AGI的边界与未来：通往智能的曲折之路

大模型的通用性和泛化性日益强大，虽然新模型如备受争议的GPT-5.2在专业任务和智能水平上表现出色，但与人们期待的AGI（通用人工智能）相比，依旧遥不可及。

尽管如此，大家对AGI的热情与信心并未减退，或许下一款重磅大模型就能初步实现AGI的构想。

然而，近期卡耐基梅隆大学教授、AI2研究科学家Tim Dettmers发表了一篇长文博客《Why AGI Will Not Happen》，认为由于物理原因，我们无法实现AGI，也无法实现任何有意义的超级智能。

这篇文章无疑给人们对AGI的热情泼了一盆冷水，引发了广泛讨论。

为什么AGI不会发生

这篇文章探讨了硬件改进、通用人工智能、超级智能、规模法则、人工智能泡沫等相关话题。

博客链接：https://timdettmers.com/2025/12/10/why-agi-will-not-happen/

计算是物理的

许多思考AGI、超级智能、缩放定律及硬件进步的人，常将这些概念视为抽象理念，像哲学思想实验一样讨论。这一切建立在对AI与规模化根本性误解之上：计算是物理的。

要实现高效计算，需在两件事情间取得平衡：其一，将全局信息移动到局部邻域；其二，将多份局部信息汇聚起来，将旧信息转化为新信息。虽然局部计算的复杂性几乎恒定——更小的晶体管能大大加速这一过程，但移动到局部计算单元的距离呈平方级增长——改进效果很快变得次线性。

需记住两个要点：第一，缓存越大，速度越慢。第二，随着晶体管尺寸不断缩小，计算变得越来越便宜，而内存在相对意义上却变得越来越昂贵。

如今计算单元在芯片中的占比已微不足道，几乎所有面积都用来做内存。若一块芯片上实现10 exaflops的算力，却无足够内存服务，这些FLOPS就成了“无效算力”。

正因如此，AI架构如Transformer本质上是物理的。我们的架构并非随意构思、抛出的抽象想法，而是对信息处理单元的物理层面优化。

线性进步需要指数级资源

这里存在两种现实：物理现实与观念空间中的现实。

在物理现实中，若需在时间和空间上聚集资源产生某种结果，出于物流和组织原因，想要在线性尺度上产出效果，往往需要线性规模的资源投入。但由于物理性限制，这些资源在空间或时间上会产生竞争，使得资源汇聚速度必然越来越慢。

前沿AI路径与理念

美国和中国在AI上采取了两种截然不同的路径。美国遵循“赢家通吃”思路——谁先构建出超级智能，谁就赢了。其核心信念是：把模型做到最大、最强，人自然会来。

中国的理念则不同。他们认为模型能力本身并不重要。真正重要的是如何使用AI，这个模型是否实用、是否能以合理成本带来生产力提升。

结论：通往AGI的多条道路

这篇博客的核心观点是：当前AI系统仍具巨大提升空间，通往更强AI的道路也远不止一条。只要仔细观察，你会发现通向至少一个数量级（10×）算力提升的具体路径和研究议程。