闻乐 发自 凹非寺

量子位 | 公众号 QbitAI

“不是AGI还没到，而是永远到不了。”

CMU（卡内基梅隆大学）教授、艾伦人工智能实验室研究员Tim Dettmers从硬件瓶颈、资源成本、现实应用三重维度论证：

为什么AGI从一开始，就是个违背物理规律的幻想工程？

一篇长文，指出GPU性能峰值停在2018年，机架级优化2027年耗尽潜力，AI每提升1%的能力，资源消耗要翻好几倍……

核心观点

AGI的讨论都在回避“计算的物理枷锁”

智能不是飘在天上的想法，而是得靠电脑、芯片这些实实在在的东西算出来，而这些东西都得遵守物理规律。

计算从不是抽象概念，所有智能都要扎根物理现实。

这也是Dettmers反驳AGI的核心，很多人在聊到AGI时总把它当成抽象的哲学概念，但很多人忽略了硬件实现，而硬件必然受到物理规律限制。

第一个是信息移动成本。

比如有效计算需要平衡全局信息传到局部和局部信息整合，可信息移动的成本会随距离呈平方级上升；芯片缓存也能说明问题，L2、L3缓存比L1 大，但却因物理位置更远而速度更慢。

现在芯片里的晶体管越做越小，虽然能降低计算成本，但内存反而越来越贵，现在芯片上几乎所有空间都给了内存，计算单元占比微乎其微。

就算是现在的主流AI架构Transformer，看似是算法层面的突破，本质上也是对硬件信息处理效率的物理优化，且也已经接近物理最优。

第二个是线性进步需要指数级资源。

想让系统更精准、高效，每多一分改进，需要的资源都会呈指数级增长。

物理层面，资源聚集会因空间、时间限制变慢；理论层面，相关联的想法会导致收益递减，就算是创新，也多是对现有思路的微调，难有突破性效果。

物理学就是典型例子，过去个人能取得理论突破，现在却很难。

实验物理更甚，像大型强子对撞机这样耗资数十亿的设备，也没能解开暗能量、暗物质的谜团。

AI领域同理，想靠堆资源实现AGI的通用能，早晚会超出实际承受范围。

GPU熄火了

而且，支撑AI快速发展的燃料GPU，也进入了熄火阶段。

可能很多人会默认GPU会连续迭代，为AGI提供算力支撑，但Dettmers抛出一组数据：

GPU的性价比在2018年就到了峰值，之后的16位精度、张量核心、HBM内存等改进，都是一次性功能，潜力很快会耗尽。

现在行业寄希望的机架级优化，比如更高效地调度AI需要的键值缓存，但这种优化的思路很简单，本质上只有一种最优设计方式。虽然实现起来要花时间做工程，但整体设计没什么新意。

像OpenAI这样的公司吹自己的基础设施多厉害，但其实大家的差距很小；唯一能拉开点距离的，就是机架或数据中心级别的小优化，但这些优势也撑不了多久，大概2026-2027年就会耗尽。

也就是说，GPU这条算力增长线，已经快走到头了。

有人说把模型规模做大还能提升AI性能，Dettmers并不否认这种规模法则的作用，但问题在于——

过去GPU的指数级进步，能抵消规模扩张的资源消耗，花一块钱就有一块钱的效果；现在GPU不进步了，想再获线性提升，就得投入指数级成本，花几块钱才有一块钱的效果，这在物理上很快会不可行。

结论：AGI是幻觉

AGI的通用，意味着要能处理物理世界的复杂任务。

但物理世界数据的收集成本太高。举个最简单的例子，工厂的机器人要应对零件磨损、天气变化这些突发情况，需要海量数据训练，还得花大价钱做实验。

再看超级智能，它假设AI能自己越变越聪明，但现实是，变聪明需要资源……

想让AI自己优化，刚开始调调参数或许还能进步，但到达一定水平之后，想要多进步1%，可嫩好多花10倍的钱和算力，那么问题来了：

AI又不能凭空造资源，怎么做到无限变强呢？

所以，Dettmers认为AGI不会实现，超级智能也是幻想。

不过呢，在他看来，AI的未来不是超越人类，而是在物理约束内渐进式的改进，靠经济扩散和实际应用创造价值。

比如让算法更省算力、让更多人能用得上开源AI模型，把AI用到看病、种地、造东西这些实处，一点点帮人提高效率。

Dettmers指出，美国那边总想着“赢者通吃”，巨头们砸钱搞超级智能，一门心思想做个啥都会的AGI，却不管这东西到底现不现实，能不能用在实处。

而在这一点上，中国更聚焦落地实用，看的是AI能不能提升生产力，还用补贴推动AI融入各行业，这样就更贴合现实。