用 AI 帮我分析华为的韬定律

  这两天，华为的“韬定律”刷屏了，“韬”是希腊字母 (τ) 的中文译音，在电路理论中，τ代表时间常数。该定律是华为在 2026 年 5 月 25 日 IEEE ISCAS 2026 上提出的一套半导体演进思路。

  我找来了YouTube 上的录播视频，标题是："华为正式发表：全新芯片演进理论——韬（τ）定律"。我自己没有芯片背景，于是我决定把这个问题交给 AI 先跑一轮研究。

1、第一次尝试：让 Gemini 分析视频

  我试了 DeepSeek、ChatGPT 和 Gemini。DeepSeek不支持分析youtube视频，ChatGPT提示读取视频被限流，只有Gemini 可以正常分析。考虑到 YouTube 跟 Gemini 都是 Google 家的产品，所以也很合理。

我给 Gemini 的第一版提示词是：

请阅读这个 YouTube 视频（https://www.youtube.com/watch?v=QqN-RFMqRJw），并帮我做一份研究材料。任务 1：用 300 字以内总结视频主要内容。任务 2：输出一份研究报告，说明：视频提出了什么核心观点这些观点来自视频、官方资料，还是你的推断哪些说法需要进一步核验这件事对理解中国半导体产业有什么启发如果视频里面有 PPT 胶片的地方，请对关键的内容节点输入具体的视频时间戳，把胶片截屏输出并解读 。要求：不要写成宣传稿不要把"预计""同等水平""技术路径"写成已经实现的结果每条关键结论后面标注证据来源

  我用的是比较通用的视频解读提示词。目的不是为了让 AI 直接给我研究报告，而是先开放式地让它对内容做一些解读和总结，帮助我快速获得观点和关键信息。同时，我这边也用了一个小技巧：让Gemini 对视频里的胶片做截屏，然后再针对截屏图片做更深入的解读分析。

2、第二轮调整优化

  Gemini输出的内容已经把相关的主要核心观点都提炼了出来，并给出了明确、具体的技术点，可以说是把一个46分钟的技术演讲加工为一份研究材料。这比我自己从头看视频要快很多。特别是它已经把 PPT 的相关时间戳都列了出来，而且对 PPT 的截屏做了比较详细的解读。下一步我请AI继续根据我的点评生成一篇研究报告，并且约束了报告框架。

请基于上一版报告重写。我的点评：1. 你第一版的信息量很足，尤其是视频内容介绍、核心观点、待核验问题和 关键PPT节点截屏解读，这些都保留。2. 补充以下问题的分析：2.1 到底什么是华为提出的“韬(τ)定律”？2.2 它和摩尔定律、先进制程、EUV 有什么关系？2.3 它对芯片行业可能带来什么影响？2.4 请重点解释“时间缩微”与“几何缩微”的区别，并说明它为什么可能影响芯片行业评价指标。3. 请把所有核心观点拆成四类，并生成一个列表：3.1 视频/PPT 明确展示或演讲者明确说到3.2 华为官方新闻稿可佐证3.3 你基于材料做出的分析推断3.4 仍需后续产品、论文或市场数据验证4. 产业影响部分请用“可能”“如果能够量产验证”“仍需观察”等表述，不要写成确定结果输出格式：1. 一句话结论2. 视频内容介绍3. 重点概念分析4. 核心观点列表5. 待核验问题6. 产业影响分析7. 关键PPT节点截屏解读

3、我对“韬定律”的理解

  经过两轮的提示输入，Gemini 生成的内容已经比较完整了，也解答了我的问题。  韬(τ)定律的含义是：芯片行业不能只盯着几何尺寸，还要系统性减少信号在器件、电路、芯片和系统之间流动的时间损耗。它把竞争焦点从“制程节点”扩展到“系统级效率”，是中国企业在先进制程受限的情况下缩短和世界一流芯片之间差距的方法论，而且已经得到了一些验证。26年秋季发布的手机麒麟芯片也将应用这个定律指导下的技术。

这次Gemini研读视频的链接是：

https://gemini.google.com/share/055332a133cb。

读者可以看到完整的提示词和研读报告生成过程。

4、为什么调整提示词可以让AI生成的内容变化

  我在第一篇学过，模型不是处理整段文字，而是先把文字切成 token。那么，这些 token 进入模型之后，AI 为什么会抓住某些信息，又忽略另一些信息？主要的原因是大模型的“注意力机制”。《Attention Is All You Need》提出的 Transformer 架构，把 注意力（attention） 放在核心位置，对于注意力可以理解成：

模型在生成下一个 token 时，会根据上下文里各个 token 的关联程度来决定哪些信息更应该被参考。

对应到我这次研读视频的提示词，体感就很明显了：

• 第一次提示词里，我让AI根据视频总结观点，AI 就优先抓标题、核心观点、关键数字；
• 第二次提示词里，我要求针对一些问题给出概念解答和佐证，AI就根据我约束的边界来有的放矢的输出内容。

所以我现在更愿意把提示词看成一张注意力地图。它不是念咒，而是在告诉模型：这次请重点看这里，那里先别急着下判断。而且注意力还区分self-attention和multi-head attention，前者让同一段上下文里的不同位置建立联系，后者则让模型从多个角度关注不同关系。

这对我们使用者的直接启发就是：

你把问题、约束、材料和输出格式写得越清楚，模型越容易知道该把哪些上下文联系起来。

5、今日复盘

今天我研究了一个正在发酵的技术话题，通过AI研读技术演讲视频快速理解了相关概念，并初步了解了行业趋势和潜在影响。这次研读视频的提示词可以作为一个提示词模板，下次继续复用和不断优化。

总结起来，我有两个收获：

• （1）工具和生态有关联
  Google 的 AI 读 YouTube 顺手，这不是能力问题，是协同问题。选工具时注意这一点。
• （2）提示词不是魔法咒语，是注意力地图
  输入把问题、约束和格式写的越清楚，AI就越容易把上下文的关键信息联系起来，从而按照你的要求来输出内容。