43:49] 对 。 **曼祺** [43:50] 为什么它不能连续创新了 ？ **汪波** [43:51] 因为其实我们的应用点或者是这种消费者的关注点发生了改变 。 那在 90 年代一直到 2010 年之前 ， 大家更关注的是在电脑上， 用电脑去上网 ， 或者更多的办公是在电脑上 。 那随着移动通讯的这个发展 ， 那 CPU 不太适合这种低功耗的这种场景 。 那所以有了 ARM 的处理器 ，ARM 的处理器的特点就是功耗非常低 ， 非常适合我们手机这种移动场合的应用 。 那另外一个就是这个人工智能 ， 它需要非常大的计算 ， 那 CPU 是通用的 ，不适合这种专门的这种计算 。 所以相当于就分流了 。 **曼祺** [44:26] 我觉得确实可能公司有公司的生命周期吧 。 **汪波** [44:28] 对 ， 对 。 **曼祺** [44:29] 因为到后面英特尔自己也非常大了 。 **汪波** [44:31] 是的 。 **曼祺** [44:31] 然后我觉得接下来也是跟创业或者叫新的崛起非常相关的 ， 大家很关注的一个话题 ， 就是中国的半导体行业应该怎么崛起 ，以及怎么减少对外的依赖 。 **汪波** [44:42] 现在其实有一个观点就认为这个我们芯片产业呢 ， 根据以前的经验 ， 应该更多的是由市场来自己去这些企业在市场中去竞争 ，不应该完全靠政府这个扶持 。 ### 政策与市场 **汪波** [44:55] 政府扶持的话 ， 它是发展不起来的 。其实呢 ， 这个观点有一部分讲对了 ，但另外一部分也没有讲完 。 那其实从芯片发展的历史上， 从更久远的角度去讲呢 ，是确实需要政府扶持的 。 那现在我们是更多的是面对这种广大的消费者 ， 然后给他们提供成本更低的这样的一个产品 ， 需要这个市场的力量 。 那从芯片刚刚发明的时候 ， 那种芯片是非常昂贵的 ， 就一颗芯片上可能只有几十个晶体管 ，1965 年只有 64 个晶体管 ， 那价格呢却要卖到 100 多美元 。100 多美元在当时是非常昂贵的 ， 那即便在今天也是很贵的 ， 一个手机也不过几百美元 ， 对吧 ？ 那一个 64 个晶体管的小芯片就 100 多美元 。 所以民用市场上这个芯片根本占不到 ， 抢不到任何的份额 。 人们还是习惯于用分离元件 ， 一个一个的晶体管去搭出电路来 。 而且呢 ， 这个芯片一旦坏掉 ， 那 64 个如果其中有一个晶体管坏掉 ， 那 63 个也没用了 ，因为没法去修它 。 所以电子工程师也不愿意使用 ， 所以只能找到一些专门对这个电路的体积 、 电路的要求非常严的这个场合 ，其中一个就是航天 ， 另外一个就是像导弹这种领域 。 那所以当时美国的 NASA 提出一个登月计划 ，1961 年提出来的 ， 那这个很快的拉动了对芯片的需求 。 因为有一个这样的一个计算嘛 ， 就是你在飞船起飞的时候 ， 每多携带一磅的这样的一个重量 ， 就需要多增加一吨的这样的一个燃料 。 所以呢 ， 芯片由于它体积小 ， 重量轻 ， 所以就很快用到航天上面 。 所以航天上大量采购这个先通半导体和 TIA 公司的芯片 ， 比方说这个水手那个火星探测器上， 就用了这个先通公司的这个微逻辑的芯片 。 然后在军事上也是 ，在这个民兵 2 的这个洲际导弹上面 ， 它里面需要用一个导航的一个计算机 。 那如果用分离元件去做的话 ， 可能需要 30 多公斤 ，但是用芯片把它换成芯片上， 整体计算机就降到 20 多公斤 ， 就降低了很多 。 所以呢 ， 早期的话 ， 这个军方是相当大的一个芯片的购买的客户 ，他们对钱价格都不很敏感 ， 只要能用就行 。 那有一个数据就是 1965 年， 就是美国 20% 的芯片都由美国空军一家就买去了 。 那这是早期的 ， 可以说这个对于芯片的发展有很大的一个推动的一个作用 。 那到了后来 ， 芯片发展起来 ， 随着摩尔定律 ， 它的价格成本不断的下降 ， 那普通消费者也越来越买得起了 ， 然后呢 ， 逐渐成为越来越大的一个消费的一个群体 。 所以到现在 ， 这个军方和这个我查了一下这个数据和这个航天 ， 只占到大概全美国市场的 1.6% 左右 ， 已经几乎可以忽略了 。 **曼祺** [47:37] 我听您刚才这个描述 ， 似乎美国军方最开始它也是出于它的实际需求 ， 它要用芯片 ， 它并不是说有很强的意愿说我要扶持这个行业 ， 我把它作为一个新兴行业去支持 。 我这么理解对吗 ？ **汪波** [47:50] 两方面原因应该都有 ， 就是它一方面它确实需要 ， 另外一方面它也是客观上吧 ， 支持了这个芯片行业的一个发展 。 然后呢 ， 这些先通或者是 TIA，他们也非常主动的去跟这个军方去联络 ， 去推销自己的这样一个芯片 。 那军方最后还是接受了 ， 所以是两方面互相都有帮助的一个这样的一个合作吧 。 **曼祺** [48:14] 因为我觉得美国这个确实比较特殊 ，因为它是这个芯片刚发明的时候 ， 一方面是军方真实需求在驱动 ， 一方面有您说的 ， 我觉得这可能是一个有前景的行业 ， 我要去支持一下 。 然后后面其实到 70 年代的时候 ， 日本搞的这个超大规模集成电路计划 ， 我觉得这个可能跟中国现在的情形会更像一些 ，因为当时它就是日本政府牵头 ， 它是集结了很多高校 ， 包括东大帝国理工 ， 还有一些公司像东芝 、NEC、 索尼 ，他们一起去就分了好几个组吧 ， 好像是我记得是 6 个组 ， 就不同的项目大家去不同的去攻克 。 最后确实是取得了一些成果的 。 因为 80 年代的时候 ， 日本的半导体产业是非常强的嘛 ， 主要就是存储非常强 ，但这个优势后来是没有保持的 。 就从这个过程中间 ， 我们可以学习到什么经验和教训吗 ？ **汪波** [49:00] 日本的这个经验就在于这个 ， 它首先选对了一个方向 ， 就是存储器 。 存储器这个作为切入口是非常适合的 ，因为存储器的设计首先要比逻辑电路要简单 ， 它不需要很多那种算法 ， 然后它的架构基本上也是固定的 。 它不像 CPU， 每过几年就要升级一下架构 ， 像英特尔每过几年就要升级一下架构 。 那日本在设计方面肯定是不如美国 ， 所以这是它的劣势 。 但它的优势呢 ， 就是它制造业非常强 ， 这些员工呢 ， 非常有纪律性 ， 然后所以就可以把它的成本降得很低 。 另一个就是提高它的良率 。 那这样的话呢 ， 就把这个日本的这个优势呢 ， 就发挥出来 ， 把这个技术发挥到极致 ， 所以就可以把这个 DRAM 这个价格呢 ， 就降下来 ， 然后可以更大规模的去制造生产出来 。 而且日本本身当时的人力资源成本也很低 ， 所以这样就可以大规模的制造出来 ， 然后呢 ， 占领美国的这样的一个市场 。 这是它的一个经验 ，但是这个经验也被它后来的这个衰败埋下了这个隐患 ， 就是到了 90 年代 ，PC 和互联网就崛起了 。 那时候 PC 的价格远远超过了这个 DRAM。 那日本人其实就在 DRAM 挣不到太多钱 ， 另外一方面它也受到韩国的一个夹击 ， 韩国的这个存储器又崛起 ， 它存储容量更大 ， 成本可能更低 。 **曼祺** [50:19] 对 ，而且韩国到现在都是存储器的全球霸主 ， 三星 、 海力士 。 **汪波** [50:24] 对 ， 三星和海力士占了两家 ， 美国就只剩下一个美光 。 **张家豪** [50:29] 还有一个就是也和这个政治有关系吧 ， 当时那个美国和日本的那个广场协议和那个反倾销 ，其实对日本的那个低价的内存 ，在美国的销售其实也有很大影响 。 **曼祺** [50:41] 对 ， 我觉得这也是一个广为传播的观点 ， 就有一些观点是认为广场协议对日本的半导体造成了非常大的冲击 。 就是您从从业者角度来说的话 ， 您觉得就是您刚才讲的这个技术和商业上的这种问题和它这个贸易上的一些问题 ， 到底哪一个是更主要的原因呢 ？ **汪波** [51:00] 这个其实应该都有原因 ， 就是很难就是说把它分清楚哪个是最主要的 。 本身这个技术上原因刚才我们已经提到了 ， 那在这个贸易层面上也确实 ，因为美国人发现自己国家的这个半导体这个产品大部分都来自于日本 ， 那自己发明的反而是自己卖不出去 。 那所以它也采取了一些措施 ， 就是您刚才提到的这种通过签订这种协议让人员升职等等 ， 那使得日本的这个产品没办法通过低价的方式销售到美国 。 所以我觉得它是在不同的方面上去相当于去竞争吧 ， 一方面是技术方面有了 CPU， 那另外一方面就是贸易或者政府层面上去跟日本竞争 。 **曼祺** [51:44] 为什么在 76 年， 就是日本开始做这个超大规模集成电路计划的时候 ，其实 CPU 已经发明了嘛 。 **汪波** [51:50] 对 。 **曼祺** [51:50] 但是他们好像就日本从日本政府层面是没有太注意到这些新的还比较小的技术趋势的 。 这是因为政府计划本身就比较难注意到这种方面吗 ？ **汪波** [51:59] 那对 ， 应该是的 。 那政府一般都是资助那些看起来比较有前景的一些东西 ， 至少是发展到一定规模 。 这种比较小的这种新的芯片 ， 它要去探索它的应用 ， 还有很多不明朗的地方 。 那更多是这种企业 ， 它可能更有眼光去愿意去积极的去探索 。 **曼祺** [52:20] 那从我们现在的情况来说的话 ， 您觉得就是中国政府它要支持整个半导体行业的发展 ， 可能一些比较合适的措施是什么 ？ 我是指它怎么能弥补说可能从政府官员的层面 ， 它是看不到一些非常新兴的弱小的技术趋势 ， 怎么弥补这个问题 ？ **汪波** [52:37] 只要营造一个比较好的环境就足够了 ， 就是从政府的角度去讲 。 那具体这个哪种技术会胜出 ， 我觉得更多的还是要靠企业自己的去探索 。 政府只要营造一个比较好的环境就已经很好了 。 **曼祺** [52:53] 那您觉得就是有什么地方可以做的更多吗 ？ **汪波** [52:55] 就是可能更多的是给一些更多的面上的一些探索 ， 可以给更多的支持 ， 就是换句话说 ， 就是可以把它的关注点放得更宽一些 ， 更广一些 。 就是因为有很多的技术可能一开始都没有关注到 ， 可能有一些新兴的技术非常像明星一样 ， 大家都会投钱 ， 都会喜欢投钱 ，但是可以把这个面放得更广一些 。 因为很多新的技术一开始没有被关注到 ， 它非常需要这个资金的支持 。 **曼祺** [53:25] 因为我看现在讨论很多的话题也是说 ， 就是到底在这么长的一个芯片行业的链条里面 ， 到底去支持什么环节吗 ？ 其实能看到一个比较明显的趋势是大概 18 年到 21 年左右 ， 我们看到设计领域是有很多的钱进来的 ， 就是不管是大基金还是一些市场化的钱 ， 都是在投设计领域 。21 年之后一个比较明显的趋势是在往上游转移 ， 就是到设备到材料 ， 比如说光刻机 、 光刻胶这些环节 。 然后就是关于到底哪个环节它是最难的 ， 可能也是有一些误解误读的地方 ， 您自己是怎么看这个产业链这么长的链条里面 ， 我们到底从哪突破比较合适 ？ **汪波** [54:07] 其实每一个点上， 如果在没有被制裁之前 ， 我们可能还没有专门去关注过 。 那一旦有了制裁 ， 我们才会发现 ， 哦 ， 原来在这个地方我们还没有做到很好 。 比方说 ， 当然现在大家都知道光刻机了 ， 然后除此之外还有光刻胶 ， 就是里面用的这个材料 。 那还有就是这个以前更没有关注过的就是 EDA 软件 。 **曼祺** [54:29] 这个里面就说没有谁更重要是吧 ， 就都得推进 。 **汪波** [54:32] 对 ， 都得推进 。 因为每一家可能有自己专门的这样的一项技术 ， 然后我们这个人才的培养上也是需要同步的推进 。 **曼祺** [54:42] 您觉得现在的瓶颈主要体现在什么地方 ？ 是这个特别缺人才了 ， 还是缺资金了 ？ **汪波** [54:48] 应该主要是缺的是人才 ， 尤其是比较稀缺的一些高端的一些人才 ， 比方说一个是芯片架构 ， 比方说 CPU 的这种架构的设计师 ， 那这个是很难培养起来的 ， 需要很长的时间 。 **曼祺** [55:00] 像国外的这些人才 ，他们都是什么路线成长起来的呀 ？ 为什么中国会这一部分人会比较少了 ？ **汪波** [55:07] 应该还是靠时间的积累 ， 就是单靠学校还是远远不够的 。 虽然他们的学校也不错 ，但是在学校读完硕士甚至博士还是远远不够的 。 很多都是在企业多年的这样的一个积累 。 我们看芯片的这些发明 ， 基本上都是在企业里面提出来 ， 这是跟其他行业或者是科学界很不一样的地方 。 就是芯片领域很多都是在工作了一段时间 ， 然后冒出一个 idea， 然后有了一个新的创新和发明 。 **曼祺** [55:34] 我也注意到就是现在在整个舆论层面 ， 可能关于芯片的一些突破 ，有的时候会有一些夸大 。 比如说最近可能大家聊的比较热的就是清华的这个光刻工厂的这个事 ， 就实际上这个东西和芯片有关系吗 ？ **汪波** [55:50] 对 ， 那昨天我看到一个新闻说是只是一个高能粒子的一个装置 ，但是因为它能够产生这样一个波长非常短的一个这样的一个紫外光 ， 所以人们就觉得可能会用到光刻机上面 。 ### 光刻工厂 **汪波** [56:04] 对 ， 那其实未来真正能不能用到 ， 就除了它技术本身能实现 ， 还需要考虑它的成本 、 它的可制造性 、 可维护性 、 可靠性等等非常非常多的因素 。 比方说我们讲那个 EUV 的光刻机 ， 它的体积非常庞大 ， 如果把它从荷兰运送到另外一个它的买家那里 ， 需要 4 架波音 747 的货机 ， 那分批的把它运过来 。 **曼祺** [56:28] 所以这个不是用船运的呀 ？ **汪波** [56:31] 对 ， 我也不知道为什么不是用船 ， 反正它如果是装在飞机里面就需要 4 架 。 如果是像这种非常大的这个装置的话 ， 它可能非常不方便运输 ， 需要考虑它很多实际的这样的一个因素 。 那当然它本身从技术讲确实是个突破 ， 如果真能够用在光刻机上， 至少解决了从无到有的这样一个问题 。 就我们先不管它成本或者到底能不能用上来 ， 到至少解决这样一个问题 。 另外它的功率也确实特别高 ， 就是现在的 EUV 光刻机 18 年的时候是 250 瓦 ， 它的光源的功率 ， 那现在做到了 500 瓦 ， 那未来下一步 1000 瓦其实很难做 。 这个我看它至少是几千瓦起步的这样的一个功率 ，但未来到底能不能用还是要靠成本 、 可靠性等等这些非常实际的这些因素 。 **曼祺** [57:20] 我之前看到您接受采访说 ， 就是您在 20 年之后开始写 《 芯片简史 》 这个书 ，也是因为当时就华为的那个事件嘛 ， 然后您也感觉到全国都在关注这件事情 ， 然后您希望就是去做芯片方面的科普 ， 就让大家对这个行业有更多的理解 。 ### 科普与耐心 **曼祺** [57:37] 然后到这本书出版到现在 ， 包括您在和外界做科普做交流这个过程中间 ， 您有什么印象比较深刻的感受 ？ 就是大家对这个行业可能的误解在哪 ， 然后这些过高的期望又在哪 ？ 哪些可能是利于行业发展的 ， 哪些可能是没有那么利于行业发展的 ？ **汪波** [57:56] 可能有这么几点吧 ， 一个呢就是我被问的最终的一个问题 ， 就是为什么我们能造出原子弹造不出芯片 ， 这是一个 。其实这个问题挺难回答的 ，但是说明了我们对这个芯片的复杂程度可能还没有那么详细的认知 ， 觉得这个小小的芯片为什么没有原子弹这么容易就能造出来 。 就是我们现在已经知道芯片确实很强 ，但是还可能不太了解芯片到底有多复杂 ， 那它有多少道工序 ， 然后需要多少种不同的产业链条去配合它 。 而且它有另外一点 ， 就是它除了有这种战略性方面 ， 像原子弹它本身有战略性的这种要求 ， 对吧 ？ 但是呢 ， 芯片除了战略性 ， 还有一个就是市场性 ， 它不只是解决从无到有这样一个问题 ，而有了之后呢 ， 还能继续发展起来 ， 还能赚到钱 ， 然后把钱再用到下一代的产品的开发上 。 像原子弹就不需要 ， 你有了就可以了 ， 对吧 ？ 我不需要从上面去赚钱 ， 然后投入到下一代的开发当中 。 那这是一个 ， 就是我们可能需要更好的去认识这个芯片本身的这个复杂的程度 ， 从设计到制造到销售 ，不光是技术性的问题 ， 还包括很多其他的市场性等等需求等等各方面应用 。 如果没有应用的话 ， 我们芯片也卖不出去 。 所以它的问题是非常各个方面都涉及到非常复杂的一个问题 。 那另外一个问题呢 ， 我们现在因为被制裁了 ，有一种非常强烈的愿望 ， 希望能够再尽快的打破这种封锁垄断 ， 实现技术的突破 ， 甚至是超越 。 所以就会有很多人就问我们能不能通过一些弯道超车的方式 ， 通过一些国外现在还没有开始研究 ，但是我们去研究它 ， 然后实现一个弯道的超车 。 这种心情我完全可以理解 ，因为我也曾经产生过类似的想法 ，但是我们也认识到 ， 就还是回到刚才那个芯片本身的这种复杂的程度上来讲 ， 就我们现在的芯片的这个创新可能不是像六七十年代 ， 那时候可能一个人或者是一个团队几个人就能提出一个新发明 ， 过上个十年左右 ， 当时看来十年左右就能把它应用开来 。 那现在的这种成熟传统的这种硅 CMOS 的技术 ， 它是需要一个非常大的团队行业来协作 ， 如果你要颠覆它比 30 年前要复杂的更多 。 所以有好的想法当然是非常好 ，但是呢 ， 我们也要想到就现有的这种技术 ， 它已经非常的成熟 ， 它经过各种优化 。 那未来是不是说就不可能完全颠覆呢 ？ 其实也是有可能的 ， 只不过我们要把时间眼光放得更长远一些 ， 可能要从芯片发展历史角度上讲 ， 一项六七十年代提出的技术 ， 可能需要十年的时间应用起来 。 那现在可能需要更长的时间 ， 比方说我们现在提到的碳基的晶体管 ， 大概在 90 年代就开始研究 ， 那到现在已经 20 多年了 ， 我们还没有看到它广泛的应用 ， 所以它这个时间可能会更长 。 所以我们可能需要更多的耐心 。 然后还有一个就是我想发明的就是很多人希望我去预测一下， 未来我们几年能实现这个突破 ， 几年能突破光刻机 ， 几年能够超越 。其实我想说的一个观点就是 ， 预测未来最好的方式就是把它发明出来 。 那这句话不是我说的 ， 是一位计算机的专家 Allen Kai 说的 。 那我想通过这句话表达的就是说 ， 我们单纯的在这预测可能是有很多的方向 、 不同的这种技术 ， 我们可能会晕头转向 ，但是不如如果你是一个从业者 ， 我们就专心的在一个方向上把它发明出来 。 **曼祺** [1:01:23] 我觉得您总结的挺好的 ，其实就是您说大家要对这个行业更有耐心 ， 对技术和市场和商业的规律要有一定的敬畏吧 。 **汪波** [1:01:32] 对 ，有更好的一个把握 ， 认识到真正背后的规律是什么 ，不仅是凭靠着我们一腔的热情 ， 当然这个也是非常需要的 ，但是有这个还不够 ， 还需要我们实事求是的认识到我们现在面对的问题 、 挑战 、 困难在哪里 ， 各方面的 ， 除了技术上还有人才的 ， 还有组织上的 ， 甚至还包括认识上的一些误区 ， 就包括我们今天提到的这些误区 ， 我们一个一个的都要跨过 去 。 **曼祺** [1:01:57] 今天非常感谢汪老师来做客我们的晚点聊 ， 然后也谢谢您分享了就是您平时看到的 ， 就大家对行业的一些误解 ，以及最后我觉得您的这个总结是非常好的 。 就芯片虽然看起来只有小小的一枚 ，但是它可能比当年国家集结了很多力量去做的原子弹是一个更复杂 、 涉及更多分工 ， 然后需要更多人来参与的非常复杂的系统 。 然后我们也是希望给这个行业多一点耐心 ， 看看之后行业里会有什么突破 ， 然后以及像您说的就是预测未来最好的方式就是把它发明出来 。 今天非常谢谢您做客晚点聊 ， 我们今天节目就到这 ， 谢谢大家的收听 。 **汪波** [1:02:35] 谢谢大家收听 ， 感谢汪老师 。 **曼祺** [1:02:37] 谢谢 ， 再见 。 --- 本节目库由 PodHood（https://podhood.com）提供支持——播客网站平台。