管理資訊系統(MIS)

摩爾定律由Intel共同創辦人Gordon Moore於1965年提出，當時他觀察到積體電路（IC）上的電晶體數量每18-24個月翻倍，導致計算性能以指數級增長。這一定律不僅是半導體產業的「預言」，也成為MIS課程中的經典案例。尤其在台灣，高普考的資訊管理科目常以題目考查電路設計自動化（EDA）、晶片製造技術或硬體發展史，這些都與摩爾定律密切相關。從早期的Intel 4004處理器到後來的GPU革命，摩爾定律驅動了科技進步，讓電腦從龐然大物變成掌上設備。

然而，隨著時間推移，摩爾定律開始面臨挑戰。從2010年代後期起，電晶體尺寸已縮小至2-3奈米，逼近原子級極限。進一步縮小節點（如從7奈米到2奈米）不僅技術難度激增，成本也隨之暴漲。同時，功耗問題成為瓶頸，例如過熱和能源效率的下降。Intel CEO Pat Gelsinger在2024年Computex上仍堅稱「摩爾定律活著」，並強調新材料和新製程（如EUV光刻）能延續這一定律。但AI時代的技術突破已顯示，單靠電晶體密度的提升已不足以應對當前需求，這正是黃仁勳觀點的切入點。

黃仁勳在2024年GTC（NVIDIA全球AI大會）、2025年CES和Computex等重要場合，多次強調AI計算性能的成長已進入「超摩爾定律」（Hyper Moore’s Law）或「摩爾定律平方」（Moore’s Law Squared）階段。他提供了具體數據：過去10年，AI晶片性能提升了1000倍，遠超摩爾定律預測的100倍（基於每2年翻倍，10年約32-100倍）。這種驚人成長背後，依賴多項創新技術。

NVLink與高速互聯：是一種高頻寬互連技術，允許多GPU（如GB200 NVL72系統）組成超大規模集群。黃仁勳在2024 SIGGRAPH上展示，這樣的設計讓推理性能提升30-40倍，遠超單晶片極限。這意味著AI模型訓練和部署不再依賴單一處理器，而是系統級協同工作。

3D積層與先進封裝：此技術讓晶片像樂高積木般堆疊，繞過傳統摩爾定律的尺寸瓶頸。黃仁勳在2025 Computex上預測，這種技術讓NVIDIA能每6個月推出新架構，甚至考慮每季度更新，遠快於傳統2年週期。

AI軟體與算法優化：NVIDIA的CUDA庫和AI scaling laws（涵蓋預訓練、後訓練和測試階段的計算優化），讓相同硬體效能放大數倍。「AI雲端」和「AI模擬」正是這一趨勢的體現，展現軟硬體結合的威力。黃仁勳稱這為「正向回饋迴圈」：AI設計更好AI，加速創新。

具體例子令人印象深刻。2014年，訓練AlexNet神經網絡需要6天，而如今使用NVIDIA DGX-2伺服器僅需18分鐘，效率提升500倍。整體AI產業從2010年到2022年，計算力每4-9個月翻倍，遠快於摩爾定律的2年週期。黃仁勳預測，未來AI將「每年翻倍或三倍成長」，這一說法已獲Google、Meta等企業驗證。

黃仁勳的論述並非空穴來風，但也帶有商業宣傳色彩。作為NVIDIA的領導者，他積極推廣Blackwell和Rubin架構，強調NVLink的獨佔性，這確實有助於提升公司市場份額。然而，產業數據和競爭對手的行動支持了他的核心觀點。TSMC（NVIDIA的晶片代工商）確認先進封裝是未來關鍵，AMD的MI300X也採用類似chiplet設計，顯示這是轉型趨勢。科技媒體如Forbes和TechCrunch，以及Reddit上的專家討論，普遍認同AI進入「Huang’s Law」時代（GPU性能每2年三倍以上）。即便Intel持不同意見，強調摩爾定律的延續性，但AI領域的加速已成為共識。

在AI科技的背景下，傳統摩爾定律確實已過時，但並未完全消失。原因如下：

過時的根源：摩爾定律聚焦單晶片電晶體密度，而AI需求轉向「系統級計算」。「AI雲端」和「高速互聯」顯示，當前進步依賴大規模集群和軟硬體優化，而非單一晶片的電晶體數量。物理極限讓節點縮小收益遞減，從7奈米到3奈米僅提升20-30%性能，遠低於早期的倍數成長。

新定律的崛起：Huang’s Law或Hyper Moore’s Law更適合描述AI時代，預測性能每年翻倍。Google的TPU集群和Meta的AI超算中心已採用類似模式，NVIDIA的GB200系統更是典範。

挑戰與未來：AI的加速帶來功耗和成本挑戰。一個大型AI模型訓練可能耗電數百萬度，NVIDIA正推「AI工廠」概念，結合可再生能源解決問題。同時，人才需求激增，MIS專業的學生需快速適應。

對於準備高普考的你，這一轉變帶來考試和職業發展的雙重影響。傳統MIS考題可能聚焦晶片設計，但未來將更強調系統整合（如3D積層、AI加速器）和雲端技術。以下是具體建議：

掌握基礎知識：熟練理解摩爾定律的歷史背景，並比較其與Huang’s Law的差異。這在選擇題或簡答題中可能得分關鍵。

關注產業案例：研究台積電與NVIDIA的合作（如CoWoS技術），以及AI應用場景（如自動駕駛、醫療AI）。這些案例常出現在應用題中。

學習新技能：熟悉AI基礎（如機器學習框架）和硬體架構（如GPU集群），這將是未來職場的入門門檻。

關注政策趨勢：台灣作為半導體重鎮，政府推動AI產業（如AI產業創新計畫）。了解政策動向，有助於應對時事題。