巴斯筆記: 黃氏定律（Huang's Law）

星期日, 11月 23, 2025

黃氏定律（Huang's Law） 是以 NVIDIA 執行長黃仁勳（Jensen Huang）命名的一個非官方但被廣泛認可的技術觀察定律。簡單來說，它是 AI 運算時代的摩爾定律，但速度更快、維度更廣。

以下我為您整理的專業解釋，適合您從技術與商業策略雙重角度來理解：

摩爾定律 (Moore's Law)： 關注的是**「電晶體密度」**。由 Intel 創辦人 Gordon Moore 提出，預測晶片上的電晶體數量每 18-24 個月增加一倍，效能隨之提升。這主要依賴半導體製程（Lithography）的微縮。
黃氏定律 (Huang's Law)： 關注的是**「AI 推論效能」**。黃仁勳提出，GPU 在 AI 處理上的效能，將以 每年翻倍（甚至更快） 的速度成長，遠超摩爾定律的預測。
- 數據佐證： 在過去 10 年間，NVIDIA 的 GPU AI 推論效能提升了 1000 倍，而同期的摩爾定律僅能提供約 100 倍的增長（若僅看單執行緒 CPU 效能則更低）。

不同於摩爾定律主要依賴台積電等晶圓廠的製程進步，黃氏定律是透過**「全端優化（Full-Stack Optimization）」**來實現的。這也是為何它能跑贏摩爾定律的關鍵：

晶片架構創新 (Architecture)：
不再通用，而是走向專用。例如加入 Tensor Cores（專門處理矩陣運算）、Transformer Engine（針對 AI 模型架構優化）。H100 到 Blackwell 的躍進，很大程度來自於架構對 FP8/FP4 低精度運算的支援。
互連技術 (Interconnect & Systems)：
單晶片效能有極限，所以改拼「系統級」效能。透過 NVLink 和 NVSwitch，讓數百顆 GPU 像一顆超級晶片一樣運作。這打破了單一晶片的物理限制。
演算法與軟體 (Algorithms & Software)：
這是最常被忽略的一環。透過軟體層（CUDA、cuDNN）的改良，以及 AI 模型本身的瘦身（如量化技術），即便硬體不變，效能也能提升。軟硬體協同設計（Co-design）是黃氏定律的核心。

黃氏定律帶來的影響主要體現在以下三點：

資產折舊加速（Depreciation）：
這正是我們剛才討論 H100 會在 5 年內失去價值的理論基礎。因為技術迭代是指數級的，舊設備的「單位算力成本」會迅速被新設備碾壓。
算力通縮（Deflation of Compute Cost）：
雖然單顆 GPU 越來越貴（Capex 上升），但「每單位智慧的成本」正在劇烈下降。這將導致 AI 應用從高成本的 B2B 領域，快速普及到邊緣裝置與消費性電子。
設計思維轉變：
過去電子業看重的是「製程節點（Node）」；現在看重的是「系統封裝（CoWoS）」與「傳輸頻寬（HBM/Optical）」。

摩爾定律已死（或放緩），黃氏定律當立。

摩爾定律描述的是物理的極限，而黃氏定律描述的是系統工程的無限性。只要人類能不斷優化架構、互連與演算法，AI 算力的成長就不會受限於 2nm 或 1nm 的製程瓶頸。

巴斯筆記