AI科學(xué)家Tim Dettmers在自己的博客發(fā)表了一篇文章《Why AGI Will Not Happen》。

物理世界不存在魔法，AGI和超級(jí)智能的宏大敘事正在撞上一堵名為物理法則的墻。

這是一篇寫(xiě)給那些愿意通過(guò)物理現(xiàn)實(shí)而非科幻小說(shuō)來(lái)審視人工智能未來(lái)的人的文章。

如果你身處2025年12月，可能對(duì)AGI（通用人工智能）和超級(jí)智能（Superintelligence）抱有某種執(zhí)念，要么堅(jiān)信奇點(diǎn)臨近，要么心存疑慮。

當(dāng)前的討論，尤其是源自舊金山灣區(qū)的那些聲音，往往陷在一個(gè)致命的誤區(qū)里：它們把計(jì)算看作一種抽象的哲學(xué)概念，而完全忽略了計(jì)算的物理實(shí)體性。

這種思維懶惰構(gòu)建了一個(gè)巨大的回音室，理性的聲音被淹沒(méi)，盲目的樂(lè)觀正在誤導(dǎo)我們對(duì)未來(lái)的判斷。

我們要談?dòng)布⒖s放定律（Scaling Laws）、AI泡沫，但必須先回到一切的基礎(chǔ)：物理現(xiàn)實(shí)。

計(jì)算必須嚴(yán)格遵循物理定律

灣區(qū)科技圈和牛津哲學(xué)派系混合出一種奇怪的文化，他們談?wù)揂GI和超級(jí)智能時(shí)，就像在做抽象的思想實(shí)驗(yàn)。

這種源自有效利他主義（Effective Altruism）和理性主義社區(qū)的思維方式，最大的盲點(diǎn)在于忘記了計(jì)算是物理的。

有效的計(jì)算依賴(lài)兩個(gè)核心動(dòng)作：將全局信息搬運(yùn)到局部，以及匯聚多個(gè)局部信息以生成新信息。

晶體管越做越小，確實(shí)加速了局部計(jì)算的復(fù)雜性，但信息的搬運(yùn)成本并沒(méi)有隨之下降。

信息移動(dòng)的能耗和延遲，隨著距離的增加呈二次方級(jí)增長(zhǎng)。即便晶體管再小，內(nèi)存訪問(wèn)的物理限制依然存在。

看看緩存層級(jí)（Cache Hierarchies）就能明白這個(gè)道理。

L1、L2和L3緩存，在物理材質(zhì)上是一樣的，但計(jì)算屬性天差地別。

L2和L3比L1大得多，但也慢得多。這不是技術(shù)不到位，而是物理距離的問(wèn)題。

L3離計(jì)算核心更遠(yuǎn)，電子在芯片上跑路需要時(shí)間。

這里有兩個(gè)鐵律：第一，緩存越大，速度越慢；第二，隨著晶體管縮小，計(jì)算變得極其便宜，但相對(duì)而言，內(nèi)存變得極其昂貴。

現(xiàn)在的芯片設(shè)計(jì)，絕大部分面積都給了內(nèi)存，計(jì)算單元反而成了配角。

英偉達(dá)的市場(chǎng)部喜歡吹噓由于芯片算力達(dá)到了多少Exaflops，但他們不會(huì)告訴你，如果你無(wú)法用足夠快的內(nèi)存去喂飽這些算力，這些FLOPS就是廢的。

AI架構(gòu)，比如Transformer，本質(zhì)上不是數(shù)學(xué)公式，而是物理形態(tài)的優(yōu)化方案。

你需要做兩件事：用多層感知機(jī)（MLP）處理局部關(guān)聯(lián)，用注意力機(jī)制（Attention）池化遠(yuǎn)端信息。

Transformer之所以成功，是因?yàn)樗谖锢硇噬蠋缀踝龅搅藰O致，它用最簡(jiǎn)單的方式結(jié)合了局部計(jì)算和全局信息池化。

雖然研究還在繼續(xù)，但邊際效應(yīng)已經(jīng)非常明顯——Transformer架構(gòu)已經(jīng)接近物理最優(yōu)解，很難再有質(zhì)的飛躍。

生物界也遵循同樣的物理鐵律。

動(dòng)物的智力上限被生態(tài)位的熱量攝入鎖死。靈長(zhǎng)類(lèi)動(dòng)物攝入多少卡路里，就能算出它有多少神經(jīng)元，誤差不超過(guò)1%。

人類(lèi)發(fā)明了烹飪，這是一種體外預(yù)消化技術(shù)，極大地提升了熱量攝入效率，從而支撐了更大的大腦。

但這依然有物理極限。人類(lèi)女性懷孕時(shí)需要供養(yǎng)兩個(gè)大腦，這在能量代謝上極其昂貴，如果大腦再大一點(diǎn)，母體就無(wú)法提供足夠的代謝能量。

我們現(xiàn)有的智力水平，是能量物理限制劃定的邊界。

數(shù)字計(jì)算正在逼近同樣的邊界。

線性進(jìn)步必須消耗指數(shù)級(jí)資源

跨學(xué)科的研究揭示了一個(gè)殘酷的現(xiàn)實(shí)：想要獲得線性的進(jìn)步，必須投入指數(shù)級(jí)的資源。無(wú)論你想提高系統(tǒng)的精度還是效率，每前進(jìn)一步，代價(jià)都是倍增的。

這背后有兩個(gè)現(xiàn)實(shí)在起作用：物理現(xiàn)實(shí)和理念空間（Idea Space）。

在物理現(xiàn)實(shí)中，資源在時(shí)間和空間上的累積存在擁堵效應(yīng)。你想在局部產(chǎn)生一個(gè)線性的結(jié)果，理論上需要線性的資源，但因?yàn)槲镔|(zhì)占據(jù)空間，資源的調(diào)配和匯聚會(huì)隨著規(guī)模擴(kuò)大而變慢，導(dǎo)致效率遞減。

在理念空間，情況更為隱蔽。

如果兩個(gè)點(diǎn)子完全獨(dú)立，它們的效果可能疊加出十倍的威力。但問(wèn)題是，人類(lèi)的想法往往是高度相關(guān)的。

新想法通常建立在舊想法之上，這種依賴(lài)性導(dǎo)致了嚴(yán)重的收益遞減。比如在AI領(lǐng)域，狀態(tài)空間模型（State-based models）和Transformer看起來(lái)大相徑庭，但它們本質(zhì)上都在解決同一個(gè)注意力問(wèn)題。

在一個(gè)已經(jīng)被充分探索的子領(lǐng)域里，大多數(shù)想法都已經(jīng)被想過(guò)了，剩下的要么是微小的修補(bǔ)，要么是那種看起來(lái)狂野但毫無(wú)實(shí)用價(jià)值的偽創(chuàng)新。

理論物理學(xué)是最好的例子。

一位頂尖理論物理學(xué)家曾坦言，現(xiàn)在所有的理論工作，要么是現(xiàn)有理論的增量修補(bǔ)，要么是編造出來(lái)的問(wèn)題。

實(shí)驗(yàn)物理學(xué)更是如此，大型強(qiáng)子對(duì)撞機(jī)（LHC）為了驗(yàn)證標(biāo)準(zhǔn)模型，投入了數(shù)十億美元和更高的能量，結(jié)果只是排除了更多的錯(cuò)誤理論，得到一堆不確定的結(jié)果。

暗物質(zhì)和暗能量依然是謎。我們可能不得不承認(rèn)，由于資源的限制，宇宙的某些物理真相是不可知的。

回到AI，如果我們想要模型性能線性增長(zhǎng)，就需要投入指數(shù)級(jí)的算力和數(shù)據(jù)。這種指數(shù)級(jí)的成本增長(zhǎng)，終將讓進(jìn)步停滯。

硬件升級(jí)的紅利已經(jīng)徹底吃盡

這是一個(gè)在非專(zhuān)業(yè)人士中流傳最廣的誤解：硬件會(huì)一直進(jìn)步。人們習(xí)慣了摩爾定律的敘事，認(rèn)為GPU會(huì)一代比一代強(qiáng)，AI性能也會(huì)隨之水漲船高。

事實(shí)是，GPU的 meaningful improvement（有意義的改進(jìn)）已經(jīng)結(jié)束了。

回顧AI的發(fā)展史，AlexNet的誕生歸功于CUDA在GPU上實(shí)現(xiàn)了卷積運(yùn)算。

此后的進(jìn)步主要靠?jī)牲c(diǎn)：更好的GPU和更多的GPU。但在2018年左右，GPU的性?xún)r(jià)比/性能曲線就已經(jīng)見(jiàn)頂了。從那以后，硬件廠商所做的，主要是挖掘一次性的特性。

看看我們經(jīng)歷了什么：先是16位精度，然后是張量核心（Tensor Cores），接著是高帶寬內(nèi)存（HBM），再到TMA，然后是8位精度，最后是4位精度。這條路已經(jīng)走到頭了。

我在關(guān)于k-bit推理縮放定律的論文中已經(jīng)證明，對(duì)于特定的計(jì)算排列，數(shù)據(jù)類(lèi)型的壓縮是有物理極限的。現(xiàn)在硬件廠商已經(jīng)采納了這些極限設(shè)計(jì)。

未來(lái)的改進(jìn)只能是妥協(xié)（Trade-offs）：要么為了更低的內(nèi)存占用犧牲計(jì)算效率，要么為了更高的吞吐量犧牲內(nèi)存空間。

即便你能創(chuàng)新，那也逃不脫線性進(jìn)步需要指數(shù)級(jí)資源的魔咒。

既然單卡GPU不再有質(zhì)的飛躍，人們寄希望于機(jī)架（Rack）級(jí)別的優(yōu)化。

高效地搬運(yùn)鍵值緩存（Key-Value Caches）是當(dāng)前的核心難題。

OpenAI吹噓的基礎(chǔ)設(shè)施，其實(shí)在架構(gòu)上并沒(méi)有什么秘密。

設(shè)計(jì)方案只有一種最優(yōu)解，雖然工程實(shí)施極其復(fù)雜，需要大量的時(shí)間和人力，但本質(zhì)上并不新穎。

OpenAI或其他前沿實(shí)驗(yàn)室在推理和基礎(chǔ)設(shè)施棧上并沒(méi)有根本性的護(hù)城河。機(jī)架級(jí)優(yōu)化和數(shù)據(jù)中心級(jí)優(yōu)化帶來(lái)的優(yōu)勢(shì)，大概在2026年或2027年也會(huì)耗盡。

之前我們投入線性的成本能獲得線性的回報(bào)，因?yàn)镚PU的進(jìn)步抵消了縮放定律的指數(shù)級(jí)成本。

現(xiàn)在這個(gè)抵消機(jī)制消失了。

我們正面臨指數(shù)級(jí)成本換取線性回報(bào)的局面。

縮放定律在2025年的表現(xiàn)已經(jīng)不盡如人意，如果2026年和2027年沒(méi)有奇跡，物理墻就會(huì)把我們擋在門(mén)外。

對(duì)于前沿實(shí)驗(yàn)室來(lái)說(shuō)，這非常危險(xiǎn)。

如果單純的規(guī)模堆疊不能帶來(lái)顯著超越研究/軟件優(yōu)化的提升，那么龐大的硬件資產(chǎn)就會(huì)從資產(chǎn)變成負(fù)債。

像MoonshotAI和Z.ai這樣的小玩家證明，不需要頂級(jí)資源也能達(dá)到前沿性能。

如果小模型變得足夠強(qiáng)，或者軟件優(yōu)化（如vLLM和SGLang之外的更高效棧）讓3000億參數(shù)模型的部署成本大幅下降，前沿實(shí)驗(yàn)室的基礎(chǔ)設(shè)施優(yōu)勢(shì)可能會(huì)在一夜之間蒸發(fā)。

應(yīng)用普及勝過(guò)追求超級(jí)智能

在AI的發(fā)展路徑上，中美兩國(guó)走了完全不同的路。

美國(guó)的邏輯是贏家通吃。

他們認(rèn)為終極目標(biāo)是建立超級(jí)智能，誰(shuí)先造出來(lái)誰(shuí)就贏了。

即便沒(méi)達(dá)到AGI，只要你的模型最強(qiáng)，所有人都會(huì)用你的。這種思維專(zhuān)注于打造一個(gè)全知全能的上帝模型。

中國(guó)的哲學(xué)則完全不同。

中國(guó)不執(zhí)著于模型本身的絕對(duì)能力，而看重應(yīng)用和普及。

模型比別人強(qiáng)一點(diǎn)點(diǎn)并不重要，重要的是它能不能低成本地融入生產(chǎn)生活，能不能產(chǎn)生實(shí)際的生產(chǎn)力。

如果現(xiàn)有的方案已經(jīng)足夠好（Good Enough），能帶來(lái)效率提升，那就直接用，而不是為了那1%的性能提升去燒錢(qián)。

美國(guó)的哲學(xué)是短視且危險(xiǎn)的，尤其是當(dāng)模型能力增長(zhǎng)放緩時(shí)。

中國(guó)的哲學(xué)則更加務(wù)實(shí)和長(zhǎng)遠(yuǎn)。

AI的真正價(jià)值在于它像電腦或互聯(lián)網(wǎng)一樣，成為一種通用基礎(chǔ)設(shè)施。

如果AI只用于寫(xiě)代碼或輔助工程，它的經(jīng)濟(jì)影響是有限的。

軟件生產(chǎn)本身也有邊際收益遞減的問(wèn)題。

AI必須滲透到經(jīng)濟(jì)的每一個(gè)毛細(xì)血管里，通過(guò)大規(guī)模的整合來(lái)挖掘非線性的收益。

中國(guó)正在通過(guò)補(bǔ)貼應(yīng)用端來(lái)鼓勵(lì)這種滲透。在中國(guó)，看到80歲的老奶奶用AI輔助日常生活并不稀奇。

這就是經(jīng)濟(jì)擴(kuò)散（Economic Diffusion）的力量。

相比之下，美國(guó)對(duì)AGI和超級(jí)智能的賭注，是建立在對(duì)物理現(xiàn)實(shí)的無(wú)視之上的。

真正的AGI必須包含物理任務(wù)，這是經(jīng)濟(jì)活動(dòng)中最大的板塊。

也就是說(shuō)，AGI必須是能干活的機(jī)器人。

讓機(jī)器人從洗碗機(jī)里把碗拿出來(lái)，這很方便，但你不會(huì)在工廠里看到這種通用機(jī)器人，因?yàn)閷?zhuān)用機(jī)器人效率更高、更精準(zhǔn)。

中國(guó)已經(jīng)有了全自動(dòng)化的黑燈工廠。大多數(shù)工業(yè)機(jī)器人問(wèn)題在受控環(huán)境下已經(jīng)解決了。而剩下的未解決問(wèn)題，比如縫制T恤袖子，在經(jīng)濟(jì)上根本不劃算。

至于家庭機(jī)器人，如果疊衣服需要機(jī)器人花幾分鐘只能做到平庸的水平，我寧愿自己花兩分鐘疊好。

機(jī)器人學(xué)習(xí)遵循與大語(yǔ)言模型類(lèi)似的縮放定律，但物理世界的數(shù)據(jù)收集太昂貴了，細(xì)節(jié)也太復(fù)雜。機(jī)器人技術(shù)的影響力將是有限的。

至于超級(jí)智能（Superintelligence），這純粹是一個(gè)基于錯(cuò)誤前提的幻想。

這個(gè)概念假設(shè)一旦智力達(dá)到人類(lèi)水平，它就能自我遞歸改進(jìn)，引發(fā)失控的智能爆炸。

這是牛津哲學(xué)家?guī)Ыo灣區(qū)的又一個(gè)脫離物理現(xiàn)實(shí)的抽象概念。

改進(jìn)任何系統(tǒng)都需要資源。

即便超級(jí)智能比人類(lèi)更善于利用資源，它依然受制于線性進(jìn)步消耗指數(shù)級(jí)資源的鐵律。

超級(jí)智能無(wú)法加速HBM內(nèi)存的物理開(kāi)發(fā)流程，無(wú)法突破芯片制造的物理良率，無(wú)法改變Transformer接近物理極限的事實(shí)。

推理堆棧的優(yōu)化已經(jīng)是一個(gè)解決得差不多的工程問(wèn)題，超級(jí)智能在這里也玩不出什么花樣。

那些指望超級(jí)智能來(lái)拯救算力瓶頸的人，和指望永動(dòng)機(jī)的人沒(méi)有區(qū)別。

2025年的結(jié)論非常清晰：AGI不會(huì)發(fā)生，因?yàn)橛?jì)算受制于物理；超級(jí)智能是幻想，因?yàn)檫f歸進(jìn)化受制于資源。

未來(lái)的贏家不是那個(gè)造出上帝的人，而是那個(gè)能把AI便宜、好用地塞進(jìn)每一個(gè)角落的人。