AI芯片:它画全了未来,漏掉了今天
微信读书《AI芯片:科技探索与AGI愿景》(张臣雄 著,人民邮电出版社 2025 年 7 月)· 本次逐页翻阅 528 屏,从版权页读到第 7 章末,七章的主干全部覆盖,抓取耗时 694 秒。
说明:这是一本硬书,讲的是硅片、器件、材料和算法路线,不是"AI 怎么用"。本篇不复述目录,只写我逐页读下来真正有判断的地方。引句页码为本次截图编号,与纸书页码无关;加引号的话都能在截图里逐字核对。
我读这本书,是想搞清楚一个问题:为什么所有人都知道 AI 算力不够,却没人能说清下一个十年的算力从哪来。
读完 528 屏,我的答案是:这本书把"可能从哪来"列了七条路——从晶体管结构、芯粒封装、存内计算,一直到量子、光子、化学反应、活细胞和类脑芯片——每一条都讲得有料,每一条都能追溯到具体的研究团队和论文。但它始终没回答另一个问题:这些路里,哪一条正在被真的修,哪一条只是画在图上的虚线。
这不是一句刻薄的评价。恰恰相反,能把七条虚线都画准,已经比市面上绝大多数"AI 芯片科普"强得多——那些书只会告诉你英伟达很厉害。但一本书如果只画未来不标刻度,读者拿到手就会误判:以为化学生物计算和 3D 堆叠是同一时间尺度上的选项。它们不是。一个是三年内的产线问题,一个是五十年后的实验室问题。
先把话说在前面:这本书值得读,尤其第 3 章。下面我按我读的顺序讲,最后再讲它的短板——短板不小。
一、先算一笔账:528 屏是怎么分的
按每章起始页相减,七章的厚度是这样:第 1 章"大模型浪潮下,AI 芯片的需求与挑战"73 屏;第 2 章"实现深度学习 AI 芯片的创新方法与架构"116 屏;第 3 章"AI 的未来:提升 AI 算力还是提升 AI 智力"70 屏;第 4 章"AI 芯片:汇聚半导体芯片产业前沿技术"88 屏;第 5 章"从 AI 硬件到 AI 湿件"67 屏;第 6 章"AI 在科学发现中的创新应用"60 屏;第 7 章"实现神经形态计算与类脑芯片的创新方法"46 屏。
七个数字落在 46 到 116 之间,最厚的是最薄的两倍半。这个分布很有意思——它不是按"重要性"切的,也不是按"难度"切的。
如果按重要性切,第 4 章(制造与封装)应该最厚,因为今天卡住全世界的不是架构创新,是产能和良率。如果按难度切,第 2 章确实该最厚——它要塞进 Transformer 引擎、存内计算、GPU/FPGA/ASIC 三条大模型计算路线、RISC-V 加速器、射频神经网络、光电组合、量子、矩阵乘法加速,八个方向挤在 116 屏里,平均每节不到 15 屏,只能点到为止。
但真正决定这个分布的,我猜是作者自己的研究半径。第 5 章讲化学计算和生物计算,67 屏,是全书最"偏门"的一章,也是最兴奋的一章——写菌丝体怎么当导线、液态忆阻器怎么做 MAC 运算,笔调明显比写 FinFET 时活。第 7 章讲类脑,46 屏,是全书最薄的,结尾甚至有点仓促。
这个观察带来一个实用结论:这本书的厚度图谱,就是一张"哪些方向作者有第一手判断"的地图。读的时候按厚度分配注意力是错的,反过来才对——薄的地方往往是作者不确定的地方,恰恰最需要你带着怀疑读。
另外一个结构上的特点:七章每章都有"本章小结"。我数了一下,七个小结加起来不到 10 屏。这十屏是全书的压缩饼干,如果你只有半小时,读这七段就够拿到骨架;但代价是所有限定条件都被压缩掉了,剩下的都是"XX 是未来方向"这种句式。
二、第一张图就把地基放好了,但地基只打了一半
第 1 章 1.4 节"AI 芯片的算力提升与能耗挑战",是全书论证的起点。作者引了 OpenAI 的一项研究,把 1985 年以来的 AI 计算量增长切成三段:
前深度学习时代(2012 年前,训练计算量约每 24 个月翻一番),深度学习时代(2012—2017 年,训练计算量每 3~4 个月翻一番),以及大模型时代(2018—2022 年,模型规模提升了 100~10000 倍,训练计算量接近每两个月翻一番)。
这三个数字放在一起,冲击力很直接:摩尔定律是 24 个月,大模型时代是 2 个月——快了 12 倍。换句话说,半导体 industry 花二十年建立起来的节奏感,被算法需求在五年里整个打乱了。而半导体恰恰是全世界最不能"加速"的行业:一座晶圆厂从动土到量产要三年,一台 EUV 光刻机的交付周期以季度计。需求 2 个月翻倍,供给 36 个月才能加一轮——这个错配,就是今天所有算力短缺故事的底层结构。
紧接着前言里给了两笔具体的账:GPT-4 的训练计算量约 2×10²⁵ FLOPS,训练成本约 1 亿美元;2024 年谷歌发布的 Gemini Ultra 训练成本同量级。这两笔账比任何形容词都有说服力——它说明大模型已经不是"研究项目",而是"资本开支项目"。一个 1 亿美元的单项支出,决策逻辑就变成了 CFO 的逻辑:多久回本、折旧几年、下一代的钱从哪来。
但这里我要提一个批评:这三段曲线证明的是"算力在爆炸",它没有证明"算力能通向 AGI"。作者自己在第 3 章把这个区分做得很清楚(后面会讲),可第 1 章用这三张图铺陈的时候,语气是单向的——好像算力翻倍本身就是目的。读者如果只读第 1 章,会得到一个错误的印象:算力够了,智能自然就有了。这个印象在第 3 章会被推翻,但很多读者读不到第 3 章。
三、它敢把反对派摆上桌,这是全书最值钱的一章
第 3 章是我认为这本书唯一"不可替代"的部分。它的标题就是一个问题:提升 AI 算力,还是提升 AI 智力?
作者的处理方式很罕见——他没有拉架,而是先把两派各自的主张完整摆出来。第一派是"扩大派":BERT Large 3.4 亿参数,GPT-3 1750 亿参数,人脑约 860 亿个神经元、每个神经元可形成多达 10000 个突触、总共约 100 万亿个突触。作者的推演很有意思:一个突触大致相当于神经网络中的一个参数,那么最大的 AI 模型参数量只是大脑的 1/1000,"那么 AI 比人类'笨'也就不足为奇了"。这一类研究者主张一直扩大下去,直到神经网络扩到人脑的水平。
第二派是"改良派":不认为堆规模是唯一路径,主张在结构上改进。理由是收益递减——第 3 章 3.1.1 节的标题直截了当:"收益递减法则适用于神经网络"。同一节还专门列了"资源浪费与环境破坏的问题"。
把这两段并排放在一本书里,需要一点勇气,因为它们是互斥的。扩大派的逻辑终点是"大力出奇迹",改良派的逻辑终点是"此路不通"。作者不裁决,只把两边的证据都摆好。这种写法在中文技术书里不多见——大部分书会选一边站,然后整本都在给这一边找证据。
我读这一段时想到的是:这场争论的真正分歧不在技术,在时间尺度。扩大派看的是 2020—2025,这几年确实是堆参数最有效;改良派看的是 2025—2040,那时候参数堆不动了,能效和成本会成为硬约束。两派都对,只是各自对在不同的时间段。作者没点破这一层,但材料摆在那里,读者可以自己看出来。
第 3 章还有一个数据值得单拎出来:人脑的存储容量约 2500TB,基于 860 亿到 1000 亿个神经元和超过 10¹⁵ 条连接的估算。这个数字和前面那句"参数只有大脑的 1/1000"是一套的——它想说明的是,我们现在这套数字计算架构,离生物脑的密度还差着好几个量级,靠堆数字单元追,追不上。
四、作者自己站哪边:小模型、符号计算、类脑
虽然他嘴上不裁决,但第 3 章后半部分的编排已经把立场露出来了。
3.2 节的标题是"超越 ChatGPT 的新趋势:用小模型替代大模型"。里面给了一个具体的产业转向:一些公司从部署超过 1500 亿参数的"臃肿大模型",转向部署不到 1000 亿参数的中型语言模型。作者的评价是"不仅相对高效,而且性能好得出人意料",在某些学科里"接近传言中拥有 120 层、1.8 万亿参数的 GPT-4"。他还举了 DeepMind 2022 年的 Chinchilla(700 亿参数)作为"第一个有利迹象"——训练仍然非常耗时,但在使用(推理)过程中,成本效益要高得多。
这段话信息量很大。它其实是在说:训练贵不贵是一回事,推理贵不贵是另一回事,而后者才是决定 AI 能不能普及的。一个模型训练花 1 亿美元,可以靠融资解决;但如果每次调用都要付钱,商业模式就要重算。小模型的真正优势不在"便宜",在"边际成本可控"。
3.4 节"符号计算"是全书技术含量最高的部分。作者把三条路并列:超维计算(Hyperdimensional Computing)、耦合振荡计算、神经符号计算。其中超维计算讲得最细:每个信息片段——比如"猫"这个概念,可以包括品种或颜色——都被表示为一个单一实体,即超向量(HV)。一个超向量可以由约 10000 个数字组成,代表 10000 维空间中的一个点。通过对这些向量元素做乘法、加法及置换(移位),就能快速完成识别、分类、预测等任务。
它为什么重要?作者点得很准:超维计算特别适合一些新兴芯片架构——非冯·诺伊曼体系结构、存内计算、基于忆阻器的阻变随机存储器(RRAM)、相变存储器(PCM),以及自旋电子器件。原因是这些器件天生擅长做整块向量的并行运算,不擅长做精确的地址跳转。传统 DNN 在冯·诺伊曼架构上跑得好,但搬到这些新器件上会"水土不服";超维计算反过来,它是为这些器件写的算法。
这是全书我第一次看到"算法和器件必须成对设计"这个观点被说透。这个观点比"某个器件很先进"重要得多——它解释了为什么很多新材料器件做出来却没人用:因为没有配套的算法范式。反过来,超维计算这类算法的意义也不在算法本身,在于它给新器件提供了一个"能被用上"的接口。
第 3 章还讲了 3.3 节的终身学习与迁移学习,篇幅不长,逻辑是:如果能持续学习而不是每次重训,算力需求会降一个量级。这条思路我觉得比"小模型"更有前途,但书里只给了 6 屏,没展开。
(这是我在全书中标注最多的一章。如果说这本书有什么非读不可的部分,就是第 3 章这 70 屏。它讨论的不是芯片,是路线;而路线错了,芯片做得再好也是白做。)
五、从硅片到活细胞:一条越走越湿的路

第 4 章回到硬件本体,讲的是半导体产业的前沿技术。这部分对非从业者最硬,但作者挑的例子很到位。
第一个例子是晶体管架构的演进:FinFET → GAA 纳米片 → 叉形片 → CFET。传统平面 FET 在缩小尺寸时会漏电——关闭状态下电流仍在流动,耗尽电池。FinFET 的解法是把沟道的控制面从 1 个增加到 3 个,抑制漏电;下一代 GAA 纳米片的结构有 4 个控制面,栅极在所有方向上都围绕着沟道,漏电问题进一步减少。书里给了明确的工艺节点对应:FinFET 用在 22nm 及以后的工艺,GAA 纳米片将用在 3nm 及下一代工艺。再往后是 CFET,把原本独立的两个晶体管 NFET 和 PFET 连接并集成在两边,变成 3D 结构。
这条演进线之所以重要,是因为它是"算力还能不能免费涨"的唯一物理答案。架构创新可以靠设计,但每一代制程的红利,最终都落在"单位面积能塞多少晶体管、漏多少电"这两个数上。FinFET 给了十年,GAA 大概也能给十年,CFET 之后呢?书里没说,因为业界也没答案。
第二个例子是从"集成电路"到"集成芯片"——也就是芯粒(chiplet)与异质集成。书里给了一张对比表(表 4.2),我觉得那张表比正文更有价值:
集成电路:将多个电子元器件集成在一块小型半导体芯片上的微型电子电路;类型为单片集成电路;优点是成本低、易于制造;缺点是难以制造复杂电路。
集成芯片:将多片分离芯片(芯粒)封装在一起,形成更大的复杂电路;类型为多芯片封装、多芯片集成电路、3D 堆叠芯片;优点是模块化高、灵活性强、良率高、性能强;缺点是设计和制造成本较高。
这张表说清了芯粒的本质:它不是"更先进的芯片",它是"用封装换良率"的工程妥协。一颗大芯片,面积越大良率越低,这是物理规律;把它拆成几颗小芯粒再封起来,每颗小芯粒的良率都高,坏一颗换一颗,整体成本反而降。而"设计和制造成本较高"这半句是真话——芯粒的难点从制造转移到了设计(怎么切分、怎么互联)和封装(怎么对准、怎么散热)。
第 5 章是全书的分水岭,标题就叫"从 AI 硬件到 AI 湿件"。作者先做了一次能效对比,是我见过最直观的一组数字:
一条斑马鱼幼虫成功捕获猎物并避开捕食者仅需要 0.1μW 的功率,而成年人类约为 100W,其中大脑约占 20%。相比之下,用于掌握最先进 AI 学习模型的计算机集群通常以 10⁶W 左右的功率运行。美国的 Frontier 是世界上最为强大的超级计算机之一,它使用了 8730112 个 AMD CPU 核,在 LINPACK 基准测试中达到了 1102PFLOPS,功率为 21MW。
把这几个数排一下:斑马鱼幼虫 0.1 微瓦,人类大脑约 20 瓦,Frontier 21 兆瓦。从斑马鱼到人脑,差 8 个数量级;从人脑到 Frontier,又差 6 个数量级。而 Frontier 做的事,还不如一条斑马鱼幼虫的生存技能复杂。这就是"湿件"这一章存在的理由:不是我们想把芯片做湿,是电子这条路在能效上已经被生物甩开了十几个数量级,只能回头向生物借方法。
然后是全书最"魔幻"的几节。化学计算:用酸碱反应实现逻辑门和神经网络,用液态的忆阻器做 MAC 计算单元和存储器。生物计算:用活细胞实现 AI;真菌计算——英国西英格兰大学计算机科学系有一个湿件实验室,是全球第一个开发真菌计算和真菌电子器件的实验室,研究发现菌丝体可以充当导体,以及计算机中的电子元件,可以接收和发送电信号,并保存记忆。他们把菌丝体培养物与木屑基质混合,放进封闭塑料盒让它繁殖,再插入电极记录电活动。
读到这里我有一个复杂的感受。一方面,这些内容是真的开脑洞,而且作者写得很扎实——不是"科学家相信未来会很神奇"式的空话,而是"某大学某实验室用某材料做了某实验,测到了某现象"。另一方面,这些实验的规模离"芯片"还很远。一个实验室里的菌丝体盒子,和一座月产十万片的晶圆厂,中间隔着的不是十年,是一整个产业。
六、第 6 章其实是另一本书
第 6 章讲 AI 在科学发现中的应用,60 屏。这一章写得不错,但它和"AI 芯片"的关系最弱——弱到我在读的时候反复确认自己是不是翻错了书。
它的主干是:科学发现的四个传统范式,加上正在开启的第五范式;科学发现的过程与方法(科学推理的类型、自动化科学发现框架);直觉和灵感与诺贝尔奖;AI 替代人类生成假说的三种方式(直接生成、穷举搜索、分析排错与组合优化);AI 科学家的构建与挑战;以及用量子启发 AI 技术发现新型超材料的案例。
其中"AI 科学家"的框架图画得很清楚:论文/数据库 → 课题模型 → 假说空间 → 假说组合 → 实验 → 理论,下面配四个动作——生成、搜索推理、优化、验证,底层是生成式 AI、量子计算/量子机器学习、强化学习/量子退火、深度学习。作者把它叫"自主科学发现 AI 引擎",也说它可以叫 AI 科学家或机器人科学家。
但作者自己也很清楚障碍在哪。他写:科学领域的知识非常广泛而深刻,一个全自动系统需要准确而全面地理解多个领域的知识,缺乏领域知识可能导致生成的假说不准确或不切实际;大水漫灌般的出版物和数据,使人无法观察到所发现和所收集数据的全貌,也就是说,目前还做不到对已有知识的"全覆盖"。对生成式 AI 来说,基于现实生活中的已有数据(目前绝大多数来自互联网)来训练模型只能解决一些已知问题,对于一些还没有发现的、潜在的、未知的问题,现在的模型未必能解决。
后面他给出了解法方向:构建跨领域的统一科学基础模型,支持多模态多尺度输入(文本、1D 序列、2D 图形及 3D 构象/结构、周期性分子系统、蛋白质 DNA RNA 等生物大分子),并且把物理定律和第一性原理纳入模型架构和训练算法——因为物理世界受规律支配,而科学数据代表的是对这些基本规律的观察,这和自然语言处理有本质区别。
这段论述是全书写得最深的地方之一,我完全同意。"把物理定律写进损失函数"这件事,是当前 AI for Science 最真实的门槛,比算力门槛高得多。
但问题也在这里:这一章 60 屏里,真正讲"AI 芯片"的只有 6.6 节一节,4 屏。其余 56 屏讲的是科学方法论、AI 系统架构、诺奖级发现的挑战。它是一篇很好的"AI for Science 综述",被硬塞进了一本芯片书。作者大概是想用这一章撑住副标题里的"AGI 愿景",但代价是全书的重心被拉偏了——读者花 60 屏读到的,是一个和芯片只有 4 屏交集的话题。
七、它的短板
前面夸了不少,现在讲问题。这本书的短板不止一处,而且有几处是结构性的。
第一,器件多,产线少,一张时间表都没有。量子、射频神经网络、光电组合、液态忆阻器、酸碱逻辑门、真菌计算、打印类脑芯片——七条技术路线,全部停在论文和实验室阶段。作者自己在第 5 章开篇就承认:"虽然这些技术目前仍处于实验室阶段,但研究人员对其寄予厚望。"这句话是全书写得最诚实的一句,也是最该被读者警惕的一句:它把"是不是实验室阶段"和"值不值得期待"混在一句话里说了。前者是事实,后者是态度。而读者真正需要的信息——哪条路三年内能进产线、哪条路要二十年——书里没有。
我能理解作者为什么不写。给时间表是要担责任的,而且很容易被打脸。但一本 2025 年出版、副标题带"AGI 愿景"的书,如果连"哪些是近中期、哪些是远期"都不肯分层,读者就只能自己猜。而读者猜错的概率极高,因为书里这些技术是并置叙述的,语气强度也差不多。
第二,先进封装讲得太薄,而这恰恰是当下最硬的墙。第 4 章 88 屏里,讲芯粒与异质集成、3D 堆叠、晶圆级单片芯片的合起来不到 30 屏。对比一下:讲晶体管架构演进、晶背供电、EUV 光刻的部分占了 20 多屏。这个配比反映的是一种"以器件为中心"的视角,可今天的产业现实是——算力瓶颈已经从"制程"移到了"封装和互联"。
书里那张芯粒对比图上,HBM 是画出来了的。但正文几乎没有展开:HBM 的带宽怎么成为大模型推理的硬瓶颈、CoWoS 的产能有多紧、为什么先进封装成了整条链上最卡的一环。这些才是解释"为什么买不到卡"的关键,而书里没有。
第三,软件栈整块缺席。这是我读完全书最意外的一点。528 屏里,CUDA 生态、编译器、算子库、框架与硬件的协同优化,基本没有系统性的讨论。而如果要问"英伟达的护城河到底是什么",答案从来不是晶体管,是那套跑了十几年的软件栈和开发者习惯。硬件可以被追平,生态不能。
这本书把大量篇幅给了"未来可能颠覆英伟达的七种器件",却没花力气解释"英伟达现在凭什么收这个价"。前者是研究者的兴趣,后者是产业的事实。一本讲 AI 芯片的书,如果只讲前者,读者会得到一个危险的结论:以为颠覆会从器件层面发生。实际上更可能从软件层面发生——或者根本不发生,只是慢慢被稀释。
第四,缺成本视角。全书讲能效(焦耳/操作)、讲算力(FLOPS)、讲密度,但很少讲钱。一块芯片多少钱、一座数据中心多久回本、一个 token 的推理成本是多少——这些才是决定技术能不能落地的东西。第 3 章提到小模型的"成本效益要高得多",是全书少见的成本讨论,但也只是一句带过。
这四条短板归结起来是同一件事:这本书是一张"技术可能性地图",不是一张"产业约束地图"。前者告诉你世界可以变成什么样,后者告诉你世界会变成什么样。两本都需要,但如果你只能读一本,且目的是做判断,那后者更有用。
八、这本书该怎么读
尽管有上面这些短板,我还是认为它值得读,但要按用途分三种读法。
第一种,当器件词典用。书里每一节基本是"某技术 + 某团队 + 某实验 + 某数据"的结构,索引性很强。你听到"存内计算""超维计算""耦合振荡""CFET""芯粒"这些词不知道是什么,翻对应的节,十分钟能建立基本概念,而且不会被忽悠——作者给的数字都是可查的。这一点比很多二手科普强得多。比如存内计算那节,他直接讲了 NVM 的耐久性限制:只允许 10⁶~10⁹ 次写入操作,而 Transformer 编码器每个自注意力层都要对所有交叉棒重新编程,这会使器件寿命迅速缩短;同工艺节点下 NVM 与 SRAM 相比,每比特的时延和能耗至少高一到两个数量级。这种"把新技术的坑也写出来"的段落,才是技术书的诚意。
第二种,单读第 3 章。如果你只关心"AI 会往哪走",70 屏的第 3 章是全书精华,可以独立成篇。它把扩大派和改良派的证据都摆好了,还给了小模型、终身学习、符号计算三条替代路线。读完你自己可以下判断,不需要作者替你下。
第三种,和第 1 章 1.4 节对着读。先看那三段翻倍曲线(24 个月 / 3-4 个月 / 2 个月),再看第 3 章的收益递减。两个东西放在一起,你会发现这本书真正的张力不在任何单一章节,而在这两处的矛盾里:需求侧在指数增长,供给侧在指数受限,而作者给出的七条出路,没有一条有明确的时间表。
最后说一句我读完最真实的感受。这本书让我确认了一件事:AI 芯片这个领域的讨论,正在从"架构之争"变成"物理之争"。架构可以纸上设计,物理不行——漏电、散热、良率、材料、成本,每一样都要用年为单位去磨。而我们对 AGI 的想象是按月推进的,对硅的耐心是按十年计的。这两条时间线什么时候撞上,才是这本书真正该回答、却绕过去的问题。
阅读记录
书名:AI芯片:科技探索与AGI愿景
作者:张臣雄 出版社:人民邮电出版社 出版时间:2025-07-01 ISBN:9787115666031
本次阅读:微信读书逐页截图 528 屏,覆盖版权页至第 7 章末(七章主干完整),抓取耗时 694 秒
说明:第 7 章末页仍显示"下一章"入口,抓取在此处停滞,末章之后的附录/后记未纳入本次阅读;本文字数与引句均来自实际截图,未引用的部分为我的判断
逐页精读系列 · 2026 年 11 月
AI 实战导师 / 企业 AI 落地顾问 / 智能体工程师,17 年跨界、15,000+ 小时 AI 实操、20+ 套已交付工作流。
发表评论: