在最近一篇博客文章中，艾伦人工智能研究所（Allen Institute for AI）的研究科学家及卡内基梅隆大学助理教授蒂姆·德特梅斯（Tim Dettmers）对于通用人工智能（AGI）及超智能的发展前景提出深刻质疑。德特梅斯指出，现阶段的运算处理器技术已接近物理极限，有限的扩展能力将成为实现AGI的最大阻碍。

他强调，AGI理论的讨论往往流于哲学层面，但其最终必须依赖实际的运算能力支撑。德特梅斯预测，现有的硬件扩展空间可能只剩下1至2年，之后任何提升将面临物理上的不可行性。

自2018年以来，GPU性能提升逐步趋于瓶颈，之后的改进主要靠低精度数据类型与张量核心（Tensor Cores）的优化。然而，这些新技术所带来的加速效果，并不像业界所宣称的那般剧烈。德特梅斯指出，虽然单一GPU性能近乎达极限，但通过硬件集成创新，仍有延长使用寿命的可能。例如，Nvidia最新GB200 NVL72系统能将加速器数量从8台提升至72台，实现约30倍的推理性能提升。

德特梅斯也对目前数百亿美元投入AI基础设施表示理解，认为随着推理需求增加，这样的投资合理且必要，但他警告若模型本身的性能与创新无法持续提升，硬件反而会变成负担。

他批评美国AI实验室过度关注谁先实现AGI的竞赛，忽视了物理世界执行能力的挑战。真正有意义的AGI必须突破纯数字领域，进入具体执行物理任务的阶段，然而这种“实体化”的扩展难题同样巨大。相较之下，他称赞中国在AI应用上的务实策略，强调AI的价值应落脚于提升生产力与实用性。

（首图来源：shutterstock）