谷歌DeepMind首席执行官德米斯·哈萨比斯近日公开表示，将现有AI模型的规模扩展至极限是实现通用人工智能（AGI）的核心路径。这位凭借Gemini 3模型引发行业关注的科技领袖认为，规模化不仅是当前AI发展的关键，更可能直接构成AGI系统的主体框架。不过他也坦言，仅依赖规模扩张或许不足以完全达成目标，未来可能需要一至两项突破性技术作为补充。
通用人工智能（AGI）作为人工智能领域的终极目标，旨在创造具备人类同等甚至超越人类认知能力的智能系统。目前全球顶尖科技企业均在此赛道展开激烈竞争，但该技术仍停留在理论探索阶段。哈萨比斯提出的规模化路线，本质上是将机器学习领域著名的"规模定律"推向新高度——该定律揭示了模型参数量、训练数据规模与计算资源投入之间的量化关系，被业界视为大模型训练的核心准则。
规模定律的实践逻辑可简化为：通过持续增加模型参数量、扩充训练数据集并提升算力投入，能够系统性提升AI系统的智能水平。这种技术路线在近年来催生了多个具有里程碑意义的AI模型，但也逐渐暴露出深层矛盾。行业专家指出，公开可用的高质量训练数据总量存在天然上限，而算力需求的指数级增长不仅推高了研发成本，更对能源供给和碳排放控制形成严峻挑战。部分研究机构警告，当模型规模突破特定阈值后，可能出现边际效益递减现象。
针对这种技术路径的争议，硅谷科技界已形成明显分歧。前meta首席AI科学家杨立昆（Yann LeCun）今年4月在新加坡国立大学演讲时明确反对"规模至上论"。这位刚宣布离职创业的权威学者强调，单纯堆砌数据和算力无法解决AI发展的根本性问题，特别是在处理复杂推理、常识理解等高阶认知任务时，现有规模化方法表现乏力。他透露正在研发的"世界模型"体系将完全摒弃语言数据依赖，转而通过构建三维空间认知框架来模拟人类对物理世界的理解方式。
这场技术路线之争折射出AI发展进入深水区后的战略抉择。支持规模化扩张的阵营认为，现有技术路线尚未触及物理极限，通过优化算法架构和分布式计算技术，仍可挖掘数据红利的剩余价值；而批判者则主张开辟新范式，通过模拟人类认知机制或开发新型学习框架来突破当前瓶颈。两种思路的碰撞，正在重塑全球AI研发的竞争格局。随着头部企业陆续公布下一代模型研发计划，这场关于AGI实现路径的辩论预计将持续引发行业震动。
