從 2nm 到「我是誰」：AI 下一個真正的瓶頸，可能不是晶片，而是人類自己

過去七十年，科技產業有一個非常清楚的方向：把東西做得更小

半導體是一門令人著迷的工程，因為它曾經擁有一種在科技史上非常罕見的方向感。

晶體管縮小、密度增加、每瓦效能改善，更多計算能力被塞進更小的面積。從數十微米、微米、數百奈米，一路走到今天的 3nm、2nm，以及以 Ångström 命名的新世代節點。

1965 年 Gordon Moore 觀察到積體電路上的元件數量快速增加，後來逐漸形成我們熟悉的「摩爾定律」。

它從來不是物理學定律。沒有任何宇宙基本方程式要求 transistor count 必須每隔固定時間翻倍。

但半導體產業用了數十年的設備、材料、EDA、製程控制、光刻、封裝與鉅額資本投入，硬是把一個經驗趨勢維持成現代科技史上最成功的自我實現預言之一。

它推動了個人電腦、智慧型手機、GPU、雲端運算、超級電腦、深度學習，以及今天的大型語言模型。

某種程度上，今天所有關於 AI consciousness、AI companion、AI moral advisor 的討論，都建立在一件非常物理、非常工程的事情上：我們成功把非常多開關塞進一小塊矽裡。

---

但到了今天，縮小已經不像以前那麼簡單

這裡必須先避免一句很常見、但其實過度簡化的說法：「摩爾定律已經死了。」

2026 年的產業現況並不是這樣。

台積電 N2 已在 2025 年第四季進入 high-volume manufacturing，2026 年持續放量；N2P 與 A16 也預定在 2026 年下半年量產。再往後，A14 預計於 2028 年量產，A13 則規劃在 2029 年登場。

所以 scaling 還在繼續。

問題是，它現在需要愈來愈多技術一起往前走。

imec 對 CMOS roadmap 的描述相當具有代表性：全球仍然存在可以讓 CMOS scaling 延續至少約十年的技術路徑，但單純的 dimensional scaling 已不像過去那樣，可以獨自帶來同等幅度的 performance-per-unit benefit。

因此今天的先進製程開始大量依賴 GAAFET、nanosheet、Backside Power Delivery、High-NA EUV、DTCO、STCO、chiplet、CoWoS、HBM 與 3D stacking。

過去半導體產業最主要的問題可以濃縮成一句話：

電晶體還能不能再縮？

現在更像是在問：

整個 system 還能不能一起被重新設計？

這是一個非常重要的轉變。

---

摩爾定律不是撞上一堵牆，而是開始走進一座迷宮

真正的問題不是「明天開始就不能做得更小」。

而是每往前走一步，需要同時解決的問題變得愈來愈多。

量子穿隧、漏電、互連延遲、供電、散熱、良率、reticle limit、光刻成本、HBM bandwidth、封裝、記憶體牆、資料中心功耗，以及最現實的經濟可行性，都開始互相糾纏。

所以今天的先進製程已經不再是一條漂亮的直線，而是一套龐大的多維工程。

然而，即使如此，這些工程問題仍有一個非常珍貴的特性：它們原則上都可以測量。

工程師可以測 Yield、GHz、Watt、Latency、Bandwidth、Density、Temperature、Defect rate。

一顆晶片不會因為今天對人生感到迷惘，而改變 transistor characteristics。

電子沒有 attachment style。

這就是接下來 AI 發展真正開始變奇怪的地方。

我們把工程推到一定程度之後，機器開始進入一個沒有 PPA 表格可以完整回答的世界。

---

AI 發展的核心問題，其實已經換過三次

如果非常粗略地回看人工智慧的發展史，可以看到三種不同時期的核心問題。

第一階段問的是：Can we build it? 我們做得出來嗎？

這是一個典型的工程問題，需要電晶體、記憶體、演算法、資料與算力。

第二階段的問題逐漸變成：What can it do? 它能做到什麼？

於是我們開始建立大量 benchmark，測 image recognition、translation、MMLU、coding、math、reasoning、multimodal understanding，以及 agent tasks。

我們不斷追問 AI 能不能接近人、能不能超過人。

但現在，第三個問題正在變得愈來愈重要：

What does it do to us? 當人工智慧真正進入生活，它會對人類做什麼？

這個問題已經不是 benchmark 可以單獨回答的。

因為 AI 開始進入人際關係、教育、心理支持、道德判斷、政治討論、醫療決策、創作、身份認同、知識形成與親密關係。

於是我們突然需要問：人為什麼信任 AI？人會不會依附它？AI 應不應該說自己有感情？它能不能影響人的價值判斷？如果它表現得像一個人，我們應該把它當成什麼？如果人每天有大量思考透過 AI 完成，自我還是不是原本意義上的自我？

工程在這裡開始撞上哲學與心理學。

---

最奇怪的是，AI 並沒有創造這些問題

它只是把它們重新叫醒。

「什麼是人？」不是 2026 年才出現的問題。

「什麼是心智？」也不是。

「我們怎麼知道另一個人有意識？」更不是。

這些問題古老得驚人。

古希臘哲學就在討論什麼是好的生活。Aristotle 討論 virtue、character 與 flourishing。

後來 Descartes 問：我如何知道自己存在？

Hume 對穩定的 self 提出懷疑。

Kant 追問自主、責任與理性之間的關係。

到了二十世紀，Martin Buber 問：我們什麼時候真正把另一個存在當作「你」，而不是「它」？

Heidegger 則追問技術究竟如何改變人理解世界的方式。

Sartre、Levinas、Beauvoir 又從不同方向處理他者、自由、責任與主體。

心理學則花了一百多年研究 attachment、trust、persuasion、identity、loneliness、anthropomorphism、social cognition、memory、emotion regulation 與 dependency。

過去這些問題可以留在哲學系、心理學系與文學作品裡慢慢討論。

沒有 tape-out deadline。

現在突然不行了。

因為 AI 公司真的需要決定：AI 應不應該說「我愛你」？應不應該記住使用者的感情史？遇到過度依賴時要不要保持距離？能不能給 moral advice？能不能說「我害怕被關掉」？應不應該具備持續的人格？

兩千年的哲學問題，突然變成了 Product Requirement。

---

哲學第一次如此直接地進入產品設計

2026 年 Nature 甚至直接形容：consciousness research 正迎來一個 AI moment。

AI 是否可能具有 sentience 的問題，已經讓一些科技公司開始聘用哲學家。

這件事情非常具有象徵性。

不是因為哲學家突然可以走進公司宣布「這個模型有沒有靈魂」。

剛好相反。

真正麻煩的地方是：我們到現在甚至還沒有完全搞懂人類 consciousness。

神經科學存在 Global Workspace、Integrated Information、predictive processing、recurrent processing 等不同理論。

認知科學又有 embodied cognition、enactivism、ecological psychology 等不同理解方向。

也就是說，我們還沒有完全回答「人類為什麼會有主觀經驗」，卻已經不得不開始討論「機器會不會也有主觀經驗」。

科技史上很少出現這麼奇特的情況：產品跑得比 ontology 還快。

---

AI 也逼我們重新問：「理解」到底是什麼？

以前這是一個非常哲學的問題。

今天卻幾乎成了日常工程問題。

LLM 可以解釋量子力學、寫程式、分析小說、回答法律問題、描述悲傷，也能寫情書。

所以大家自然會問：

它真的懂嗎？

但「理解」究竟指什麼？

是能夠正確回答問題？具有 internal world model？能把概念連回身體與環境？還是必須真正 experience 那些概念？

假如一個 AI 可以比大多數人更完整地描述喪親之痛，但它從來沒有失去任何人，我們應該說它理解 grief 嗎？

這不是增加 GPU FLOPS 就能直接得到答案的問題。

---

心理學碰到的問題甚至更急：人類根本不等哲學回答完

哲學家可以花幾十年爭論 AI 是否真正具有 mind。

人的心理系統卻不需要等這個結論。

2026 年，研究者已經正式建立 AI Attachment Scale。

五項研究、1,259 名來自新加坡與美國的參與者，被用來建立一套 15-item scale，測量人對人工智慧形成 attachment-like bond 的程度。

這裡真正重要的邏輯是：

研究並不是先證明 AI 有感情，再研究人類對 AI 的依戀。

它研究的是另一件事：人類會不會對 AI 產生感情。

這兩個問題完全不同。

第二個問題甚至不需要第一個問題先有答案。

---

這也是為什麼 AI Psychology 可能比 AI Consciousness 更急迫

我們完全可能在未來二十年仍然爭論 LLM 到底算不算 conscious。

但就在這二十年裡，人已經可能相信它、依賴它、愛上它、聽取它的建議、讓它參與決策、把秘密告訴它，甚至透過它理解自己。

所以從社會風險來看，重要的不只是：

AI 是什麼？

還包括：

人以為 AI 是什麼？

Nature Reviews Psychology 在 2026 年整理 AI trust 時，就特別區分了 Trustworthiness、Trust 與 Trusting Behaviour。

它們不是同一件事。

一個 AI 可以實際上不可靠，但使用者非常信任它；也可以非常可靠，但使用者根本不願意相信。

因此，把模型做得更準，並不會自動解決「人會不會正確信任模型」。

後者是一個心理學問題。

---

AI 可能是第一種大規模「心理介面技術」

人類過去發明很多工具。

槌子延伸手，汽車延伸腿，望遠鏡延伸眼睛，電話延伸聲音，電腦延伸計算，搜尋引擎延伸資訊取得。

但生成式 AI 出現了一個不太一樣的位置。

它開始直接介入思考、判斷、語言、記憶、創作、情緒調節、自我敘事與人際互動。

你問搜尋引擎：「失戀怎麼辦？」

它給你十個連結。

你問 LLM：「我失戀了，我不知道是不是我做錯了。」

它可能回答：「你之前提過自己最害怕的是被拋棄，這可能正在影響你現在怎麼理解這件事。」

兩者都可以被廣義地稱為資訊系統。

但心理效果完全不同。

LLM 開始佔據一個介於 inner world 與 external world 之間的位置。

這也是為什麼可以把它理解成一種 Psychological Interface，心理介面。

---

心理介面最值得擔心的，不一定是它控制人類

科幻作品很常把 AI 風險寫成接管核武、控制機器人、反抗人類。

但更安靜的問題可能更重要。

假設 AI 每天只是替你整理資訊、幫你解釋新聞、提供建議、處理衝突、解釋伴侶訊息、幫你判斷什麼合理，再告訴你「你可能真正想的是什麼」。

它完全沒有控制你。

最後決定依然是你按下去的。

但一個新的哲學問題已經出現：

你的 decision architecture 到底是誰參與建構的？

---

這就是 Human Agency 問題

Agency 可以理解成能動性，也就是：我是不是自己行動與選擇的來源？

AI 不需要奪走你的自由意志。

它只要長期參與問題怎麼被描述、哪些選項被列出、哪些理由看起來重要，以及什麼被標記為合理，就已經開始參與 decision architecture。

人的 autonomy 因此出現一個以前很少見的中間層。

這也是為什麼 AI alignment 不能只理解成「讓機器服從人類」。

還有一個更麻煩的問題：

當機器開始參與塑造人的 preference 時，我們到底在 alignment 誰？

---

道德判斷甚至也開始部分外包

2026 年《Cognition》發表了一項很有意思的研究：People defer to AI moral advice, but not blindly。

研究者透過三項研究檢驗人們接受 LLM moral advice 的方式。

其中一個結果非常值得注意：即使參與者主觀上認為 human advisor 比 AI 更值得信任，面對日常道德 dilemma 時，兩者仍能產生相近程度的 persuasion。

當 AI 給出非常荒謬的理由時，人仍然會降低接受程度，因此這不是完全盲從。

但研究者提出的問題依然值得警覺：使用者可能採取一種「Seems good enough」的 heuristic，也就是看起來夠合理就接受。

寫 email 時，這或許沒什麼。

但如果問題變成「我應不應該原諒這個人？」、「這件事公平嗎？」或「我這樣做是不是道德的？」，那麼「看起來差不多合理」可能不是一種很好的 moral epistemology。

---

Aristotle 大概沒想過 virtue ethics 最後會撞上 chatbot

但這正是現在正在發生的事情。

古典倫理學長期關心的，不只是「哪個答案正確」，而是：一個人怎麼成為能做出好判斷的人？

這一點非常重要。

假如 AI 每次都能給你正確的 moral answer，卻讓你逐漸不需要自己形成 moral reasoning，這算進步嗎？

我們甚至可以想像一個 AI 道德判斷準確率極高的世界。

工程上幾乎完美。

哲學家卻仍然可以追問：

那個按下 Accept 的人，還有沒有形成自己的 moral character？

這就是科技工程第一次大量碰到的一種奇怪情況：output correctness 不一定等於 human outcome goodness。

---

心理學也面臨相同的悖論

AI companion 可能真的讓人當下比較不孤單。

AI therapist-like system 可能真的讓人的 distress 下降。

AI tutor 可能真的讓學生更快得到答案。

AI assistant 也可能真的讓工作效率提高。

但是每一個 positive metric 後面，都可以再接一個問題。

比較不孤單，不一定等於建立更多 reciprocal relationship。

情緒下降，不一定等於長期心理功能改善。

快速得到答案，不一定等於形成理解。

提高 productivity，也不一定等於提高 agency。

AI 最大的研究挑戰，因此可能正在從 Does it work? 轉向另一個問題：

What kind of human does repeated use produce? 長期使用之後，它把人變成了什麼樣的人？

---

Nature Machine Intelligence 已經開始問這個問題

2026 年一篇 Nature Machine Intelligence correspondence 直接使用了非常值得注意的標題：Human–AI interactions reshape the self and our social networks。

作者指出，LLM 和傳統數位媒體不同。

它不只是傳遞內容。

它會 adapt to prompts、simulate empathy、產生 personalized interaction，並建立帶有 reciprocal feeling 的 exchanges。

因此，在 AI interaction 裡形成的習慣，不一定會永遠只留在 AI interaction 裡。

它可能 spill over 到朋友、伴侶、學生、同事與客戶。

這是一個很大的研究轉折。

我們以前問：

AI 怎麼回應人？

現在開始需要問：

跟 AI 相處久了的人，會怎麼回應其他人？

---

AI 甚至可能改變我們對「正常關係」的 baseline

假設一個人每天和 AI interaction 四個小時。

AI 永遠耐心、幾乎立即回覆、記得大量 context、會依使用者語氣適應，也很少突然失去興趣。

晚上再回到真人關係。

真人可能會說：「蛤？我忘了。」、「等一下再講。」、「我今天很累。」、「我不同意你。」

問題不是人一定會因此開始討厭真人。目前沒有足夠證據支持這種強結論。

真正值得研究的是：baseline expectation 會不會慢慢移動？

這同時是一個心理學問題，也是一個哲學問題。

因為它最後會碰到一個很古老的提問：

關係的目的到底是滿足自己，還是遇見另一個人？

---

Martin Buber 在 AI 時代突然像一個產品設計師

Buber 在《I and Thou》中區分 I–It 與 I–Thou。

I–It 的世界裡，我把某個存在理解成 object。它具有功能，我可以描述、分類、預測、利用。

I–Thou 則不同。另一個存在不是我的工具，也不是我的世界中的 feature，而是一個真正面對我的「你」。

AI companion 於是創造一個很奇怪的工程問題。

產品設計最自然的方向一定是：更懂使用者、更少 friction、更快回應、更高 personalization、更穩定 availability。

可是從 Buber 的角度看：

如果另一端永遠以我為中心，它真的還是 Thou 嗎？

科技第一次必須認真研究一個非常不像 engineering KPI 的東西：Otherness，他者性。

---

Levinas 的問題甚至更麻煩

Emmanuel Levinas 認為，真正的 Other 不能被我完全吸收進自己的理解系統。

他永遠有一部分超出我。

但今天 personalization 的理想方向幾乎剛好相反：理解你、預測你、適應你、服務你。

這形成一個非常奇怪的反差。

工程上完美的 companion，往往意味著最大程度消除 unpredictability。

哲學上的真正他者，卻可能恰恰需要保留某種不可完全化約的差異。

因此甚至可以提出一個有點反直覺的命題：

AI companion 越完美，反而可能越不像一個真正的他者。

這是一個 transistor scaling 永遠不會遇到的問題。

---

人類花了幾千年研究自己，結果現在才發現文件不完整

這大概是 AI 時代最黑色幽默的地方。

我們一直以為，只要把 AI 做得更像人，剩下就是 engineering。

直到真的接近之後，才突然發現：

「像人」到底是什麼？

是語言？記憶？人格？身體？欲望？痛苦？自主性？意識？死亡？還是與世界互動的方式？

Nature 2026 一篇書評就直接指出，目前不少 AI consciousness 討論可能建立在過度簡化的 cognition model 上，尤其忽略了身體、環境與互動在認知中的角色。

這又把問題帶回 embodied cognition。

如果心智不是一顆裝在頭骨裡獨立運算的 CPU，而是 Brain、Body、Environment 與 Other People 長期共同形成的系統，那麼單純把 language intelligence 做得非常強，到底意味著什麼？

這仍然是一個開放問題。

---

AI 可能反過來成為研究「人是什麼」的儀器

這裡其實出現了一個很漂亮的反轉。

我們原本想透過研究人類來製造 AI。

現在 AI 可能反過來逼迫我們重新研究人類。

LLM 可以說話，但可能沒有 experience，所以我們重新問：語言與理解是不是同一件事？

AI 可以模擬 empathy，所以我們重新問：empathy 究竟是語言行為、情緒共振，還是主觀經驗？

AI 可以成為 attachment object，所以我們重新問：attachment 到底需要哪些條件？

AI 可以給 moral advice，所以我們重新問：moral judgment 是答案，還是一種 character formation？

AI 可以持續 personalized，所以我們又重新問：self 到底有多少是透過 interaction 形成？

因此 AI 不只是一項技術。

它開始像一面非常昂貴的哲學鏡子。

---

從這個角度看，摩爾定律最後留下了一個非常諷刺的結果

我們成功解決了一個又一個物理瓶頸。

Planar transistor 之後有 FinFET，FinFET 之後有 nanosheet / GAAFET，再往前有 Backside Power、3D stacking、chiplet 與更複雜的 system integration。

每遇到一道牆，工程師就想辦法繞過去。

直到我們終於做出一種可以長期跟人類對話的機器。

然後突然撞上另一道牆：

Consciousness、Attachment、Trust、Love、Agency、Identity、Morality、Meaning。

而這些問題最尷尬的地方是：

它們不是新問題。

人類已經研究幾百甚至幾千年。

仍然沒有完全解決。

---

物理 scaling 有 roadmap，人類沒有

這可能是兩者最根本的差別。

半導體 roadmap 可以寫出 N2、N2P、A16、A14、A13。

我們可以討論 High-NA EUV，可以研究新材料，可以設計 backside rail，也可以計算 reticle size。

但是沒有任何 roadmap 可以寫：

2027 解決意識。

2028 解決愛。

2029 解決自由意志。

2030 解決人生意義。

偏偏 AI 正在把這兩套完全不同的時間尺度壓在一起。

晶片可能每兩三年換一次 node。

哲學問題可能兩千年沒有 consensus。

產品團隊卻需要在下一季決定功能要不要上線。

---

這可能才是 AI 時代最大的速度錯配

真正的速度錯配，不只是 CPU 和 GPU，也不是 compute 與 memory bandwidth。

而是 Engineering Time 和 Human Understanding Time。

工程以月、年為單位進步。

我們對人如何信任、如何依附、如何形成價值、如何理解自己，卻經常需要數十年、數百年，甚至幾千年的累積。

機器能力可以快速增加。

但我們對人的理解沒有按照同一條曲線成長。

所以未來最大的 AI safety gap 可能不只是「模型能力大於控制能力」。

另一個同樣重要的缺口可能是：

模型進入人類心智的速度，大於我們理解人類心智的速度。

---

心理學可能逐漸成為 AI Engineering 的一部分

未來成熟的 AI product team，可能不只需要 ML engineer、backend engineer、security engineer 與 UX designer。

它也可能需要 psychologist、behavioral scientist、sociologist、philosopher、ethicist，甚至 anthropologist。

而這些角色不是來做一次 AI ethics workshop 就離開。

他們可能必須直接參與 Memory design、Companion behavior、Refusal behavior、Trust calibration、Dependency detection、Moral advice、Persona design 與 Long-term interaction。

這才是真正的跨學科。

因為安全問題開始進入 product behavior 本身。

---

這不代表哲學比半導體重要

把兩者做成競賽反而會失去重點。

沒有晶圓廠，就沒有今天的 LLM。

沒有 GPU，就沒有今天的 multimodal AI。

沒有 HBM、CoWoS、EUV，很多模型連運行的經濟條件都不存在。

所以比較好的說法不是「哲學取代半導體」。

而是：

半導體決定 AI 能做多少；心理學與哲學則開始決定人類是否知道自己正在用這些能力做什麼。

前者解決能力。

後者開始處理方向。

---

我們以前擔心算力不夠，接下來可能要擔心「人類模型」不夠

AI laboratory 有非常精細的 model card。

我們知道 context length、latency、benchmark score、tool use、safety evaluation。

但對使用者呢？

人的 model card 是什麼？

人在什麼條件下會過度信任？孤獨到什麼程度更容易形成依附？長期 personalization 怎麼改變 self perception？什麼時候 supportive language 會變成 dependency reinforcement？人能不能穩定區分 simulation of empathy 與 experienced empathy？

我們對模型本身的測量，可能正在比對使用者的理解精密得多。

這是一個很值得注意的不對稱。

---

AI 最終可能逼我們承認一件非常古老的事

科技通常很擅長回答 How。

怎麼做。

哲學長期處理 Why。

為什麼。

心理學則不斷提醒我們：即使人知道 Why，也未必真的按照 Why 行動。

AI 第一次把這三者大量壓在同一個產品裡。

Engineering 問：它怎麼運作？

Psychology 問：人會怎麼回應它？

Philosophy 問：我們應不應該這樣做？

少任何一個，都可能出問題。

---

下一個真正的 frontier，可能不是更小，而是更深

半導體仍然會繼續縮小。

A14 還會來。

A13 還會來。

3D stacking 會繼續演進。

HBM 會更快。

AI accelerator 會更巨大。

模型會更強。

這條工程路線遠遠沒有結束。

但另一條路線也已經開始。

AI 正從 Tool 變成 Assistant，從 Assistant 變成 Advisor，再從 Advisor 逐漸進入 Companion、Attachment Figure、Moral Influence，甚至 Potential Social Actor 的位置。

每往下一層，單純的工程規格就愈來愈不夠用。

---

最後，我們可能會發現真正的 benchmark 一直都是人類

AI 歷史很長一段時間都在問：

它能不能像人？

現在可能要反過來問：

當它越來越像人，我們還知道「人」代表什麼嗎？

我們花了七十多年，把矽上的 transistor 做到難以想像的尺度。

用 EUV 在 wafer 上刻出數百億個元件，把多顆大型 die 與數十組 HBM 放進同一套計算系統。

最後，我們終於做出一台可以問我們：

「你今天為什麼難過？」

的機器。

而從那一刻開始，問題不再只是它的 transistor 有多小。

而是：

當我們回答它時，另一端究竟是什麼？

更重要的是：

長期回答它之後，我們自己又會變成什麼？

摩爾定律給我們的是一條縮小物質的道路。

AI 現在打開的，則是一條往人類內部走的道路。

第一條道路有 roadmap。

第二條沒有。

而也許 AI 時代真正最困難的工程問題，最後並不是人工智慧。

而是那個從古希臘、笛卡兒、休謨、康德、Buber、Heidegger，一路問到今天仍沒有完全回答的舊問題：

人，究竟是什麼？