卡内基梅隆大学教授、艾伦人工智能实验室研究员蒂姆·德特默斯（Tim Dettmers）近日从硬件限制、资源消耗与实际应用三个角度提出观点：通用人工智能（AGI）从诞生之初便违背物理规律，本质上是一个无法实现的幻想。他通过详细分析GPU发展瓶颈、信息处理成本及资源投入与收益的关系，论证了这一结论。
德特默斯指出，智能并非抽象概念，而是依赖物理设备实现的计算过程。硬件作为智能的载体，必须遵循物理定律。以信息移动成本为例，全局信息传递至局部以及局部信息整合的效率，会因距离增加呈平方级下降。芯片缓存设计便体现了这一规律：L2、L3缓存容量虽大于L1，但因物理位置更远，访问速度反而更慢。晶体管尺寸缩小虽降低了计算成本，却导致内存成本飙升，现代芯片中计算单元占比已微乎其微，内存占据绝大部分空间。即使是主流AI架构Transformer，其本质也是对硬件信息处理效率的物理优化，且已接近理论极限。
资源投入与收益的关系进一步削弱了AGI的可行性。德特默斯解释，系统每提升1%的性能，所需资源往往呈指数级增长。物理层面，资源聚集受空间与时间限制，效率逐渐降低；理论层面，关联性强的想法会导致收益递减，创新多是对现有方案的微调，难以突破现有框架。物理学的发展便是典型案例：过去个人可取得理论突破，如今大型强子对撞机等耗资数十亿美元的设备，仍未能解开暗能量、暗物质等谜题。AI领域同样面临类似困境，单纯依靠资源堆砌实现通用能力，终将超出实际承受范围。
GPU的发展瓶颈为AGI的幻想泼了冷水。德特默斯提供的数据显示，GPU的性价比在2018年达到峰值，此后16位精度、张量核心、HBM内存等改进均为一次性优化，潜力迅速耗尽。行业寄予厚望的机架级优化，如更高效地调度AI所需的键值缓存，其设计思路简单，本质上只有一种最优方案，虽工程实现需时间，但整体创新有限。以OpenAI为代表的企业虽宣称基础设施领先，但实际差距微小，唯一能拉开距离的机架或数据中心级优化，预计在2026至2027年也将耗尽潜力。这意味着，支撑AI发展的算力增长线已接近终点。
扩大模型规模虽能提升AI性能，但需付出更高代价。德特默斯承认规模法则的作用，但强调过去GPU的指数级进步可抵消规模扩张的资源消耗，投入与收益基本平衡。如今GPU性能停滞，若想获得线性提升，需投入指数级成本，投入与收益的比例严重失衡，物理上难以持续。例如，工厂机器人需应对零件磨损、天气变化等突发情况，需海量数据训练与高成本实验，物理世界数据的收集成本高昂，进一步限制了AGI的可行性。
超级智能的假设同样站不住脚。德特默斯认为，AI自我优化的过程初期或能通过调整参数取得进步，但达到一定水平后，每提升1%的性能，可能需多花10倍的资金与算力。AI无法凭空创造资源，无限变强的设想缺乏物理基础。因此，他断言AGI与超级智能均为幻想，AI的未来应聚焦于物理约束内的渐进式改进，通过经济扩散与实际应用创造价值。
