田丰说

北京电视台《北京时刻》专访田丰 （2026年5月30日） Q1. 田院，过去50年，人类科技建立在“摩尔定律”之上，像时钟一样精准。但最近这几年，大家都在喊“摩尔定律死了”。华为在这个时间点抛出“韬定律”，是不是相当于给半导体产业发了一张“新身份证”？ 是一把新尺子，而且是在旧尺子失效之后补发的。 1）摩尔定律从来有两条腿，现在断了一条 戈登·摩尔在1965年的论文里，核心表述是"最低成本下的晶体管密度"——密度翻倍的同时成本要下降。前半条密度翻倍，勉强维持到今天。后半条成本下降，在2011年的28nm节点就停止了，谷歌工程师Milind Shah在IEDM 2023大会上明确印证：晶体管成本缩放在28nm之后一代不如一代。华为论文直接引用了这个现实：2nm节点的单颗芯片设计成本已超过10亿美元。摩尔定律不是慢慢变老，是关键器官先行停止工作了。 2）韬定律的身份证意义，在于重新定义"什么叫进步" 论文的核心命题不是"我有新工艺"，而是"我换了评价坐标系"。何庭波在论文中写道：过去每一代制程交付的本质，是时间的压缩——皮秒（10⁻¹² 秒）、纳秒（10⁻⁹ 秒）、微秒（10⁻⁶ 秒）、毫秒（10⁻³ 秒）各自压缩。几何缩微不过是压缩时间的一种工具，而非目的本身。将τ定义为从晶体管到数据中心全栈十二个数量级的统一优化目标，是一次度量哲学的根本切换。黄仁勋在GTC上说"扩展定律转向"，但他没有给出新的度量语言；韬定律填的正是这个空白。 3）时机是这张"身份证"最有价值的信息 摩尔定律诞生于英特尔需要一个行业共同语言的时刻；韬定律诞生于华为被迫脱离原有节点轨道的时刻。两者都是由压力驱动的范式声明，不是纯粹的学术探索。区别在于：摩尔1965年提出预测时更多是外推，彼时半导体产业的跑道才刚刚展开；何庭波2026年提出τ定律时，手里有381款量产芯片的六年实测数据。在科学方法论上，后者的基础更扎实。 Q2. 田院，您提到了“时间常数τ”。我看到很多资料里反复提到一个核心技术叫“逻辑折叠”。这听起来像是把芯片像折纸一样折叠起来？ 是把芯片的"内部高速公路"（电路）从平面改建成立交桥，而且在设计图纸阶段就画好了立交。 1）折叠的对象是"关键路径"，而不是整颗芯片 平面芯片里，逻辑门之间的信号必须沿金属导线在同一层平面上绕远路传输，导线越长信号越慢（RC延迟）。逻辑折叠做的事是：把关键路径上的逻辑门，分布到垂直方向上两层有源硅片上，通过混合键合连接。信号从"绕圈"变成"走楼梯"，路程大幅缩短。论文麒麟2026实测数据：折叠后一颗典型处理器核心导线长度减少约30%，时钟偏差减少25%，时钟缓冲器数量减少超过50%。 2）逻辑折叠与3D堆叠的本质差异，是"设计时集成"和"完成后组装"的区别 论文中有一个关键细节：逻辑折叠要求混合键合间距低于2μm（麒麟2026已做到1.5μm），且两层之间的"齿轮比"趋近1：1——即两层之间的互连密度与单层内部的金属布线密度几乎相同。从电路设计角度看，两层合为一个连续的设计空间，而不是两颗芯片的拼接。3D堆叠是把已完成设计的芯片垂直组装；逻辑折叠是在设计阶段就把三维空间纳入优化变量。后者是封装工艺问题，前者是设计方法论革命。 3）论文明确标注"保守应用"——真正的能力上限远未释放 麒麟2026的逻辑折叠是选择性部署在关键路径，TSV只下探到顶层金属。论文预测，当TSV下探至M6（释放30%以上高层布线资源）、间距进一步收窄时，晶体管密度将从当前238 MTr/mm²迈向2031年的~400 MTr/mm²（等效1.4nm水平）。论文频率路线图：2026年麒麟2026已出硅3.1GHz，2027年预计3.39GHz，2028年3.71GHz，2029年目标4GHz。今年秋季发布的新麒麟是逻辑折叠第一次完整商用，但依然是"低档起步"，不是全力输出。 Q3. 田院，我注意到一个非常有底气的数字：华为披露过去6年基于这个理念已经量产了381款芯片。这个数字在行业内是什么水平？ 是一个证明了"批量工程能力"而非单点突破的工业级成就，其含金量在设计广度，而非单颗旗舰。 1）381款的含金量不在总数，在覆盖的场景宽度 论文明确说明：这381款芯片覆盖了移动SoC、AI加速器、汽车、工业和基础设施市场。这意味着τ缩放方法论在不同功率包络、不同延迟要求、不同可靠性标准下都通过了量产验证。行业通常的做法是：一个新设计方法论在旗舰芯片上试验2-3年后，才向其他产品线推广。华为用6年时间同步在全产品线验证，这是规模化工程实践而非旗舰演示。张汝京曾强调，半导体的竞争核心是"能持续量产"而非"能做出样品"——381款正是持续量产能力的证据。 2）从频率爬升曲线看量产质量，斜率变化比总数更说明问题 论文给出的纵向数据： 2023年麒麟9000s平面工艺2.6GHz； 2024年麒麟9020为2.65GHz； 2025年麒麟9030 Pro为2.75GHz——平面工艺三年合计爬升0.15GHz。 2026年麒麟2026引入逻辑折叠后跳升至3.1GHz——一代跃升0.35GHz，且在固定制程节点下实现。频率曲线的斜率突变，是"方法论有效"最直接的工程语言，任何文字描述都比不上这张表格。 3）381款芯片背后是完整生产生态，这才是真正的护城河 论文专门在第3节披露了量产参数要求：混合键合间距1.5μm，TSV CD和KOZ低于1.5μm，间距低于6μm，目标良率~100%（通过智能冗余实现），失效率低于100 ppm。这套能力体系——EDA工具链、封装工艺、测试体系、多晶圆工艺偏差管理——不是一颗旗舰芯片能验证的，需要几百款量产芯片的持续打磨才能建立。381这个数字，是生态能力的厚度，不是产品数量的堆砌。 Q4. 这是否意味着，我们一直担心的“制程封锁”被部分破解了？ 是在现有制程约束下开辟了第二条性能提升路径，它绕开的是封锁的具体手段，而不是消除制程差距本身。 1）封锁的逻辑从"断供纳米数决定一切"转变为"性能还有第二条路" 美国出口管制的核心逻辑是：最先进制程（需要EUV）决定最高性能，禁止EUV出口等于锁死中国的性能天花板。韬定律的工程验证告诉市场：在固定制程节点下，通过逻辑折叠可以获得一代制程跃升的等量性能收益。论文原文明确表述："麒麟2026晶体管密度从155到238 MTr/mm²的跃升，按照传统几何缩微通常需要3年时间。"封锁手段依然在，但其效果的单位时间内的衰减速度加快了。 2）"部分破解"需要被精确量化，不能模糊表述 论文频率数据给出了明确定位：苹果A19 Pro（4.26GHz）仍领先于华为2029年路线图目标（4GHz），且苹果彼时将在更先进制程上叠加同类系统优化方法。5nm及以下制程的成本缩放已经放缓甚至反转，EUV光刻机的极端成本使竞争门槛急剧提高——这一现实既是华为面临的约束，也是全行业共同的成本压力。差距在缩小，但绝对量仍存在，且苹果不会原地等待。 3）制程封锁被"部分破解"的更深意义，是产业心理预期的重设 过去六年，国内半导体产业的主流焦虑是"只要卡住EUV，一切都完了"。韬定律提供了一个工程层面的反例——不仅是华为的反例，更是方法论层面的反例。这一预期的重设，会直接影响国内资本向EDA、先进封装、材料的配置决策。任正非多次说"方向比努力更重要"——韬定律的最大破封意义，可能正是给了中国半导体产业一个经过实测验证的新方向。 Q5. 田院，您作为产业观察者，您觉得“韬定律”的发布，会对全球半导体巨头，比如台积电、英特尔、三星，造成什么样的冲击？ 是对它们构成了"竞争坐标系被重新定义"的冲击，但三家各自受冲击的方向完全不同。 1）对台积电的冲击是"独家竞争优势叙事权"层面的威胁 台积电的护城河不只是制程工艺，更是"你要最先进性能就必须来找我"这一叙事的垄断地位。韬定律如果被行业接受，则"最先进性能"的定义不再与"最先进制程节点"高度绑定。但需要注意：台积电本身也在推进SoIC等先进封装，完全可以在N2制程上叠加逻辑折叠，同时获得制程和方法论的双重红利。台积电在2026年5月的技术论坛上高调披露了其"三层蛋糕"AI平台架构：底层是运算层，中间是封装集成层，最顶层是光子互连层，相比传统铜线COUPE可使系统能效提升4倍、延迟降低10倍。台积电是τ优化的竞争者，也是最有能力同步受益的玩家。 2）对英特尔的冲击恰恰相反——韬定律实际上是英特尔的叙事利好 英特尔的Foveros三维封装与逻辑折叠的技术方向高度重叠；英特尔Meteor Lake已实现了不同模块在不同制程节点独立制造、再通过封装集成的Chiplet路线。Moore's Law如今已成为晶体管创新、先进封装（如英特尔Foveros）、软件优化和Chiplet设计的多维收敛——韬定律的普及，为英特尔提供了一个向市场解释"我的制程不用领先台积电、但系统级性能一样能赢"的理论框架。对一家制程暂时落后但封装技术有独特积累的公司，τ定律的推广是有利的产业叙事。 3）对三星的影响最复杂——它在制程和封装都有布局，但都不是最强 三星2nm制程良率目前约在30-50%，远低于台积电水平，但三星在HBM（高带宽存储）上占据主导地位，是τ优化的核心资产。论文第5节明确指出："AI时代逻辑与存储的再融合是结构性趋势，供应链影响力将向存储和封装厂商倾斜。"三星是唯一同时拥有逻辑制程、HBM和封装能力的垂直整合厂商。韬定律若加速产业化，三星有机会在内部实现τ全栈优化——前提是先解决良率问题。 Q6. 胡延平教授评价说这是“解锁了华为式的芯片计算时空观”。您认同吗？ 是一个有工程实测支撑的方法论框架，"时空观"的说法在战略认知层面成立，但不能替代论文明确列出的四大未解工程难题。 1）从"空间竞争"转向"时间竞争"，这一判断有严格的技术支撑 论文第2节核心推导是：摩尔定律每一代交付的本质，不是更小晶体管，而是更短的时间： · 器件层：将晶体管的开关延迟（τ_device）在皮秒级压缩更小。 · 互连层：将全局信号传播延迟（τ_interconnect）在纳秒级压缩更小。 · 存储层：将内存访问延迟（τ_memory）在微秒级压缩更小。 · 系统层：将任务响应时间（τ_system）在毫秒级压缩更小。 这是可以在物理层面验证的命题。论文明确写道："τ缩放是继德纳德（Dennard）1974年以来，第一个为整个计算栈建立共同优化目标的缩放原则。"Dennard的论文建立了电压-尺寸同步缩放的理论；韬定律在Dennard标架之后，为全栈优化提供了新的第一目标——这个理论定位是有历史坐标的，不是虚言。 2）"时空观"的说法在认知价值上成立，但不能遮蔽工程现实的粗粝 Demis Hassabis曾说，在AlphaFold的研究中，改变问题的定义方式本身就是创新的核心。韬定律的精髓与此相似——在"制程轨道被封堵"之后，回到"计算的本质目标是什么"重新寻找答案，最终发现：目标是时间，不是面积。这种范式切换的认知价值是真实的。但论文第6节明确列出的四大未解难题不能被"时空观"的表述所掩盖： 1. 工具链缺失：现有EDA不适配逻辑折叠 2. 多晶圆工艺偏差：影响时序和保持时间裕度 3. 垂直互连开销：每个混合键合和TSV均带来RC惩罚 4. 最关键的——能耗约束：τ是时间定律，不是焦耳定律，速度提升10倍功耗可能同步提升10倍。 3）更准确的定性是"被约束逼出的第一性原理再出发" 钱学森在系统工程理论中强调，复杂系统的优化必须从目标函数的第一性原理出发。韬定律的出现，正是在制程路径被外部封锁后，被迫回到"计算的本质目标"这个第一性原理问题上。它的含金量是真实的，但来源是苦难中的清醒，而非天才般的顿悟。这一点既不应被过度神化，也不应被低估——在行业最权威的学术场合用实测数据说话，本身已经超越了绝大多数"被制裁企业"所能做到的事。 Q7. 时间过得真快。最后，我想请两位老师用一句话总结，站在2026年这个节点，韬定律对中国意味着什么？ 是中国半导体第一次在IEEE顶级学术舞台，用六年量产数据提出了一套可被全球同行讨论和检验的技术范式——这一天比任何单款芯片的发布更有历史意义。 1）从跟随者到出题者，这是历史上最难的一步 在半导体这个产业里，出题者制定路线图，跟随者沿着路线图跑。过去60年，ITRS（国际半导体技术路线图）由美日欧机构主导，中国企业是跟随者。韬定律是中国第一次在全球半导体最权威的学术舞台发布一套有完整形式化理论（τ的分层定义）、有量产数据支撑（381款芯片）、有具体预测（2035年>400 MTr/mm²）的技术范式。 2）最大价值是提供了一个"可量化追赶的参照系" 中国半导体产业过去最难受的困境，不是没有资金和工程师，而是"不知道往哪个方向出力才算数"。唯制程论的世界观里，没有EUV，任何努力的上限都被事先封顶。韬定律给出的是一张新地图：τ优化的每一层（器件、电路、芯片、系统）都有可以量化的改进空间，都有国内供应链可以参与的技术方向。梁文锋曾说，DeepSeek的核心贡献不是发明了新算法，而是找到了"用现有计算量做更多事"的系统效率路径——韬定律在硬件层面做了性质相同的事情。 3）6年后回头看，2026年5月25日可能是中国半导体从"跟跑"到"独立叙事"的分水岭 摩尔定律的影响力不在于它是否在物理上精确成立，而在于它为产业提供了40年的共同语言和统一投资方向。韬定律是否最终成为行业主流，现在无法判断。但这个时间点上，中国第一次把"方法论主权"从跟随变成了争夺——用实测数据，用IEEE认可的学术发表，用覆盖全产品线的量产证明。论文最后一句话值得被记住："道阻且长，行则将至（The roadmap ahead is demanding, but the direction is unambiguous）。"这句话，既是对技术路线的承诺，也是对一个时代的宣示。

作者：快思慢想研究院 田丰，央视财经编辑 任芳言 （注：以下为"数据要素×"专题研究分析全文） 编者按：当一份名老中医的诊疗记录，开始与大模型的训练需求相遇，一场关于数据要素的深层变革，才刚刚显现其真正的量级。 一、"数据要素×"赛道扩容 2026年，"数据要素×"大赛迎来新一轮扩容。新增赛道包括人力资源、体育发展、文物保护利用、中医药、数据基础设施建设。消息本身并不令人意外——但读懂这份赛道清单背后的逻辑，才能看清中国数字经济正在发生的结构性转变。 前两届大赛的主战场，集中于工业、金融、医疗等数据结构化程度高、价值路径清晰的领域。2026年新增的三个民生与文化赛道——人力资源、文物保护利用、中医药——却呈现出截然不同的数据特征：价值在于不可复制性。 这是一次从"能流通的数据"到"有独特性的数据"的战略跃迁。数据的稀缺性，正在从信息层向认知层升级，整个赛道也在由生产型场景向意义型场景系统性扩展。 国家数据局局长刘烈宏在大赛启动仪式上明确提出六大突破方向：以赛搭台推动数据基础制度落地、以赛强基加快基础设施建设、以赛促用发挥高价值场景牵引、以赛兴市助力全国一体化数据市场建设、以赛强产壮大数据产业生态、以赛赋智赋能人工智能创新发展。六个方向，构成了一张从制度到产业、从基础设施到应用场景的完整战略地图。 二、三类场景：规模化落地的条件已经同时具备 在讨论新赛道之前，有必要先确认一个基准：已有哪些场景真正跑通了？ 根据前两届大赛积累的案例数据，以下三类场景的技术成熟度与商业可行性已同时达标，具备规模化复制的条件： 金融风控数据融合。 多方数据联合建模的方案已成熟，银行信贷不良率可降低20%至30%，ROI路径清晰，付费意愿明确。 工业质检与预测性维护。 工厂传感器数据与历史故障数据交叉建模，部分制造业场景已实现ROI正转。这是数据要素在实体经济中最早兑现商业价值的领域之一。 医保控费欺诈识别。 模型已在多省医保系统正式上线，效果可量化，合规路径清晰。 这三类场景的共同特征是：需求方付费意愿明确、效果可量化、合规路径清晰。它们构成了数据要素乘数效应从理论走向现实的第一批压力测试，也为新赛道的扩展提供了可参照的方法论。 三、文物保护利用，非结构化数据转化为生产力的典型实践 如果说金融、工业、医保是数据要素的"第一代战场"，那文物保护利用赛道的出现，意味着数据要素正在进入一个完全不同的知识维度。 文物数据的核心挑战，是高密度非结构化数据的治理问题。影像数据、三维扫描数据、出土语境信息、病害记录、修复档案——这些数据不仅格式各异，更重要的是，其价值需要跨学科的语义理解才能被激活。将文物病害、保护修复、安全监管等多源数据融合，可以实现文物保护修复、监测预警、精准管理等功能。 这条赛道的战略意义，在于验证了一个更普遍的命题：多模态非结构化数据，经过标准化治理后，能够支撑AI模型训练和专业决策。这不是文博行业的专项工程，而是数据要素在"意义型场景"中可行性的基础性实验。一旦方法论成熟，文化遗产、档案管理、地质勘探等大量依赖非结构化积累的领域，都将迎来同样的数字化转型机会。 四、中医药数据，AI时代最具全球竞争壁垒的知识资产 如果要在2026年所有新赛道中选出一个最具战略纵深的方向，答案是中医药。 一位名老中医的临床诊疗记录，在全球范围内是唯一的专有知识资产——不可复制，不可再生，不可替代。它的稀缺性来自数千年不可再生的历史积累：一个名老中医对某类疾病的诊疗洞见，无法通过文献检索重建，只存在于那一份完整的临床记录之中。 DeepMind联合创始人Demis Hassabis在谈到AlphaFold的蛋白质结构预测突破时曾指出：这一成就的根本，是获得了足够大、足够干净的蛋白质结构数据库。数据本身，就是核心资产。中医药数字化的机会逻辑与此完全相同：数千年积累的临床知识，一旦被系统化为训练数据和知识图谱，将成为构建中医大模型不可替代的认知底座。 这即是中医传承问题，也是中国在全球AI竞争中独特的数据禀赋。当其他国家的医疗AI在争夺同质化的结构化病历数据时，中医药数据集提供的是一种世界范围内无法复制的竞争位置。 五、人力资源赛道，劳动力定价机制的一次深层重构 人力资源赛道的接入，表面上看是"招聘数字化"的延伸，实质上是劳动力要素定价机制的深层重构。 人社部数据接入数据要素赛道的核心价值，在于打破"学历标签"对劳动力定价的垄断。当职业技能评价数据、就业流向数据、岗位技能图谱数据实现互联互通，企业可以对候选人进行能力预测，而非资历比对。这不是招聘效率优化，是劳动要素市场的信息结构改造。 对中小企业的意义尤为直接：用工成本中隐含的信息不对称溢价，将随着数据维度的丰富而逐步压缩。这是劳动要素市场效率的系统性提升，也是数据要素乘数效应在就业领域最直接的产业形态。 六、体育赛道与公共数据变现，一个可复制的商业模板 体育发展赛道的战略意义，同样超出体育产业本身。 场馆运营数据、赛事运营数据、市民运动行为数据与城市规划数据、医保数据的融合，提供了一个完整的"公共数据授权运营→场景收益分成"商业模型：地方政府以数据使用权入股，企业负责运营变现，收益按协议分配。这条赛道的意义不在于体育产业本身，而在于提供了一个可复制的公共数据变现模板。这一模式一旦跑通，将为文旅、公共卫生等更多公共数据场景提供标准化路径。 七、千亿市场规模之后，效率才是真正的战场 2024年，中国数据交易市场规模约2115亿元。这个数字足够亮眼，但它掩盖了一个更值得关注的结构性问题：绝大多数交易仍是场外点对点完成，场内交易占比极低。 原因不是数据交易所不够多——全国已有超过50家。根本障碍是数据产品的标准化程度，远未达到支撑场内规模化撮合的水平。一个金融风控数据包，不同买方对其质量、时效、覆盖范围的要求差异极大，难以形成统一定价。 真正的突破口，是"数据产品分级认证"制度的建立：类似食品成分表的标注体系，为数据产品建立可比较的质量描述框架——是什么数据、覆盖多少范围、时效性如何、经过何种清洗。这是场内交易规模化的前置条件，也是整个市场从"野蛮生长"走向"制度成熟"的关键一跃。 与此同时，公共数据授权运营正成为当前最确定的价值释放路径。2025年国家数据局发布100个公共数据"跑起来"示范场景，医保数据、海关通关数据、气象数据等场景的商业可行性已得到初步验证。 公共数据的天然优势在于：政府持有数据产权，企业持有运营能力，二者合作天然规避了数据所有权争议。目前的核心卡点，是各省授权运营规则不统一——同一数据集在不同省份的授权条款、收益分配比例、使用限制均不一致，导致全国性业务的数据合规成本极高。统一授权运营标准，是释放这一价值的关键制度动作。 八、数据×AI，一台双向驱动的引擎 数据要素市场2026年最重要的新变量，是与人工智能形成的双向驱动关系。 一个方向是已被广泛讨论的"数据增强模型"：高质量数据喂养更好的AI。AI先驱、特斯拉前AI总监Andrej Karpathy在谈到大语言模型训练时曾指出：数据质量对模型性能的影响，远超参数规模。这一判断已成为行业共识，并直接转化为大模型厂商对高质量中文语料、专业领域标注数据的迫切需求——他们正在成为数据要素市场前所未有的强力需求方。 另一个方向则更为微妙，也更容易被忽视：模型反哺数据质量。 当大模型具备语义理解和自动标注能力，它开始反向提升数据供给侧的质量和效率——原本需要大量人工标注的低质量数据集，可以借助模型实现自动清洗和结构化。数据与AI的关系，由此从单向喂养变成双向迭代的正向飞轮。 数据供给方若能建立与AI训练需求匹配的数据产品规格，将获得远高于传统数据服务的议价能力。这一双向驱动关系，是2026年数据要素市场最重要的增量来源。 九、数据基础设施，铺设数字经济的"TCP/IP协议" 2026年大赛专设"数据基础设施建设"赛道，背后有深刻的现实动因。 数据流通当前面临的最大摩擦力，从来不是数据量不足，而是跨主体传输时的信任成本与合规成本，高到足以令整个商业闭环断裂。一次金融机构之间的数据联合建模，从意向到落地平均需要6至18个月的合规谈判，法务成本有时超过数据本身的价值。 隐私保护计算、区块链、可信数据空间等基础设施的核心功能，正是用技术手段替代法律谈判——将"数据可用不可见"变成可审计的技术承诺，把合规成本从每次交易的线性支出，压缩为一次性基础设施投入。互联网先驱Vint Cerf在解释TCP/IP协议的历史意义时曾说，标准化通信协议的价值，在于消除每对节点之间独立建立信任的冗余成本。数据基础设施的逻辑与此完全相同。 这里有一个重点往往被忽略： 数据基础设施原生化，将彻底改变数据产品的形态。目前绝大多数数据应用是"定制化工程项目"——为某个具体业务场景专项对接，完全无法复用，每一次合作都要从头谈判、重新开发。数据基础设施原生化的核心变化，是将数据的接入、加工、流通封装成标准API，使数据产品可以像调用SaaS服务一样被调用，从定制化工程项目走向标准化API服务。英伟达创始人黄仁勋在描述GPU计算平台时有一个洞见：当计算能力变成可编程的标准接口，创新才能从硬件层解耦。数据基础设施的意义完全相同——只有数据流通变成标准接口，应用层的创新才能大规模涌现。 目前，国家数据局先后开展两批数据基础设施建设先行先试，推动隐私保护计算、区块链、可信数据空间等6条技术路线落地，并已吸纳了数据编织、数据网格等前沿方向，两批试点累计覆盖15个行业、43个城市，协同1.9万个生态主体，上架3.8万个数据产品，落地超过270个应用场景。这一布局的战略意图，是在应用层高度分散的情况下，在基础设施层建立统一标准，避免未来形成"数据孤岛群"——各行业各地域的数据平台互不连通，重复建设内耗资源。 十、城市治理×数据，全新业态正在成形 当数据基础设施与城市治理深度融合，一种新的产业主体形态将随之浮现——数字孪生运营商。 当城市的交通、能耗、应急、人口流动数据在可信数据空间内融合计算，传统的"系统集成商"角色将发生根本性升级：不再是一次性交付软件系统，而是持续运营数据资产、按城市治理效果分享收益。商业模式类似于云计算从"卖服务器"到"卖算力"的转变——从一锤子买卖变成持续经营的服务关系。 这是数据要素乘数效应在城市治理维度最直接的产业形态，也是数字经济从"信息化"向"智能化运营"跨越的关键节点。率先建立城市数据运营能力的企业，将获得传统IT服务商所无法企及的护城河：数据资产的积累具有时间不可压缩性，越早运营，越难被追赶。 十一、商业模式之困，从"政府采购"到"平台经济" 数据基础设施的可持续运营，面临一个经典的困境：场景培育需要时间，而基础设施投入需要立刻发生。 东营市可信数据空间项目提供了一个有参考价值的样本：总投资2亿元，资本金1亿元，发行专项债1亿元，以"政府债+运营商"的资本结构降低早期投资风险，等待商业场景成熟后由运营收入偿债。试点要求数据空间运营收入不低于总投资的10%，是对这一机制可行性的最低约束验证。 类比云计算的演化路径，数据基础设施商业模式将经历"专有→共有→弹性"三个阶段： 第一阶段：大企业和政府机构自建专有数据空间； 第二阶段：公共数据基础设施向中小机构开放、按需付费； 第三阶段：弹性按量定价，是最终形态。 借鉴云计算的规模经济逻辑，关键在于让固定成本被尽可能多的用户分摊。数据基础设施的商业模式与此相同——目前正处于第一阶段向第二阶段的过渡期，公共数据基础设施的"共有"形态尚未成熟。 收益反哺机制要真正成立，还必须先解决一个更基础的问题：数据使用价值如何计量？传统基础设施（高速公路、电网）的商业模式清晰——谁使用谁付费，计量单位明确（车次、度数）。数据使用的计量维度复杂得多：同一份数据，用于风控建模的价值与用于营销推送的价值可以相差数十倍。可行路径是基于使用场景的分层定价：监管与公共服务场景免费或低价，商业增值场景按效果分成——这一模式已在部分可信数据空间试点中得到初步验证。 当前最关键的风险，是场景培育周期可能长于专项债还款周期，导致"运营收入的成熟速度追不上债务偿还的节奏"。这是未来2至3年数据基础设施投资最需要警惕的系统性风险。 十二、权益分配，三权分离 数据要素市场建设最深层的难题，是同一份数据的"所有权、使用权、收益权"三权分离——技术上可行，法律制度上尚未完成确权。面对不可量化的风险，参与各方倾向于选择不行动。 一份医保数据产品，同时被风控公司、药企和学术机构使用，三方各自产生了不同的商业价值——但原始数据提供方（患者、医院、医保局）如何依据各自贡献分配收益，目前没有可操作的技术方案。区块链存证可以实现数据流转的可追溯，但无法解决"价值贡献量化"这一核心问题。真正的突破点，是建立行业级的数据使用效果归因模型——类似广告行业的归因分析框架，为数据贡献方提供可核验的价值证明。 生态协同磨合不畅，往往不是技术原因，而是时间偏好的错位：政府的考核周期是年度预算与任期目标；平台企业需要3至5年才能看到数据资产运营的规模效益；数据服务商的现金流压力要求6至18个月内回收投入；而某些数据资产（如中医药数据对大模型的训练价值）可能需要10年以上才能充分兑现。 解法是将不同时间偏好的利益进行分层设计：短期给数据服务商服务费以保证现金流；中期给平台企业场景分成获取运营利润；长期给政府数据资产增值实现战略收益。三层收益结构同时成立，才能形成稳定的多方协作动机。 与此对应的分工逻辑，应遵循清晰的边界：政府发放数据使用许可、制定数据质量与安全标准、提供基础设施补贴；平台企业建设数据流通技术标准、运营可信数据空间、提供跨行业的数据产品目录；数据服务商面向垂直行业深度开发数据产品、负责市场拓展与客户服务、将技术能力转化为商业闭环。三方一旦越位——无论是政府直接运营数据产品，还是平台企业深入垂直行业竞争——都会扭曲市场信号，导致生态劣化。 十三、普惠之路，让数据像水和电一样流动 数据基础设施建设的最终目标，是让数据成为像水和电一样的普惠性基础资源。但这条路上，最容易被忽视的障碍，恰恰在最末端。 大城市和大企业的数据问题，是"如何挖掘海量内部数据"。中小城市和中小企业的数据需求，截然不同——本质上是对"降低决策不确定性"的刚性需求，而非对"大数据系统建设"的需求。一个县域制造业企业最需要的，可能只是客户信用评分、上游原材料价格走势、同行业同规模企业的成本基准。这些需求不需要复杂的数据中台，需要的是低门槛的数据API服务和行业基准数据产品。 海关通关数据助力中小微企业降低融资成本这一已验证场景，印证了这一逻辑：公共数据经授权运营商标准化后，以低成本API形式向小微企业提供，直接改变了银企之间的信息不对称格局——这是降低中小企业用数门槛最清晰的成功路径。 中小城市的数据基础设施建设，应优先选择"租用"而非"自建"。大城市可以用财政资金建设本地数据中心，是因为本地数据体量和场景需求足以支撑运营成本；县级城市和三四线城市的数据量和场景密度，根本不支持独立运营。工信部2026年4月推进的"普惠算力赋能中小企业"专项行动，已明确以国家级运营商为主体向中小企业提供按需付费的算力服务。同样的逻辑适用于数据基础设施：由国家级或省级可信数据空间运营商，向中小城市提供"数据基础设施即服务（DaaS）"，是实现普惠化最经济的路径。 电力的普惠化，不仅需要电网，还需要标准化的插座接口和电压规格——否则用电设备无法互联。数据普惠化的"最后一公里"同样是标准化问题：当前数据产品的格式、质量描述、接入协议各异，中小企业即使获得了数据访问权限，也往往缺乏技术能力来使用。DeepSeek创始人梁文锋曾指出，真正的技术民主化，是让普通开发者以极低成本使用顶级模型能力。数据要素的普惠化，需要同样的产品哲学：把复杂性封装在基础设施层，暴露简单接口给应用层。类似"数据应用商店"的产品形态——将复杂数据查询封装成一键调用的垂直行业工具——是降低中小企业用数门槛最直接的手段。 尾声：临界点 诺贝尔经济学奖得主罗伯特·席勒曾说，真正的经济变革，从来不只是技术突破，而是技术与制度同时达到临界点时的共振。 数据要素市场的发展，正站在这个临界点上。技术路线已获验证，场景需求已经形成，制度框架正在补位，商业模式尚在摸索——这种"四项同时推进"的状态，既是机遇，也是挑战。从金融风控、工业维护到医保控费，数据要素的乘数效应已不再停留于理论层面。从中医药的知识资产化到城市数字孪生运营商的浮现，新的产业形态已经可以辨认轮廓。 1.9万个生态主体，3.8万个数据产品，270个落地场景——这些数字背后，是一张正在编织的新型基础设施网络。它的意义，不亚于上世纪末互联网骨干网的铺设，也不亚于本世纪初电力网络向农村延伸时那场悄无声息的生产力革命。 下一个问题，只剩一个：谁能最先把标准建起来，谁就能定义这张新电网的插座规格。 参考文章：《财经态度丨“数据要素×”赛道扩容，哪些新场景正加速落地？》，央视财经编辑 任芳言 畅销书：《AI商业进化论：“人工智能+”赋能新质生产力发展》 出版社：人民邮电出版社 作者：田丰 帮助你定位AI当下发展坐标的指南针 帮助你洞察AI未来演进趋势的航海图 通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。

央视财经采访田丰：τ时刻，当中国为全球芯片重写"时间尺度” 一、坐标系之争 1965年，戈登·摩尔在《电子学》杂志上写下那个改变世界的预言时，没有人意识到——他真正发明的并不是一条技术曲线，而是一种"共同语言"。此后六十年，全球半导体产业被一个数字所统治：纳米。从180nm到3nm，再到逼近物理极限的1nm，"几纳米"成为评判一颗芯片优劣的唯一通行证，也成为压在中国半导体厂商头上的一座"大山"。 2026年5月，IEEE国际电路与系统大会(ISCAS)上，华为首席研发主管何庭波抛出了一个新名词——韬(τ)定律。它把芯片性能的度量单位，从"几何尺寸(nm)"切换为"信号传播时延(τ)"。受此影响，A股先进封装板块连日强势，市场嗅到了一场范式迁移的味道。 这究竟是什么?快思慢想研究院院长田丰对此给出了一个直击本质的判断：在研发国产光刻机先进制程的同时，韬定律为我国开辟了半导体产业的“第二战场”，先进制程、系统工程都是为了实现更快的计算，而很多人都本末倒置了。韬定律不仅是一次技术路线的选择，而是一场评估坐标系的方向竞赛。一旦τ成为全球芯片行业通行指标，中国厂商在DUV制程下实现的系统级优化，将首次进入"可比较"的框架，而不是永远被"你几纳米"牢牢压制。 正如管理学大师彼得·德鲁克的那句名言："能被度量的，才能被管理。"——谁定义度量，谁就定义了设计权与产业链话语权。 二、被制裁逼出来的"第一性原理" 韬定律的诞生背景，是一段众所周知的故事：制裁、断供、EUV光刻机的封锁。但这一次，约束并未压垮中国半导体，反而催生了一次罕见的方法论原创。 埃隆·马斯克曾反复强调"第一性原理思维"——回到问题的物理本质，重新推导一切。韬定律正是这种思维在中国半导体行业的一次集中爆发：既然几何缩微已触及量子隧穿的物理天花板，那么为何要继续追逐一个注定撞墙的指标? 何庭波在论文中将τ定义为分层特征时间常数，覆盖从晶体管到数据中心的全技术栈。这不是已有技术的简单重述，而是从方法论层面的系统化归纳。英伟达B200、苹果M系列、AMD MI300、台积电SoIC、英特尔 Foveros、三星PIM存算融合——这些产业实践早已把系统架构、互连带宽、HBM内存堆叠置于制程之前，韬定律的原创贡献，是把这些散落的工程选择统一纳入以τ为核心的可计算框架。 戈登·摩尔在1965年的论文里，核心表述是"最低成本下的晶体管密度"——密度翻倍的同时成本要下降。前半条密度翻倍，勉强维持到今天。后半条成本下降，在2011年的28nm节点就停止了，谷歌工程师Milind Shah在IEDM 2023大会上明确印证：晶体管成本缩放在28nm之后一代不如一代，成本曲线已经“触底爬升”。 田丰指出，这一突破的核心维度，在于将芯片性能的几何尺寸计量标准，革新为以信号传播时延为核心的时间计量标准——重塑了沿用数十年的芯片性能评测体系，彻底切换了全球芯片行业的竞争赛道。更进一步，它将传统单一追求芯片制程微型化、晶体管高密度的评价标准，升级为以整体系统运行效率为核心的综合平衡评价体系，不仅聚焦芯片本身的运行速度，更覆盖了互联带宽、内存堆叠等关键核心变量，为后摩尔时代提供了全新思路。 更关键的是量产验证。摩尔定律1965年问世后，真正赋予它"定律"地位的，是英特尔此后十年的持续量产。而韬定律在发布前就已经取得了硬核成绩单： 华为基于此逻辑在过去六年量产 381款芯片，覆盖了移动SoC、AI加速器、汽车、工业和基础设施市场。这意味着τ缩放方法论在不同功率包络、不同延迟要求、不同可靠性标准下都通过了量产验证。 麒麟2026在不升级制程节点的前提下，晶体管密度从每平方毫米1.55亿个跃升至2.38亿个(+55%)，能效提升 41%，主频达到 3.1GHz。 这些数据已经是量产实测，而非实验室数字——这正是理论与范式之间最关键的分水岭。 三、"时间缩微"取代"几何缩微" 如果说摩尔定律是把芯片不断"缩小"，那么韬定律则是把信号在芯片逻辑门中"奔跑的时间"不断压缩。其核心落地技术叫"逻辑折叠(Logic Folding)"。 它与人们熟悉的3D堆叠，有着本质区别。 3D堆叠是把两栋已建好的楼并排放置，再用天桥连通，即在两颗芯片生产出来后进行封装; 逻辑折叠则是在设计楼体（芯片）时就让楼梯（TSV硅通孔）穿越结构层——两层楼天然合为一体。 3D堆叠是后道封装工艺问题，逻辑折叠是前道芯片设计架构问题。逻辑折叠在芯片设计阶段就把关键路径上的逻辑门分布到垂直堆叠的有源层，用层间的"短距离"替代平面上的"长路径"。芯片上两点之间不是直线最短，而是把芯片折叠，从单层芯片上百微米的数据延迟，变为芯片内两层之间的十几微米，距离大大缩短。 这场"时间缩微"的革命，分布在三个时间维度上： 层级 时间尺度 优化技术 1、器件层 纳秒以下 逻辑折叠缩短单颗芯片关键路径RC延迟 2、封装互连层 纳秒到微秒 TSV硅通孔、混合键合缩短die间互连时延 3、系统架构层 微秒到毫秒 Chiplet异构集成、HBM内存带宽扩容减少计算等待时延 韬定律的方法论贡献，就在于把这三层的优化统一在τ这一度量下，让每一层的工程改进都被纳入统一优化目标——形成可以横向比较的效率提升路径。 但壁垒也清晰可见：现有EDA工具是为"平面芯片"而生的，逻辑折叠需要全新的工具链。从设计验证、时序分析、热仿真到DFM(制造可设计性)，所有现有工具都面临重写或深度改造。这是技术鸿沟，也是中国EDA厂商的增量市场。 事实上，田丰判断，从产业链维度看，韬定律落地最直接受益的核心赛道，正是三维EDA芯片设计工具——逻辑折叠属于全球首创的技术命题与全新产业赛道，且该领域我国受海外技术卡脖子制约程度相对较低。这是一个罕见的"中国厂商与国际EDA巨头可以同步起跑"的窗口。 四、"唯制程论"的黄昏，竞争维度的扩展 英伟达创始人黄仁勋在2025年GTC大会上明确宣告："扩展定律正在转向。"计算规模的扩展，正从模型参数转向推理效率与系统吞吐量。这与韬定律的方向完全一致——而且早于韬定律的提出。 数字会说话： 2nm芯片单颗设计成本已超 10亿美元，台积电N2良率提升空间有限; 英伟达GB200 NVL72的性能突破，超过80%来自NVLink互连、HBM3e带宽和系统级优化，而非单纯的制程代际跨越; 麒麟9030 Pro在N+2制程下通过系统优化实现3.1GHz，已接近但仍低于苹果2025年9月发布的A19 Pro的4.26GHz。 制程节点仍然重要，但其竞争地位已从"决定性"降为"必要非充分"。竞争优势正从"制造能力"转向"系统集成能力"——芯片设计×封装工艺×软件栈的协同。这是组合壁垒，任何一个单点优势都不够。 苹果M系列的领先，本质上并非依赖台积电独家工艺，而是其拥有"从芯片到操作系统到应用的完整闭环"。这与任正非那句广为流传的判断异曲同工："华为的竞争力从来不是单一硬件，而是端到端的解决方案能力。" 五、钱学森的系统工程，正在芯片里复活 未来芯片比拼的核心能力是什么?三项缺一不可：封装互连密度、异构架构协同、软硬件协同调度。 封装互连密度：已成为AI算力的真实瓶颈。英伟达H100的HBM3带宽达3.35TB/s，而GPU核心算力峰值是79.5TFLOPS(FP8)。两者之比就是"屋顶线模型"下的实际利用率——互连带宽不足，算力堆叠越多，浪费越大。混合键合可将die间互连间距从铜柱凸块的40μm降至小于1μm，带宽密度提升超过100倍。台积电SoIC、英特尔Foveros、三星X-Cube，均为此路径的量产验证。 异构架构协同：这正是钱学森系统工程理论的现代回响。钱老曾指出：复杂系统的性能上限，不取决于最强子系统，而取决于子系统间的协同效率。CPU+GPU+NPU+内存+I/O在一个封装内的协同效率，远比各单元单独的性能更重要。Chiplet架构把芯片从"一颗大芯"变为"积木组合"——谁能设计出连接效率最高的积木组合，谁就赢得异构集成时代。 软硬件协同调度：是性能释放的最终放大器。相同的H100集群，不同的调度算法和显存管理可让训练效率相差3-5倍。华为昇腾+MindSpore的生态建设，正是在硬件受制于制程的前提下，通过软件协同释放性能空间。 六、约束驱动创新 历史一再证明：约束是创新最锋利的刻刀——钱学森在系统工程理论中强调，复杂系统的优化必须从目标函数的第一性原理出发——约束亦是系统输入条件，而非阻碍。 中国在上世纪中叶大国封锁、理论和技术空白中，自力更生突破“两弹一星”，铸就了独立的国防与航天体系； 中国半导体在制裁压力下，正在生成一套新的设计哲学。 韬定律是这种"约束驱动创新"的典型产物，但也正是其最大的局限——逻辑折叠技术对台积电和英特尔同样适用。他们在N2/A14制程下结合逻辑折叠，可同步获得制程+系统的双重红利，而华为目前只能获得后者。优势窗口的稳定性需要持续观察。 中芯国际创始人张汝京曾意味深长地说过："芯片竞争不在于一两个节点的差距，而在于能不能持续量产。"韬定律指向的技术路线(DUV制程+逻辑折叠+先进封装)恰恰落在国内现有设备和工艺能力的射程范围之内。中芯国际可量产N+2(约7nm当量)，叠加逻辑折叠技术，可以在现有制造体系内持续迭代，不依赖EUV。 这条路的真正战略价值在于——它是一条可以独立建造和持续维护的产业链，而非依赖外部授权。 更深一层的意义：半导体产业的国际技术路线图(ITRS/IRDS)历来由美日欧主导机构制定，中国企业长期是跟随者。韬定律选择在IEEE ISCAS这一全球顶级学术场合发布，是中国第一次试图以自主理论框架，参与国际技术路线的叙事塑造。无论该定律最终能否成为行业标准，这次发布已经改变了"中国只能跟随"的叙事——其意义，超出技术本身。 七、A股先进封装的狂奔 韬定律发布后，A股先进封装板块连续走强。截至2026年5月底，相关ETF年内涨幅接近70%，多数个股完成大幅估值修复。市场的钱投在哪里，背后的产业逻辑就在哪里。 封装的角色，正从"后道加工"升级为"性能决定层"。 传统封装是芯片完成后的包装工序，附加值低，定价逻辑接近代工。而CoWoS、SoIC、混合键合等先进封装，是在晶圆级把多个die（裸片）集成为高性能系统，其工艺复杂度、良率控制和互连密度直接决定最终芯片性能。2023-2025年，台积电CoWoS产能持续成为英伟达AI芯片的硬约束——封装层已成为算力供给的真实瓶颈。价值在哪里稀缺，市场就在哪里定价。 进口替代是独立于韬定律之外的确定性逻辑。 台积电、三星、日月光掌握全球高端先进封装产能的绝对主导权。国内通富微电、长电科技、甬矽电子在2.5D/3D封装上正加速布局，受益于国内AI服务器和华为芯片的本土化需求锁定。即便没有韬定律，这条逻辑也成立——两者叠加，构成"基本面+催化剂"的双重支撑。 混合键合设备是弹性最大的细分。 Yole数据显示，混合键合设备2024-2030年CAGR为21.1%，远高于传统封装设备的6%。国内拓荆科技等少数厂商正处于从0到1的突破阶段。稀缺×高增速×国产替代——这是资本市场最高估值弹性的组合。 八、先进封装的技术谱系，τ缩短的物理实现 为什么先进封装是韬定律的"第一落地抓手"?因为它直接作用于信号传播路径的物理层。 按互连密度从低到高排列： 倒装焊(Flip Chip)→ 扇出型(FO-WLP)→ 硅中介层2.5D(CoWoS)→ 3D堆叠(SoIC/3D IC)→ 混合键合(Hybrid Bonding) 互连间距从铜柱的约40μm降至混合键合的<1μm，信号传播距离同步压缩，这正是τ缩短的直接物理实现。 TSV硅通孔是连通垂直信号通路的基础工艺，是逻辑折叠的必要条件。每颗HBM内存中包含数千个TSV（硅通孔），在AI芯片中提供TB/s级带宽。韬定律若要扩展到昇腾950、990等AI加速器，TSV的密度和精度将成为良率与性能的关键变量。 Chiplet异构集成则是韬定律"系统层τ优化"的产业载体。英特尔Meteor Lake、AMD MI300X均验证了Chiplet路线的量产可行性。国内芯粒联盟正在推动标准接口(UCIe)的本土化适配，为异构集成生态建立技术互操作基础。 九、800亿美元的金矿与时间节奏的陷阱 Yole数据显示，先进封装市场规模将从2024年约460亿美元，扩张至2030年约800亿美元，CAGR约9.5%。但总量数字掩盖了结构分化： 2.5D/3D封装子市场 2022-2029年CAGR达18%，是整体的近两倍; 高端封装(2.5D/3D+混合键合)2024年规模约80亿美元，预计2030年超280亿美元，CAGR高达23%; 这是AI算力直接拉动的子市场，与英伟达、AMD、华为昇腾的GPU/NPU出货高度相关。 台积电总裁魏哲家曾公开表示："CoWoS产能即使2024、2025年均实现翻倍，2026年前仍无法满足需求。" 这意味着未来2-3年内，全球AI芯片供给的硬约束依然是封装产能而非晶圆制造产能。 但增长确定性强，不等于业绩兑现快。 晶圆级封装产线建设周期 18-24个月; 2.5D初始良率通常低于传统封装30%以上; 2024年全球主要厂商先进封装资本支出合计约 115亿美元。 2026-2027年是国内先进封装产线集中量产的窗口期——业绩兑现节奏比总量增速更值得跟踪。 十、谁是最大赢家?三大隐形赛道浮现 在韬定律的逻辑下，三个细分方向受益确定性最高： 三维结构EDA工具链：逻辑折叠商业化的"卡脖子"软件，也是田丰判断中最直接受益的核心赛道。Synopsys、Cadence、Mentor三巨头的工具均面临三维扩展的架构改造需求。国内华大九天、概伦电子、广立微，此前主要服务于前道平面设计，而在三维架构下，国际巨头先发优势相对较小，国内厂商有机会在新工具开发阶段同步起跑、同步赶上。这是中国EDA罕见的"换道时刻"。 混合键合+TSV设备：原子级铜-铜直接键合，精度、洁净度、温控要求极苛刻。全球成熟供应商极少(EV Group、SUSS MicroTec为主)，国内拓荆科技正在突破。CAGR 21.1% + 供给稀缺 + 国产化率极低——最高投资弹性的组合，但同样意味着投资时点需要等待技术验证节点。 低介电常数(Low-k)互连材料与高端导热界面材料：这是韬定律下的隐性核心受益赛道。论文原文指出：τ缩放使芯片速度提升10倍，功耗可能同步提升10倍。在高密度、高算力系统架构下，芯片集成密度与运算效率持续提升，高速互连带来的散热难题、信号干扰问题愈发突出——导热界面材料(TIM)、低介电系数互连材料，正是保障芯片高速稳定运行的关键基础材料，具备长期成长价值。这一需求在资本市场的定价中尚未充分反映——逻辑清晰，但认知尚低。 十一、给普通投资者的三层配置框架 "市场短期是投票机，长期是称重机。" ——本杰明·格雷厄姆 田丰建议，当前先进封装板块年内涨幅显著，多数个股完成估值修复，市场短期预期已较为充分。后续投资需脱离单纯的题材炒作，聚焦企业真实技术能力与落地进展。在持股周期配置上，不同时间维度具备差异化资产属性，可进行分层搭配布局。 筛选第一条件：与华为供应链的真实绑定深度，而非概念相关性。市场情绪下，贴近韬定律关键词(3D堆叠、逻辑折叠、先进封装)的股票均会受益于主题溢价，但主题溢价会消退，真实订单不会。通富微电、长电科技的华为昇腾封装订单是确认事实;部分材料或设备公司的"受益"仍停留在逻辑推导阶段。前者可以更高的估值容忍度持有，后者需要等待订单验证再加仓。 预期差在哪里：先进封装板块ETF年内已涨近70%，在此位置上，再涨需要"超预期的增量信息"——量产进度超预期、订单规模超预期、技术突破超预期。普通投资者应聚焦于"哪些细分的实际进展落后于市场已有预期"，而非追逐已充分定价的方向。混合键合设备、三维EDA两个细分的市场认知度低于基本面改善速度，预期差空间相对更大。 持有周期分层： 短期(≤6个月)：催化剂驱动，华为新一代麒麟手机芯片下半年发布、昇腾950量产进度是最近的两个时间节点，相关封测厂商受益最直接。 中期(2-3年)：产能扩张与良率爬坡兑现业绩，通富微电、甬矽电子等二线封测的产能利用率提升空间更大。 长期(3年以上)：混合键合设备、三维EDA的国产化突破，但需要接受更长的不确定期。 三类资产的风险收益特征差异显著，仓位应分层配置——这才是面对一条产业大主线的成熟姿态。 十二、定律光环之下，三类风险不可忽视 韬定律的长期趋势性，有三重独立验证： 物理层面：制程缩微的边际收益已在2nm以下趋近于零，量子隧穿导致的漏电问题不能用设计解决——"制程天花板"是物理约束，而非工程问题。 产业层面：英伟达、AMD、苹果、台积电均已在先进封装、Chiplet和系统协同上投入超过制程本身的研发资源——这是产业资金的投票，比任何定律的发布都更有说服力。 需求层面：AI计算对系统级带宽和能效的需求增速，远超制程节点迭代能提供的性能红利，系统级创新是AI时代算力供给的必然出路。 三重验证指向同一方向——趋势的可信度高。但定律光环之下，三类风险不可忽视： 能耗悖论：华为论文原文指出，τ缩放速度提升10倍的同时，功耗也可能提升10倍——这已超出现有数据中心电网承载能力，能耗优化体系的开发是未解难题。 良率风险：逻辑折叠的多晶圆堆叠键合引入的工艺偏差，远大于单晶圆内部误差，量产良率爬坡可能超出预期时间。 EDA断层：在新工具链完整落地前，逻辑折叠芯片的复杂度上限受到严格限制，麒麟2026的应用被论文描述为"保守应用"，全功率部署时间表存在不确定性。 最大的产业风险，是"友商快速跟进"稀释中国厂商的先发优势窗口。台积电在2026年5月的技术论坛上已经发布了含COUPE光子互连层的三层AI平台架构，其系统层面的τ优化能力不低于韬定律的方向。国内产业的优势窗口，取决于在"成熟制程+系统创新"这条特定赛道上建立多深的技术壁垒和供应链锁定，而不是靠提出了一个新名词。 十三、尾声 名词从来不是护城河，量产才是。 摩尔走完了他的六十年，τ才刚刚开始走它的第一步。它不是新物理，但它是一面新坐标系——而坐标系，决定的从来不只是技术，更是话语权与产业版图。 对中国半导体而言，这是一次罕见的"叙事起义"。能否守住这片窗口，不取决于发布会有多盛大，而取决于晶圆厂的良率曲线、封装线的产能爬坡、EDA代码的每一次迭代。 度量改变方向，量产决定胜负。 τ时代，已经开始计时。

本月，国务院常务会议提到，要“加强水网、新型电网、算力网、新一代通信网、城市地下管网、物流网等规划建设”，将算力网和水、电等公共基础设施放在同等重要的位置。此前，“十五五”规划中也有专门表述：“要构建多层次算力设施体系和全国一体化算力网”。资金预算方面，国家发改委计划，今年在“六张网”及相关领域的投资总额预计将超过7万亿元。 那么大家可能会问：“算力网是什么？它的到来会给我们生活带来哪些影响？” 我先说五个数字，这五个数字背后，藏着中国未来十年非常大的产业结构性机遇。 一是人口数字：东南沿海占中国人口超过70%，西部地广人稀； 二是经济数字：东部地区GDP占全国54%，广东、江苏两省加起来相当于一个中等体量的发达国家； 三是能源数字：全国超过75%的新增风电光伏，装在西北"三北"地区，风光资源"西富东贫"； 四是算力需求数字：东部算力需求占全国60%以上，东部智算中心负载率超过85%； 五是数字经济的数字：东部沿海的数字经济体量，是中西部的数倍。 东边要人、要钱、要算力、要电；西边有电、有地、有风、有光，却没有足够的算力需求。这五个不平衡叠在一起，就是中国区域发展的不均衡特征。而算力网，是解开这个问题的金钥匙。 第一点，算力网是什么？ 十五五规划纲要明确写入：推进全国一体化算力网建设，推进算力资源规模化、集约化、绿色化、普惠化发展。 这是全国一体化算力网首次进入五年规划的国家基础设施体系。 我的判断是：算力网的本质，是把西部的绿色电力，通过GPU为核心的智算中心，转化成全国可调度的通用"数字智力"，再通过算力网输送到需要的地方城乡去。 过去我们有"西气东输"、"西电东送"，能源从西往东走。现在"东数西算"，数据任务往西走，算出来的结果再往东送。这次不是送特高压电，而是送tokens——送智力。 第二点，一度电的价值跃升有多大？ 这里有一个让人震撼的价值对比，值得每个人认真想一想。 西部绿电的度电成本，在内蒙古、贵州等资源富集区，目前约为0.3到0.4元每度。这是太阳能、风能的原始能量。 这1度电进入GPU智算中心，通过大模型推理，可以产出数百万甚至上千万个tokens——也就是数百万字的AI智能输出。 按照目前国内主流大模型的市场定价，100万tokens的输出价值在8元到16元不等。也就是说，一度电0.3元的绿色能量，经过算力网和大模型的转化，可以产出数十元甚至更高的AI智力价值，价值放大达百倍以上。 这就是"人工智能+"行动计划的底层逻辑——把新能源转化为新质生产力。而数据要素×行动方案，要做的正是让全国各省的农业、工业、服务业数据在这个转化链条上充分流通、充分定价。 第三点，算力网如何解开五个不平衡？ 算力网让这五个不平衡，变成五个互补。 西部有用不完的绿电，东部有花不完的AI需求——算力网把它们连起来，西部的风光电不再"弃电"了，直接转化成全国人民喜爱的tokens；东部算力需求的缺口，通过西部的GPU集群来填平。 工信部在《算力互联互通行动计划》里给出了明确节点：2028年，全国公共算力基本实现标准化互联——让算力像水、电一样，随时随地，按需取用。 今天已经有了先行样本：山东接入算力网后，入网算力中心资源利用率平均提升40%，赋能超过1000个应用场景。同时，上海电信正式发布Token算力资费套餐，消费者能像打电话、缴话费一样随需随用30多个国产大模型的tokens服务，让AI智力走入千家万户、老少咸宜。 第四点，算力网对普通人意味着什么？ 当算力网打通，三件事会在十五五期间逐步发生。 一是AI使用成本断崖下降，你调用一次AI的费用，会像发一条微信一样，低到无感。二是医疗、教育等公共服务将被重新均衡，县城医院能调用的AI诊断算力，和三甲医院一样。三是中小企业的智能化门槛被打穿，原来只有大厂用得起的工业AI，正在像水电一样接入广大中小企业车间。 中国信通院测算：算力每投入1元，平均带动3到4元的经济产出。 西部的风和光，经过算力网，变成全中国的全民智力。这才是新质生产力的真正来源。