AGI 會不會到來？

這是AI 行業里反復被討論、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？》。

蒂姆·德特默斯

在這篇文章中，他提出了一個被長期忽視、卻至關重要的前提：

計算并不是抽象概念，而是一件徹底受物理規律約束的事情。

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。

德特默斯認為，當下市場對AGI 的判斷普遍偏樂觀，一個關鍵原因在于：

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

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

他在文章中總結了幾條關鍵判斷：

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

2）當下大量所謂“創新”，本質仍是既有框架上的漸進改進，很難帶來結構性躍遷。

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 不只是認知能力問題，還必須具備在現實世界中執行具有經濟意義工作的能力，而這一領域恰恰最受物理與成本約束。

以下內容為蒂姆·德特默斯文章的編譯，略有刪減。

被物理極限“鎖死”的AGI

關于AGI、超級智能、擴展定律的討論，尤其在灣區，有一個長期被忽視的問題：這些討論大多停留在觀念層面，而非物理現實之中。

很多人談論通用人工智能、超級智能，習慣把它們當成純粹的抽象概念，像做哲學思想實驗一樣推演未來：參數還能不能再大？算力還能不能繼續堆？智能會不會指數級自我進化？

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，搬運到計算發生的地方；

二是把局部計算的結果，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下降。但信息在芯片內部、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、容量最小；L3 最大、卻慢得多。原因并不復雜：離計算核心越遠，訪問成本越高。

因此有兩個結論非常重要：

第一，更大的緩存，必然更慢；

第二，隨著制程進步，芯片上“算力”的成本在下降，但“內存”和“帶寬”的成本反而在上升。

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

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

這一點，在很多關于算力的敘事中被刻意忽略了。

把這個現實放回AI 架構上，就會發現一件事：

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

它的核心計算模式，恰好對應了當前硬件條件下最“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當然不是“理論上最優”的智能結構，但在現實硬件條件下，它可能已經非常接近物理意義上的最優解。

這意味著，你可以繼續在Transformer上做改進，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，也同樣發生在我們人類身上。

神經科學早已發現：一個物種能擁有多少神經元，幾乎可以由其長期穩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展的結果，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。

數字計算也正在走向類似的邊界。

算力還會增長，工程還會優化，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實的想象。

低垂果實已摘完了

幾乎所有成熟領域的研究，最終都會收斂到同一個結論：

線性的進步，往往需要指數級的資源投入。

這句話翻譯成白話就是：如果你想讓一個系統持續變得更精確、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。

背后原因并不復雜。在物理世界里，任何有效結果，都依賴資源在時間和空間上的聚集。要產生線性規模的效果，你至少需要線性規模的資源。

但隨著系統規模變大，這些資源會在空間、時間和能量上發生競爭，協同效率不斷下降，最終表現為：投入增長得很快，產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系，邊際收益就會迅速下降。

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

當一個領域足夠成熟時，這種現象會變得非常明顯。

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空間模型和 Transformer，本質上都在處理“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，都只能帶來有限收益。

這種約束，在物理學中表現得最為殘酷。一位頂尖理論物理學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域內，那么幾乎不可能產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意，往往只是重新排列了既有規則，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律，我們不得不建造越來越昂貴、越來越復雜的實驗裝置。大型強子對撞機耗資數十億美元，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實判斷：

當一個系統進入成熟階段后，想要獲得線性的改進，往往必須付出指數級的資源代價。

這既是科學研究的邊界，也是技術、算力和智能擴展所共同面對的硬約束。

GPU已經被“榨干”了

另一個影響極大的誤解是：人們默認硬件會一直線性進步。

過去十多年，AI 的幾次關鍵躍遷，確實都踩在了GPU性能提升的節奏上。

AlexNet 的成功，本質上是CUDA + GPU跑通了卷積網絡的結果。此后，無論是更深的CNN，還是Transformer的規模化訓練，幾乎都依賴兩個變量：單卡性能提升+GPU數量增加。

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“持續進步”，而是在逐步逼近物理和工程的邊界。

如果回頭看，會發現GPU 真正快速提升的階段，大概在 2018 年左右已經結束。

此后我們看到的“進步”，更多是通過一系列一次性、不可重復的工程紅利換來的：

最早是FP16，然后是 Tensor Core（或等價的矩陣加速單元），再往后是 HBM 高帶寬內存，接著是更激進的數據搬運機制（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、訪存模式和調度結構下，最優的數據類型和計算布局是可以算出來的。

這些結論并不神秘，也早已被論文系統性地討論過。現在的硬件廠商，事實上已經把這些“可壓榨的空間”基本用完了。

繼續往前走，不再是“免費性能提升”，而只剩下權衡：

要么犧牲計算效率，換更小的內存占用；

要么犧牲內存效率，換更高的計算吞吐。

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

硬件不再是那個能持續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向機架級、數據中心級的系統優化。

這一步確實重要，比如高效的KV cache 傳輸、節點間通信、內存拓撲設計，都是當前推理成本的關鍵瓶頸。

但這里同樣存在一個現實限制。

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

這也是為什么無論是OpenAI，還是其他前沿實驗室，在基礎設施層面更多體現的是執行力和規模，而不是不可復制的系統優勢。

即便通過機架級或數據中心級優化獲得領先，這種優勢也往往是暫時的。

隨著行業跟進，這些改進會迅速擴散、被吸收。可能在2026年，也可能在2027年，這部分紅利就會基本被吃完。

歸根結底，這一切指向同一個結論：

AI 的下一個階段，不能再假設“硬件會繼續把問題解決掉”。

GPU 曾經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，可能標志著這一輪AI 發展正在接近階段性停滯。

不少回復認為我太悲觀了，說一句話概括就是：“規模化不是還在起作用嗎？”

問題在于，這里真正需要討論的，并不是“規模化有沒有用”，而是規模化還能用多久、以什么代價繼續起作用。

真正發生變化的是成本結構。

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

換句話說，過去是線性成本，帶來線性回報。現在變成了指數級成本，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，我們真正剩下的擴展窗口，可能只有一到兩年。

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

更微妙的問題在于：

當擴展帶來的邊際收益，開始低于研究和軟件創新帶來的收益時，硬件就會從資產變成負擔。

這并不是一個假設，而是已經開始出現的現實信號。

像MoonshotAI、Z.ai 這樣的公司已經證明：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模擴張。

如果這些小團隊能在研究或工程上進一步突破規模限制，它們完全有可能在不擁有龐大基礎設施的情況下，做出最有競爭力的模型。

在推理側，它們甚至可以轉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足夠好。

這也引出了擴展基礎設施面臨的另一個系統性風險。

目前，大模型推理效率高度依賴“規模本身”：只有當GPU數量足夠多、用戶請求足夠密集時，計算、網絡通信和 KV cache 才能充分重疊，從而實現接近理論最優的利用率。

這意味著，只有擁有巨大用戶規模的公司，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“超大規模部署”場景；在中小規模部署時，它們并不能提供同等級別的效率。

一旦出現更適合中等規模的推理棧，情況就會完全不同。

如果有人能讓一個3000億參數級別的模型，在較小規模下，也能接近 OpenAI 或 Anthropic 的推理效率，那么前沿實驗室在基礎設施上的護城河，可能會在極短時間內消失。

更何況，還有兩個變量在同時逼近：

一是小模型能力持續提升（比如GLM 4.6 這類趨勢）；

二是AI 應用越來越垂直、越來越專業化，對“通用前沿模型”的依賴正在下降。

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

而一旦接近物理最優，規模優勢的溢價就會快速蒸發。

如果擴展速度放緩，那么下面三件事中的任何一件，都可能在短時間內顯著削弱AI 基礎設施的價值：

研究或軟件層面的突破

成熟、強大的開放權重推理棧

向其他硬件平臺遷移

從這個角度看，當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的現象：

當你問灣區的人“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、影響巨大、范式顛覆；

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

這是一個關鍵缺失。

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

真正的AGI，必然需要具備在現實世界中執行具有經濟意義工作的能力——也就是體力勞動。

而恰恰是這一部分，構成了人類經濟活動中規模最大、最復雜、也是最受物理約束的領域。

從現實來看，機器人技術并未走向“通用化”，而是高度分化。

在受控環境中，例如工廠，專用自動化系統已經極其成熟。中國的“工廠”已經證明：

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

而在非受控環境中，許多看似“智能”的機器人任務，往往在經濟上并不成立。

例如給T 恤縫袖子、在復雜環境中疊衣服，這些任務在技術上困難、數據采集成本極高，但在現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，其產出質量、成本結構和維護復雜度，也很難構成真正的經濟優勢。

換句話說，機器人領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，機器人學習的擴展規律，與大語言模型高度相似，卻面臨更嚴苛的現實約束。物理世界的數據采集昂貴、反饋稀疏、狀態空間巨大，這決定了其擴展速度遠慢于純數字環境。

結果是，自動化在工廠里高度成功，而在大多數日常體力勞動中，經濟回報極其有限。

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是：一旦系統在智能水平上超過人類，就能夠不斷自我改進，最終形成失控式躍遷。

這一觀點源于牛津哲學傳統，并在灣區被進一步放大。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中的能力。

任何系統的改進都需要資源。即便一個系統能更高效地利用資源，它依然無法逃脫規模定律的約束：

線性改進，往往需要指數級投入。通過引入一次性優化（例如新的數據類型、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，而只是填補現有能力空白。這種填補是有價值的，但它帶來的是漸進改進，而非指數失控。

類似的誤判也出現在對硬件進步的預期上。

很多人假設，如果智能足夠強，它就能加速GPU、內存和系統架構的進化。

但現實是，GPU 的核心性能提升已經接近尾聲。未來的改進更多來自封裝、互連、HBM 演進和機架級工程優化，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 架構本身也已經接近物理最優。大規模推理部署，更多是成熟工程問題，而非需要突破性創造力的研究領域。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 經濟價值釋放的，從來不是能力上限，而是落地、部署與應用結構。

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

歸根結底，人們常設想的AGI 并不會以神話般的方式降臨。它忽視了計算的物理約束、規模進步的真實成本，以及我們已經觸及的工程極限。

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

而AI 的真實未來，將由經濟可行性、實際應用與在物理限制下的持續改進共同塑造。越早接受這一現實，我們就越能把注意力從幻想，轉向真正能提高生產力與人類福祉的系統。

文/林白

PS：如果你對AI大模型領域有獨特的看法，歡迎掃碼加入我們的大模型交流群。