AGI 不会实现？深度剖析计算物理限制

近年来，关于通用人工智能（AGI）与超级智能即将到来的预言不绝于耳，仿佛一场技术奇点近在咫尺。然而，这种乐观的预期往往建立在对技术进步速度的线性外推之上，却忽视了其背后坚实的物理基础与资源限制。Tim Dettmers 在其深入的分析中指出，要实现一个能像人类一样执行任何智力任务的真正 AGI，我们面临着来自物理定律、计算效率和经济效益的多重根本性障碍。

首先，我们必须认识到一个核心事实：计算本质上是物理的。无论是运行在硅芯片上的数字计算，还是发生在大脑神经元中的生物计算，任何形式的信息处理都无法脱离物理实体而存在，因此必然受到空间、能量和材料等物理资源的严格限制。以人类大脑为例，它已是生物进化在能量效率与认知能力之间达到的精妙平衡，其体积和功耗（约 20 瓦）几乎达到了生物结构的极限。数字计算同样如此，我们曾依赖的摩尔定律红利正在消退。自 2018 年以来，GPU 等核心硬件的性能提升已显著放缓，单靠制程微缩带来的增益越来越有限。硬件优化逐渐触及天花板，任何线性的性能提升，背后都可能需要指数级增长的资源投入，这意味着过去那种通过简单“规模化”堆砌算力就能换来突破的时代已经过去。

其次，当前主导人工智能发展的 Transformer 架构可能已接近其物理效率的极限。尽管在模型细节、训练方法和稀疏化等方面仍有持续的改进空间，但这些优化带来的效益正在急剧递减。它们属于渐进式的改良，远不足以支撑实现 AGI 所需的那种质的、爆发式的飞跃。因此，人工智能未来的主要演进方向，或许并非诞生一个全知全能的单一超级模型，而更可能是在经济层面上的广泛扩散，以及在实际生产与生活场景中应用数量的爆发式增长。

再者，AGI 的定义要求其能够完成所有人类能胜任的任务，这自然包括了在复杂物理世界中进行灵巧操作的能力。然而，物理世界的复杂性和不确定性极高，为机器人收集足够多、足够好的训练数据成本巨大。目前，机器人在非结构化环境（如家庭、户外）中的表现，远不及在流水线上执行固定任务的专用工业机器人。从经济角度看，开发一个能在多变现实中自如行动的通用机器人，其投入产出比在可预见的未来可能难以驱动大规模商业应用，这构成了 AGI 落地的又一重现实壁垒。

关于“超级智能”会自我迭代、无限加速的幻想，则更多地忽略了资源消耗的硬约束。这种设想基于“智能可以无限自我提升”的假设，但即使存在一个更聪明的系统，其持续的自我改进过程本身也会消耗巨大的计算资源和能源。随着改进的深入，其面临的瓶颈会越来越多，收益递减规律将不可避免地发挥作用，因此很难出现理论中那种脱离资源限制的指数级智能爆炸。

最后，Tim Dettmers 观察到一个颇具启发的对比：在人工智能的发展策略上，中美两国选择了不同的路径。美国科技界似乎更倾向于押注“赢家通吃”的超级智能模型，追求理论上的终极突破；而中国则更注重将人工智能技术深度融入现有的制造业、服务业和城市管理中，强调其提升生产效率和创造经济价值的实用属性。从现实基础与可持续性来看，后者的路径或许更为务实，也更有可能在近期真正塑造我们的未来。

总而言之，AGI 与超级智能的神话，部分源于对计算物理限制的忽视，以及一种脱离工程实践的思想空想。人工智能的真正价值与未来，不在于追逐一个虚无缥缈的终极智能体，而在于如何让现有的智能技术更实用、更经济、更广泛地扩散开来，切实地提升各个领域的生产力，解决具体的现实问题。

原文链接： 为什么真正的通用人工智能（AGI）不会实现？