在人工智能领域，关于通用人工智能（AGI）的发展路径，硅谷正展开一场激烈的思想交锋。谷歌DeepMind首席执行官德米斯·哈萨比斯近期公开表示，当前AI模型的规模化扩张仍是实现AGI的核心路径。这位凭借Gemini 3模型赢得行业赞誉的科学家认为，将现有技术推向极限可能直接催生具备人类水平智能的系统，甚至构成完整的AGI解决方案。
支撑这种观点的"规模定律"已成为AI训练的黄金准则。该理论揭示了模型参数规模、训练数据量与计算资源投入之间的量化关系——通过持续增加这三个要素的投入，AI系统的智能水平将呈现可预测的提升。这种"越大越聪明"的逻辑，正驱动着全球科技巨头不断扩建数据中心、收集海量数据，试图在算力竞赛中占据先机。
然而这种发展模式正面临多重挑战。行业专家指出，公开可用的高质量训练数据即将触达物理极限，而每增加一个数量级的算力投入，都意味着数倍于前的能源消耗与碳排放。更令人担忧的是，部分研究显示当模型规模突破某个临界点后，性能提升的边际效益开始显著衰减，这种"规模陷阱"可能让持续投入失去意义。
在这场争论中，前meta首席AI科学家杨立昆（Yann LeCun）提出了截然不同的技术路线。这位刚刚宣布创业的知名学者在新加坡国立大学演讲时直言："单纯堆砌数据和算力无法解决AI发展的根本问题。"他以计算机视觉领域的突破为例，强调真正智能的涌现需要突破现有框架，而非在既有路径上无限扩张。
杨立昆正在构建的"世界模型"体系，试图通过模拟物理世界的空间关系来理解环境，而非依赖语言文本训练。这种不依赖语言数据的新范式，被视为对当前大语言模型路线的重大挑战。其核心思想是让AI通过观察真实世界的三维结构来建立认知，这种路径可能突破现有技术框架的局限性。
当前全球顶尖AI实验室都在探索AGI的不同路径。谷歌DeepMind选择在现有技术上持续加码，而杨立昆团队则试图开辟全新赛道。这场争论不仅关乎技术路线选择，更决定着未来AI发展的资源分配格局——是继续在算力军备竞赛中投入巨资，还是转向更具颠覆性的基础创新，将成为行业必须回答的关键命题。
