福布斯发布文章称，即便摩尔定律失效，硅芯片逼近物理和经济成本上的极限，也还有其它的创新方法和技术继续驱动计算性能的指数级增长，比如内存中运算、量子计算、分子电子学、神经形态计算等等。

以下是文章主要内容：

摩尔定律假定，微处理器的晶体管将每两年翻一倍，它们的计算性能也随之翻倍。自戈登?摩尔（Gordon Moore）1965年提出以来，该定律一直生效。不过近年来业界一直预测该定律即将失效。早在2000年，《麻省理工科技评论》就硅技术在大小和速度上的极限提出了警告。

实际上，摩尔定律并不算是定律。它更多的是自我实现的预言。摩尔并没有将它描述成像地心引力或者动量守恒定律这样的不变真理。他只是给我们设定了预期，而芯片厂商们相应地去兑现预期。

事实上，行业一直在寻找新方法来给更微小的芯片带来更强的性能。遗憾的是，他们找不到方法来同步削减成本。《快公司》（Fast Company）今年2月撰文指出，开奖，全球半导体行业不再基于每两年实现性能翻倍的概念来制定硅芯片研发计划，原因就是无力承担跟上性能提升步伐所需购买的超复杂制造工具和工艺成本。此外，当前的制造技术可能无法再像原来那样大幅度缩小硅晶体管。不管怎样，晶体管都已经变得非常微小，以至于可能无法遵循通常的物理定律——这引发了它们还能够在医疗设备或者核电站使用多久的疑问。

那么，那意味着科技驱动的指数级变化时代即将走到尽头了吗？

不。

即便硅芯片正接近物理和经济成本上的极限，也还有其它的方法继续驱动计算性能的指数级增长，比如采用新材料来打造芯片和以新方式定义计算本身。目前已经出现了与晶体管速度无关的技术进步，如深度学习驱动的更加聪明的软件，以及通过利用云资源实现更强计算能力的技术。而这只是未来计算创新的冰山一角。

以下是有望驱动计算性能继续飞速增长的几项新兴技术：

内存中计算

在整个计算史上，处理最缓慢的一部分就是从硬盘获取数据。很多的处理性能都浪费在了等待数据到达上。相比之下，内存中计算则将大量的数据放在RAM（随即存取内存），使得数据可以马上在RAM中进行处理。结合新型的数据库、分析技术和系统设计，它能够大大提升性能和整体成本。

基于石墨烯的微芯片

石墨烯为一个分子那么厚，导电性能比任何其它人类已知的材料都要强。它能够卷入到微小的管子中，也能够结合其它材料使用，能够在更小的空间里驱动电子以更快的速度运动。它在这方面甚至要胜过最下的硅晶体管。这将会将针对微处理器的摩尔定律的适用时间再延长几年。

量子计算

普通计算机中的2位寄存器在某一时间仅能存储4个二进制数（00、01、10、11）中的一个，而量子计算机中的2位量子位（qubit）寄存器可同时存储这四个数，因为每一个量子比特可表示两个值。理论上，量子计算机将能够以数百万倍于当前技术的速度解决各类非常复杂的问题，如分析基因数据或者测试飞机系统。谷歌研究人员去年宣布，他们已经开发了一种新的量子比特方式来检测和防范错误。

分子电子学

瑞典隆德大学研究人员利用纳米技术打造了“生物计算机”，通过沿着纳米观人工路径同时移动多个蛋白丝，该款计算机能够进行平行计算。这种生物计算机比循序运行的传统电子计算机更加快速，且节能99%，制造和使用成本也低于传统计算机和量子计算机。它进行商用的时间可能也将早于量子计算机。

DNA数据存储

将数据转换成base 4，你就可以将它编码到合成DNA上。为什么要那么做呢？很简单：一点点DNA就可以存储一大堆数据。事实上，有瑞士研究团队估计，一茶匙的DNA可以容纳人类迄今为止所产生的所有数据，从最早期的洞穴壁画，再到昨天的Facebook动态更新。这种技术目前需要耗费大量的时间和资金，不过基因编辑或许是大数据的未来：Futurism最近报道称，微软正在研究利用合成DNA来进行安全的长期数据存储，已经能够编码和恢复100%的初始测试数据。

神经形态计算

神经形态计算技术的目标是，打造一款像人脑那样的计算机——处理和学习数据的速度能够跟生成数据一样快速。到目前为止，业界已经开发出能够通过训练和执行神经网络来进行深度学习的芯片，那是往正确方向迈出的一步。例如，开奖，General Vision的神经形态芯片包含1024个神经元，每一个都是基于SRAM（静态随机存储器）的256字节存储器，且有3000个逻辑闸，所有的神经元都互相连接，平行运行。

无源Wi-Fi（Passive Wi-fi）