Nvidia 再快也救不了？科學家示警：AGI 真正阻礙在算力天花板
在最近一篇部落格文章中，艾倫人工智慧研究所（Allen Institute for AI）的研究科學家及卡內基美隆大學助理教授蒂姆·德特梅斯（Tim Dettmers）對於通用人工智慧（AGI）及超智慧的發展前景提出深刻質疑。德特梅斯指出，現階段的運算處理器技術已接近物理極限，有限的擴展能力將成為實現 AGI 的最大阻礙。
他強調，AGI理論的討論往往流於哲學層面，但其最終必須依賴實際的運算能力支撐。德特梅斯預測，現有的硬體擴展空間可能只剩下1至2年，之後任何提升將面臨物理上的不可行性。
自2018年以來，GPU性能提升逐步趨於瓶頸，之後的改進主要靠低精度數據類型與張量核心（Tensor Cores）的優化。然而，這些新技術所帶來的加速效果，並不像業界所宣稱的那般劇烈。德特梅斯指出，雖然單一GPU性能近乎達極限，但透過硬體整合創新，仍有延長使用壽命的可能。例如，Nvidia最新GB200 NVL72系統能將加速器數量從8台提升至72台，實現約30倍的推理性能提升。
德特梅斯也對目前數百億美元投入AI基礎設施表示理解，認為隨著推理需求增加，這樣的投資合理且必要，但他警告若模型本身的效能與創新無法持續提升，硬體反而會變成負擔。
他批評美國AI實驗室過度關注誰先實現AGI的競賽，忽視了物理世界執行能力的挑戰。真正有意義的AGI必須突破純數位領域，進入具體執行物理任務的階段，然而這種「實體化」的擴展難題同樣巨大。相較之下，他稱讚中國在AI應用上的務實策略，強調AI的價值應落腳於提升生產力與實用性。
AI superintelligence is a Silicon Valley fantasy, Ai2 researcher says
Interviewing Tim Dettmers on open-source AI: Agents, scaling, quantization and what's next
Dettmers Receives Google ML and Systems Junior Faculty Award
（首圖來源：shutterstock）