AGI：物理极限下的智能未来

AGI的未来：物理法则的枷锁？

AI领域的核心议题之一，是探讨AGI（通用人工智能）是否会到来，尽管这个话题反复被讨论，却始终缺乏明确的答案。

在西雅图艾伦人工智能研究所（AI2），蒂姆·德特默斯（Tim Dettmers）最近发表了一篇文章，标题直指要害——《为什么 AGI 不会实现？》。

在这篇文章中，德特默斯提出了一个常被忽视但至关重要的前提：

计算不是抽象概念，而是受物理规律严格约束的。

这意味着，智能的提升不是靠“想象空间”就能实现的，而是受到能量、带宽、存储、制造和成本的物理限制。

德特默斯认为，当前对AGI的乐观判断忽视了支撑这些能力的物理基础正在逼近极限。

他系统性地从物理约束的角度解释了AGI面临的一系列现实挑战，并总结了几个关键判断：

1）Transformer的成功并非偶然，而是在当前物理约束下的最优工程选择，继续改进架构的边际收益正在快速下降。

2）当下所谓的“创新”，大多是现有框架上的渐进改进，难以带来结构性变革。

3）AI过去的Scaling Law依赖GPU性能红利，而GPU的“可压榨空间”正在接近尽头。

4）真正的AGI不仅是认知问题，还必须具备在现实世界中执行经济工作的能力，这一领域正受到物理与成本的双重约束。

被物理极限“封锁”的AGI

在讨论AGI、超级智能和扩展定律时，一个长期被忽视的问题是：这些讨论大多停留在观念层面，而非物理现实。很多人习惯于把通用人工智能和超级智能当作抽象的哲学概念，进行推演和假设。

但计算不是抽象的，它是物理的。要理解这一点，需从最基本的事实出发：高效计算始终在做两件事的平衡——信息搬运和结果汇聚。

问题在于，计算本身是便宜的，但信息移动是昂贵的。随着晶体管尺寸变小，单次计算成本下降，但信息在芯片内部和不同层次间移动的成本却呈平方级增长。

因此，更大的缓存必然更慢；制程进步降低了“算力”的成本，却提高了“内存”和“带宽”的成本。今天的高端芯片设计中，用于计算的部分只占很小一部分，大多数硅面积用于存储、互连和数据通路。

Transformer的成功并非算法上的偶然，而是在当前物理约束下的最优工程选择。它的计算模式对应了当前硬件条件下最“划算”的两类操作：局部计算和受限形式的全局信息汇聚。

低垂果实已摘完：线性进步的代价

几乎所有成熟领域的研究最终都会得出同一结论：线性的进步往往需要指数级的资源投入。

这是因为任何有效结果都依赖资源在时间和空间上的聚集。随着系统规模变大，资源在空间、时间和能量上发生竞争，协同效率不断下降，表现为投入增长快而产出增长慢。

在思想世界中，两个独立想法的叠加效果可能是倍增的；但一旦想法之间存在依赖关系，边际收益就会迅速下降。大多数“新想法”是建立在已有框架上的改进，只能带来渐进式提升。

GPU：已被“榨干”的计算引擎

过去十多年，AI的几次关键跃迁确实踩在了GPU性能提升的节奏上。但GPU的提升阶段在2018年左右已结束，此后更多是通过工程红利实现的。

现在的硬件厂商已经基本用尽了“可压榨的空间”，继续提升不再是“免费性能”，而是需要权衡计算效率和内存效率。

“Gemini 3”：拐点信号

Gemini 3可能标志着AI发展正在接近阶段性停滞。扩展不再是“可以无限外推”的策略，而是正在快速逼近物理极限的手段。

如果2026、2027年没有新的研究路径或软件层面的突破，扩展本身在物理上会变得不可持续。

没有身体的AGI：一个伪命题

真正的AGI必须具备在现实世界中执行经济工作的能力。机器人技术并未走向“通用化”，而是高度分化。在受控环境中，专用自动化系统已经极其成熟；而在非受控环境中，机器人任务的经济性往往不成立。

“超级智能”的核心假设是系统超过人类智能后就能自我改进，形成失控式跃迁。但智能是嵌入在物理系统中的能力，任何改进都需要资源。线性改进往往需要指数级投入。