Nvidia再快也救不了？科学家示警AGI真正阻碍在算力天花板

硬件扩展逼近物理极限，AGI发展或遇“算力墙”
艾伦人工智能研究所研究科学家、卡内基美隆大学助理教授蒂姆·德特梅斯在博客中对通用人工智能（AGI）及超智能的发展提出深刻质疑：现阶段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理论讨论常流于哲学，但最终需依赖实际运算能力支撑，预测现有硬件扩展空间或仅剩1-2年，之后提升将面临物理不可行性。  
自2018年以来，GPU性能提升逐步趋近瓶颈，后续改进主要依赖低精度数据类型与张量核心优化，但加速效果未达业界宣称的剧烈程度。德特梅斯指出，单一GPU性能虽近极限，但通过硬件整合创新（如英伟达GB200 NVL72系统将加速器从8台增至72台，实现约30倍推理性能提升），仍可延长使用寿命。  
批评AI实验室忽视物理挑战，赞中国务实策略
德特梅斯理解数百亿美元AI基础设施投入的合理性（推理需求增加），但警告若模型效能与创新无法持续提升，硬件反成负担。他批评美国AI实验室过度关注“谁先实现AGI”的竞赛，忽视物理世界执行能力的挑战——真正的AGI需突破纯数字领域，进入具体执行物理任务阶段，而“实体化”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价值应落脚于提升生产力与实用性。