AGI 會不會到來？

這是AI 行業(yè)里反復(fù)被討論、卻一直始終缺乏清晰論證的問題。

最近，西雅圖艾倫人工智能研究所（AI2）的研究員蒂姆·德特默斯（Tim Dettmers）在一篇文章，題目很直接——《為什么 AGI 不會實現(xiàn)？》。

蒂姆·德特默斯

在這篇文章中，他提出了一個被長期忽視、卻至關(guān)重要的前提：

計算并不是抽象概念，而是一件徹底受物理規(guī)律約束的事情。

這意味著，智能的提升并不是“想象空間”問題，而是繞不開能量、帶寬、存儲、制造和成本的物理限制。

德特默斯認(rèn)為，當(dāng)下市場對AGI 的判斷普遍偏樂觀，一個關(guān)鍵原因在于：

很多討論只停留在模型、參數(shù)和算法層面，卻忽視了支撐這些能力的物理基礎(chǔ)正在逼近極限。

在文章中，德特默斯第一次從物理約束的角度，系統(tǒng)性地解釋了為什么AGI 面臨一系列難以回避的現(xiàn)實。這些判斷，也有助于我們更好地理解當(dāng)前的AI行業(yè)。

他在文章中總結(jié)了幾條關(guān)鍵判斷：

1）Transformer 的成功并非偶然，而是在當(dāng)前物理約束下接近最優(yōu)的工程選擇，繼續(xù)通過架構(gòu)改進(jìn)獲得的邊際收益正在快速下降。

2）當(dāng)下大量所謂“創(chuàng)新”，本質(zhì)仍是既有框架上的漸進(jìn)改進(jìn)，很難帶來結(jié)構(gòu)性躍遷。

3）AI 過去的 Scaling Law 很大程度上依賴GPU的性能紅利，而GPU“可壓榨空間”正在接近尾聲。

4）真正的AGI 不只是認(rèn)知能力問題，還必須具備在現(xiàn)實世界中執(zhí)行具有經(jīng)濟(jì)意義工作的能力，而這一領(lǐng)域恰恰最受物理與成本約束。

以下內(nèi)容為蒂姆·德特默斯文章的編譯，略有刪減。

被物理極限“鎖死”的AGI

關(guān)于AGI、超級智能、擴(kuò)展定律的討論，尤其在灣區(qū)，有一個長期被忽視的問題：這些討論大多停留在觀念層面，而非物理現(xiàn)實之中。

很多人談?wù)撏ㄓ萌斯ぶ悄堋⒊壷悄�，�?xí)慣把它們當(dāng)成純粹的抽象概念，像做哲學(xué)思想實驗一樣推演未來：參數(shù)還能不能再大？算力還能不能繼續(xù)堆？智能會不會指數(shù)級自我進(jìn)化？

但這套思維，本身就建立在一個根本性的誤解之上——計算不是抽象的，它是物理的。

要理解這一點，先看一個最基礎(chǔ)的事實：高效計算，始終在做兩件事的平衡。

一是把分散在各處的信息，搬運到計算發(fā)生的地方；

二是把局部計算的結(jié)果，再重新匯聚成新的信息。

問題在于，計算本身是便宜的，信息移動是昂貴的。

隨著晶體管尺寸變小，單次計算的成本持續(xù)下降。但信息在芯片內(nèi)部、在不同存儲層級之間移動，其成本卻會隨著距離呈平方級增長。這是一個繞不開的物理規(guī)律。

緩存層級就是最直觀的例子。

L1、L2、L3 緩存用的是同樣的工藝，但性能差異巨大：L1 最快、容量最��；L3 最大、卻慢得多。原因并不復(fù)雜：離計算核心越遠(yuǎn)，訪問成本越高。

因此有兩個結(jié)論非常重要：

第一，更大的緩存，必然更慢；

第二，隨著制程進(jìn)步，芯片上“算力”的成本在下降，但“內(nèi)存”和“帶寬”的成本反而在上升。

今天的高端芯片設(shè)計中，真正用于“計算”的邏輯單元，其實只占很小一部分。絕大多數(shù)硅面積，都被用在了存儲、互連和數(shù)據(jù)通路上。

當(dāng)然理論上仍然可以設(shè)計一顆擁有10 exaflops 算力的芯片，但如果沒有與之匹配的內(nèi)存系統(tǒng)，這些算力大多只會閑置，變成“無用的浮點運算”。

這一點，在很多關(guān)于算力的敘事中被刻意忽略了。

把這個現(xiàn)實放回AI 架構(gòu)上，就會發(fā)現(xiàn)一件事：

Transformer 的成功，并不是算法上的偶然，而是在當(dāng)前物理約束下接近最優(yōu)的工程選擇。

它的核心計算模式，恰好對應(yīng)了當(dāng)前硬件條件下最“劃算”的兩類操作：

一類是局部計算（MLP）；

另一類是受限形式的全局信息匯聚（注意力機制）。

Transformer當(dāng)然不是“理論上最優(yōu)”的智能結(jié)構(gòu)，但在現(xiàn)實硬件條件下，它可能已經(jīng)非常接近物理意義上的最優(yōu)解。

這意味著，你可以繼續(xù)在Transformer上做改進(jìn)，但每一步的收益都會越來越小。

類似的限制不止存在于硅基計算里，也同樣發(fā)生在我們?nèi)祟惿砩稀?/p>

神經(jīng)科學(xué)早已發(fā)現(xiàn)：一個物種能擁有多少神經(jīng)元，幾乎可以由其長期穩(wěn)定的能量攝入精確推算。人類通過烹飪，突破了原始能量獲取的限制，但也僅止于此。

我們的智力并非無限擴(kuò)展的結(jié)果，而是剛好卡在能量、代謝和生育之間的平衡點上。

如果人類的大腦再大一些，問題并不在于頭骨或產(chǎn)道，而在于能量供給：

我們將無法在孕期同時維持兩個高能耗大腦的生存。這意味著，人類智能本身就是一道被能量約束鎖死的物理上限。

數(shù)字計算也正在走向類似的邊界。

算力還會增長，工程還會優(yōu)化，但把這些變化解讀為“智能可以無限外推”，本身就是一種脫離物理現(xiàn)實的想象。

低垂果實已摘完了

幾乎所有成熟領(lǐng)域的研究，最終都會收斂到同一個結(jié)論：

線性的進(jìn)步，往往需要指數(shù)級的資源投入。

這句話翻譯成白話就是：如果你想讓一個系統(tǒng)持續(xù)變得更精確、更高效、更強大，那么每往前走一步，所需要付出的成本都會比上一步高得多。

背后原因并不復(fù)雜。在物理世界里，任何有效結(jié)果，都依賴資源在時間和空間上的聚集。要產(chǎn)生線性規(guī)模的效果，你至少需要線性規(guī)模的資源。

但隨著系統(tǒng)規(guī)模變大，這些資源會在空間、時間和能量上發(fā)生競爭，協(xié)同效率不斷下降，最終表現(xiàn)為：投入增長得很快，產(chǎn)出卻增長得越來越慢。

在物理世界如此，在思想世界也一樣。

如果兩個想法彼此完全獨立，它們的疊加效果可能是倍增的；但一旦想法之間存在依賴關(guān)系，邊際收益就會迅速下降。

絕大多數(shù)“新想法”，并不是從零開始，而是建立在已有框架之上的改進(jìn)。即便這個改進(jìn)再聰明，它所能帶來的提升也往往是漸進(jìn)式的。

當(dāng)一個領(lǐng)域足夠成熟時，這種現(xiàn)象會變得非常明顯。

即使你看似提出了“完全不同”的方法，它們往往仍然在解決同一個核心問題。

比如，看起來路徑不同的狀態(tài)空間模型和 Transformer，本質(zhì)上都在處理“如何高效建模長程依賴”這個問題。

在這樣的背景下，任何對同一機制的改進(jìn)，都只能帶來有限收益。

這種約束，在物理學(xué)中表現(xiàn)得最為殘酷。一位頂尖理論物理學(xué)家曾這樣形容這個處境：

如果一個想法被限制在同一個子領(lǐng)域內(nèi)，那么幾乎不可能產(chǎn)生真正有意義的突破。因為該想的，早就被想過了；而那些看似天馬行空的創(chuàng)意，往往只是重新排列了既有規(guī)則，并沒有觸及根本問題。

實驗物理則從另一個角度揭示了這種邊界。

為了驗證更深層的物理規(guī)律，我們不得不建造越來越昂貴、越來越復(fù)雜的實驗裝置。大型強子對撞機耗資數(shù)十億美元，但帶來的更多是對理論的排除，而不是明確的新答案。

這并不一定意味著我們“不夠聰明”，而更可能意味著：某些問題本身，就被資源和復(fù)雜度鎖在了我們目前無法觸及的層級之外。

最終，我們一次又一次回到同一個現(xiàn)實判斷：

當(dāng)一個系統(tǒng)進(jìn)入成熟階段后，想要獲得線性的改進(jìn)，往往必須付出指數(shù)級的資源代價。

這既是科學(xué)研究的邊界，也是技術(shù)、算力和智能擴(kuò)展所共同面對的硬約束。

GPU已經(jīng)被“榨干”了

另一個影響極大的誤解是：人們默認(rèn)硬件會一直線性進(jìn)步。

過去十多年，AI 的幾次關(guān)鍵躍遷，確實都踩在了GPU性能提升的節(jié)奏上。

AlexNet 的成功，本質(zhì)上是CUDA + GPU跑通了卷積網(wǎng)絡(luò)的結(jié)果。此后，無論是更深的CNN，還是Transformer的規(guī)模化訓(xùn)練，幾乎都依賴兩個變量：單卡性能提升+GPU數(shù)量增加。

于是，一個非常自然的敘事形成了：GPU 越來越強，推動AI 越來越強。

但問題恰恰在這里。GPU 并不是在“持續(xù)進(jìn)步”，而是在逐步逼近物理和工程的邊界。

如果回頭看，會發(fā)現(xiàn)GPU 真正快速提升的階段，大概在 2018 年左右已經(jīng)結(jié)束。

此后我們看到的“進(jìn)步”，更多是通過一系列一次性、不可重復(fù)的工程紅利換來的：

最早是FP16，然后是 Tensor Core（或等價的矩陣加速單元），再往后是 HBM 高帶寬內(nèi)存，接著是更激進(jìn)的數(shù)據(jù)搬運機制（如 TMA），再然后是 INT8、INT4 甚至更低比特寬度。

這些手段，本質(zhì)上都在做同一件事：用精度換吞吐，用工程技巧壓榨邊界。

問題在于，這條路是有限的。

從計算物理和信息論角度看，在特定塊大小、訪存模式和調(diào)度結(jié)構(gòu)下，最優(yōu)的數(shù)據(jù)類型和計算布局是可以算出來的。

這些結(jié)論并不神秘，也早已被論文系統(tǒng)性地討論過。現(xiàn)在的硬件廠商，事實上已經(jīng)把這些“可壓榨的空間”基本用完了。

繼續(xù)往前走，不再是“免費性能提升”，而只剩下權(quán)衡：

要么犧牲計算效率，換更小的內(nèi)存占用；

要么犧牲內(nèi)存效率，換更高的計算吞吐。

無論選哪條路，都不再帶來數(shù)量級上的提升。這并不意味著硬件已經(jīng)“停止進(jìn)化”，而是意味著：

硬件不再是那個能持續(xù)兜底一切問題的變量了。

在這個背景下，很多人的注意力開始轉(zhuǎn)向機架級、數(shù)據(jù)中心級的系統(tǒng)優(yōu)化。

這一步確實重要，比如高效的KV cache 傳輸、節(jié)點間通信、內(nèi)存拓?fù)湓O(shè)計，都是當(dāng)前推理成本的關(guān)鍵瓶頸。

但這里同樣存在一個現(xiàn)實限制。

從系統(tǒng)工程角度看，真正高效的設(shè)計空間其實非常有限。你可以在實現(xiàn)上做得更極致，但在結(jié)構(gòu)上，往往只有一到兩種接近最優(yōu)的方案。它們難度高、工程量大，但并不神秘，也不存在“顛覆性架構(gòu)”。

這也是為什么無論是OpenAI，還是其他前沿實驗室，在基礎(chǔ)設(shè)施層面更多體現(xiàn)的是執(zhí)行力和規(guī)模，而不是不可復(fù)制的系統(tǒng)優(yōu)勢。

即便通過機架級或數(shù)據(jù)中心級優(yōu)化獲得領(lǐng)先，這種優(yōu)勢也往往是暫時的。

隨著行業(yè)跟進(jìn)，這些改進(jìn)會迅速擴(kuò)散、被吸收�？赡茉�2026年，也可能在2027年，這部分紅利就會基本被吃完。

歸根結(jié)底，這一切指向同一個結(jié)論：

AI 的下一個階段，不能再假設(shè)“硬件會繼續(xù)把問題解決掉”。

GPU 曾經(jīng)是推動智能躍遷的核心杠桿，但這個杠桿，正在失去它的長度。

/ 04 /

Gemini3，是一個拐點信號

我最近在推特上討論了一個判斷：Gemini 3，可能標(biāo)志著這一輪AI 發(fā)展正在接近階段性停滯。

不少回復(fù)認(rèn)為我太悲觀了，說一句話概括就是：“規(guī)�；皇沁�在起作用嗎？”

問題在于，這里真正需要討論的，并不是“規(guī)�；袥]有用”，而是規(guī)�；�能用多久、以什么代價繼續(xù)起作用。

真正發(fā)生變化的是成本結(jié)構(gòu)。

過去十多年，我們之所以能在模型規(guī)模上持續(xù)推進(jìn)，并不是因為擴(kuò)展本身變得“更高效”，而是因為GPU的指數(shù)級性能提升，抵消了擴(kuò)展所需的指數(shù)級資源投入。

換句話說，過去是線性成本，帶來線性回報。現(xiàn)在變成了指數(shù)級成本，帶來勉強的線性回報。

這本身并非不可接受，但它清晰地劃定了一個邊界：擴(kuò)展不再是一個“可以無限外推”的策略，而是一個正在快速逼近物理極限的手段。

在我看來，我們真正剩下的擴(kuò)展窗口，可能只有一到兩年。

2025 年，單純靠擴(kuò)展帶來的提升已經(jīng)非常有限；如果 2026、2027 年沒有新的研究路徑或軟件層面的突破，那么擴(kuò)展本身在物理上就會變得不可持續(xù)。

更微妙的問題在于：

當(dāng)擴(kuò)展帶來的邊際收益，開始低于研究和軟件創(chuàng)新帶來的收益時，硬件就會從資產(chǎn)變成負(fù)擔(dān)。

這并不是一個假設(shè)，而是已經(jīng)開始出現(xiàn)的現(xiàn)實信號。

像MoonshotAI、Z.ai 這樣的公司已經(jīng)證明：不需要天量算力，也能做到非常接近前沿模型的能力水平。

從個人體驗來看，我甚至更偏好Kimi K2的思考方式，而不是 Sonnet 4.5 在編碼上的“蠻力感”。這本身就說明：能力提升并不完全等同于規(guī)模擴(kuò)張。

如果這些小團(tuán)隊能在研究或工程上進(jìn)一步突破規(guī)模限制，它們完全有可能在不擁有龐大基礎(chǔ)設(shè)施的情況下，做出最有競爭力的模型。

在推理側(cè)，它們甚至可以轉(zhuǎn)向如華為昇騰這樣的替代硬件——這些芯片在推理性能上已經(jīng)足夠好。

這也引出了擴(kuò)展基礎(chǔ)設(shè)施面臨的另一個系統(tǒng)性風(fēng)險。

目前，大模型推理效率高度依賴“規(guī)模本身”：只有當(dāng)GPU數(shù)量足夠多、用戶請求足夠密集時，計算、網(wǎng)絡(luò)通信和 KV cache 才能充分重疊，從而實現(xiàn)接近理論最優(yōu)的利用率。

這意味著，只有擁有巨大用戶規(guī)模的公司，才能真正“用好”這些昂貴的前沿模型。

這也是為什么，開放權(quán)重模型目前并沒有在推理成本上徹底改寫格局——不是模型不行，而是部署成本要求一個同樣龐大的用戶池來攤薄。

但這里的關(guān)鍵在于：這是一個軟件問題，而不是物理問題。

vLLM、SGLang 等推理框架，主要針對的是前沿實驗室那種“超大規(guī)模部署”場景；在中小規(guī)模部署時，它們并不能提供同等級別的效率。

一旦出現(xiàn)更適合中等規(guī)模的推理棧，情況就會完全不同。

如果有人能讓一個3000億參數(shù)級別的模型，在較小規(guī)模下，也能接近 OpenAI 或 Anthropic 的推理效率，那么前沿實驗室在基礎(chǔ)設(shè)施上的護(hù)城河，可能會在極短時間內(nèi)消失。

更何況，還有兩個變量在同時逼近：

一是小模型能力持續(xù)提升（比如GLM 4.6 這類趨勢）；

二是AI 應(yīng)用越來越垂直、越來越專業(yè)化，對“通用前沿模型”的依賴正在下降。

在這種情況下，部署復(fù)雜度下降、開源推理棧成熟、硬件選擇多樣化，會讓整個系統(tǒng)迅速逼近物理最優(yōu)解。

而一旦接近物理最優(yōu)，規(guī)模優(yōu)勢的溢價就會快速蒸發(fā)。

如果擴(kuò)展速度放緩，那么下面三件事中的任何一件，都可能在短時間內(nèi)顯著削弱AI 基礎(chǔ)設(shè)施的價值：

研究或軟件層面的突破

成熟、強大的開放權(quán)重推理棧

向其他硬件平臺遷移

從這個角度看，當(dāng)前的趨勢對前沿實驗室并不友好。因為真正的競爭，很可能即將回到：研究深度、工程效率，以及對物理現(xiàn)實的敬畏。

/ 04 /

沒有身體的AGI，是一個偽命題

我注意到一個頻繁出現(xiàn)的現(xiàn)象：

當(dāng)你問灣區(qū)的人“AGI 什么時候到來”，他們往往會給出一個相對樂觀的時間表——幾年之內(nèi)、影響巨大、范式顛覆；

但當(dāng)你追問“AGI 究竟是什么”，他們的定義幾乎總是停留在認(rèn)知層面，既不包含體力勞動，也很少討論資源投入與物理約束。

這是一個關(guān)鍵缺失。

如果我們嚴(yán)格定義“通用人工智能”為能夠完成幾乎所有人類任務(wù)的系統(tǒng)，那么它就不可能只存在于文本框或服務(wù)器里。

真正的AGI，必然需要具備在現(xiàn)實世界中執(zhí)行具有經(jīng)濟(jì)意義工作的能力——也就是體力勞動。

而恰恰是這一部分，構(gòu)成了人類經(jīng)濟(jì)活動中規(guī)模最大、最復(fù)雜、也是最受物理約束的領(lǐng)域。

從現(xiàn)實來看，機器人技術(shù)并未走向“通用化”，而是高度分化。

在受控環(huán)境中，例如工廠，專用自動化系統(tǒng)已經(jīng)極其成熟。中國的“工廠”已經(jīng)證明：

在明確流程、固定場景下，專用機器人在效率、精度和成本上遠(yuǎn)遠(yuǎn)優(yōu)于任何通用方案。這類系統(tǒng)并不需要“通用智能”，它們靠的是工程優(yōu)化和流程確定性。

而在非受控環(huán)境中，許多看似“智能”的機器人任務(wù)，往往在經(jīng)濟(jì)上并不成立。

例如給T 恤縫袖子、在復(fù)雜環(huán)境中疊衣服，這些任務(wù)在技術(shù)上困難、數(shù)據(jù)采集成本極高，但在現(xiàn)實中人類完成它們所需的時間和成本極低。

即便機器人在幾年后能夠完成這些動作，其產(chǎn)出質(zhì)量、成本結(jié)構(gòu)和維護(hù)復(fù)雜度，也很難構(gòu)成真正的經(jīng)濟(jì)優(yōu)勢。

換句話說，機器人領(lǐng)域的問題并不主要是“能不能做”，而是“值不值得做”。

更重要的是，機器人學(xué)習(xí)的擴(kuò)展規(guī)律，與大語言模型高度相似，卻面臨更嚴(yán)苛的現(xiàn)實約束。物理世界的數(shù)據(jù)采集昂貴、反饋稀疏、狀態(tài)空間巨大，這決定了其擴(kuò)展速度遠(yuǎn)慢于純數(shù)字環(huán)境。

結(jié)果是，自動化在工廠里高度成功，而在大多數(shù)日常體力勞動中，經(jīng)濟(jì)回報極其有限。

這也引出了“超級智能”敘事的根本問題。

超級智能的核心假設(shè)是：一旦系統(tǒng)在智能水平上超過人類，就能夠不斷自我改進(jìn)，最終形成失控式躍遷。

這一觀點源于牛津哲學(xué)傳統(tǒng)，并在灣區(qū)被進(jìn)一步放大。但它忽略了一個基本事實——智能不是抽象存在，而是嵌入在物理系統(tǒng)中的能力。

任何系統(tǒng)的改進(jìn)都需要資源。即便一個系統(tǒng)能更高效地利用資源，它依然無法逃脫規(guī)模定律的約束：

線性改進(jìn)，往往需要指數(shù)級投入。通過引入一次性優(yōu)化（例如新的數(shù)據(jù)類型、特殊硬件單元）確實可以暫時繞開收益遞減，但這些路徑本身也會很快耗盡。

因此，更合理的理解是：所謂“超級智能”并不會無限拓展能力邊界，而只是填補現(xiàn)有能力空白。這種填補是有價值的，但它帶來的是漸進(jìn)改進(jìn)，而非指數(shù)失控。

類似的誤判也出現(xiàn)在對硬件進(jìn)步的預(yù)期上。

很多人假設(shè)，如果智能足夠強，它就能加速GPU、內(nèi)存和系統(tǒng)架構(gòu)的進(jìn)化。

但現(xiàn)實是，GPU 的核心性能提升已經(jīng)接近尾聲。未來的改進(jìn)更多來自封裝、互連、HBM 演進(jìn)和機架級工程優(yōu)化，而這些都是高度資本密集、周期漫長的制造問題，并不存在“靠更聰明就能解決”的捷徑。

Transformer 架構(gòu)本身也已經(jīng)接近物理最優(yōu)。大規(guī)模推理部署，更多是成熟工程問題，而非需要突破性創(chuàng)造力的研究領(lǐng)域。超級智能無法顯著重寫這些基本約束。

從這個角度看，超級智能或許能幫助AI 更快普及，但它并不是普及的決定性因素。真正限制 AI 經(jīng)濟(jì)價值釋放的，從來不是能力上限，而是落地、部署與應(yīng)用結(jié)構(gòu)。

因此，任何將“超級智能”作為核心目標(biāo)的組織，都可能在現(xiàn)實中遭遇持續(xù)的摩擦：高成本、低回報、難以轉(zhuǎn)化。相反，那些專注于降低部署門檻、推動經(jīng)濟(jì)普及、嵌入真實流程的參與者，更可能在長期勝出。

歸根結(jié)底，人們常設(shè)想的AGI 并不會以神話般的方式降臨。它忽視了計算的物理約束、規(guī)模進(jìn)步的真實成本，以及我們已經(jīng)觸及的工程極限。

超級智能之所以被反復(fù)討論，并非因為它理論上穩(wěn)固，而是因為它在回音室中構(gòu)建了一種極具吸引力的敘事。

而AI 的真實未來，將由經(jīng)濟(jì)可行性、實際應(yīng)用與在物理限制下的持續(xù)改進(jìn)共同塑造。越早接受這一現(xiàn)實，我們就越能把注意力從幻想，轉(zhuǎn)向真正能提高生產(chǎn)力與人類福祉的系統(tǒng)。

文/林白

PS：如果你對AI大模型領(lǐng)域有獨特的看法，歡迎掃碼加入我們的大模型交流群。