卡內基梅隆大學教授、艾倫人工智能實驗室研究員蒂姆·德特默斯（Tim Dettmers）近日從硬件限制、資源消耗與實際應用三個角度提出觀點：通用人工智能（AGI）從誕生之初便違背物理規律，本質上是一個無法實現的幻想。他通過詳細分析GPU發展瓶頸、信息處理成本及資源投入與收益的關系，論證了這一結論。

德特默斯指出，智能并非抽象概念，而是依賴物理設備實現的計算過程。硬件作為智能的載體，必須遵循物理定律。以信息移動成本為例，全局信息傳遞至局部以及局部信息整合的效率，會因距離增加呈平方級下降。芯片緩存設計便體現了這一規律：L2、L3緩存容量雖大于L1，但因物理位置更遠，訪問速度反而更慢。晶體管尺寸縮小雖降低了計算成本，卻導致內存成本飆升，現代芯片中計算單元占比已微乎其微，內存占據絕大部分空間。即使是主流AI架構Transformer，其本質也是對硬件信息處理效率的物理優化，且已接近理論極限。

資源投入與收益的關系進一步削弱了AGI的可行性。德特默斯解釋，系統每提升1%的性能，所需資源往往呈指數級增長。物理層面，資源聚集受空間與時間限制，效率逐漸降低；理論層面，關聯性強的想法會導致收益遞減，創新多是對現有方案的微調，難以突破現有框架。物理學的發展便是典型案例：過去個人可取得理論突破，如今大型強子對撞機等耗資數十億美元的設備，仍未能解開暗能量、暗物質等謎題。AI領域同樣面臨類似困境，單純依靠資源堆砌實現通用能力，終將超出實際承受范圍。

GPU的發展瓶頸為AGI的幻想潑了冷水。德特默斯提供的數據顯示，GPU的性價比在2018年達到峰值，此后16位精度、張量核心、HBM內存等改進均為一次性優化，潛力迅速耗盡。行業寄予厚望的機架級優化，如更高效地調度AI所需的鍵值緩存，其設計思路簡單，本質上只有一種最優方案，雖工程實現需時間，但整體創新有限。以OpenAI為代表的企業雖宣稱基礎設施領先，但實際差距微小，唯一能拉開距離的機架或數據中心級優化，預計在2026至2027年也將耗盡潛力。這意味著，支撐AI發展的算力增長線已接近終點。

擴大模型規模雖能提升AI性能，但需付出更高代價。德特默斯承認規模法則的作用，但強調過去GPU的指數級進步可抵消規模擴張的資源消耗，投入與收益基本平衡。如今GPU性能停滯，若想獲得線性提升，需投入指數級成本，投入與收益的比例嚴重失衡，物理上難以持續。例如，工廠機器人需應對零件磨損、天氣變化等突發情況，需海量數據訓練與高成本實驗，物理世界數據的收集成本高昂，進一步限制了AGI的可行性。

超級智能的假設同樣站不住腳。德特默斯認為，AI自我優化的過程初期或能通過調整參數取得進步，但達到一定水平后，每提升1%的性能，可能需多花10倍的資金與算力。AI無法憑空創造資源，無限變強的設想缺乏物理基礎。因此，他斷言AGI與超級智能均為幻想，AI的未來應聚焦于物理約束內的漸進式改進，通過經濟擴散與實際應用創造價值。