为什么真正的通用人工智能（AGI）不会实现？

为什么真正的通用人工智能（AGI）不会实现？

Tim Dettmers深刻剖析了这个被广泛误解的话题，指出当前关于AGI和超级智能的乐观预期忽视了计算的物理现实和资源限制。

| blog 首先，计算是物理的。

无论是数字计算还是生物大脑，信息处理都受到物理空间和能量的限制。

即使是人类大脑的体积和能量消耗也达到了极限，数字计算面临着类似的瓶颈：算力增长已趋缓，尤其是GPU性能自2018年后几乎没有实质性突破。

硬件优化空间有限，任何线性提升都需要指数级资源投入，这意味着简单的“规模化”已经难以继续带来突破。

其次，现有的AI架构如Transformer已经接近物理效率极限。

虽然仍有细节改进空间，但这些改进效益递减，远不足以支撑AGI的爆发式进步。

与此相对，AI的未来更可能是经济层面的扩散和实际应用的增多，而非某个单一超级智能模型的出现。

再者，AGI若真要实现，必须能完成所有人类能做的任务，包括复杂的物理操作。

然而，物理世界的复杂性和数据采集成本极高，机器人在非结构化环境中表现远不及专用工业机器人，且经济效益不足以驱动大规模应用。

超级智能的概念更是基于“智能自我提升”的幻想，忽视了资源消耗和物理限制。

即使有更聪明的系统，其持续自我改进也会因资源瓶颈和收益递减而受限，不会带来指数级飞跃。

最后，Dettmers指出，中美两国对待AI的策略截然不同：美国押注超级智能和“赢家通吃”，中国则注重AI在实际生产和生活中的广泛应用和经济效益。

后者的路径更实际，也更可能塑造未来。

AGI和超级智能的神话源于对计算物理限制的忽视和思想上的空洞幻想。

未来AI的真正价值在于如何实用地扩散和提升生产力，而非追逐虚无缥缈的超级智能。