文章核心观点 - 卡内基梅隆大学教授Tim Dettmers认为，通用人工智能（AGI）是一个违背物理规律的幻想工程，其核心障碍在于计算的物理枷锁，而非哲学或算法问题 [1][4] - 硬件性能的瓶颈、资源成本的指数级增长以及现实世界数据收集的困难，共同决定了AGI无法实现 [1][12][18] - AI的未来在于物理约束内的渐进式改进、经济扩散和实际应用，而非追求超越人类的超级智能 [20] 硬件与物理限制 - 所有智能都需扎根于物理现实，依赖芯片、计算机等硬件实现，而硬件必然受到物理规律的限制 [2][3][4] - 信息移动成本是核心物理限制之一，其成本随距离呈平方级上升，这体现在芯片缓存设计中（如L2、L3缓存比L1大但速度更慢）[5] - 现代芯片设计面临内存与计算单元的权衡，晶体管尺寸缩小降低了计算成本，但内存成本越来越高，导致芯片上大部分空间用于内存，计算单元占比微乎其微 [7] - 当前主流的Transformer架构本质上是硬件信息处理效率的物理优化，且已接近物理最优 [8] 资源投入与收益递减 - 系统性能的线性进步需要指数级增长的资源投入，这在物理和理论层面都存在限制 [9] - 物理学的发展是例证：过去个人可取得理论突破，现在却很难；实验物理如耗资数十亿的大型强子对撞机也未能解开暗能量、暗物质谜团 [10][11] - AI领域同理，试图通过堆叠资源实现AGI的通用能力，其成本迟早会超出实际承受范围 [12] - 过去GPU的指数级进步能抵消模型规模扩张的资源消耗，但现在GPU进步停滞，想获得线性性能提升需投入指数级成本，这在物理上很快将不可行 [16] GPU算力增长已达瓶颈 - GPU的性价比在2018年已达到峰值，之后的改进（如16位精度、张量核心、HBM内存）均为一次性功能，潜力即将耗尽 [14] - 行业寄希望于机架级优化（如更高效调度AI键值缓存），但此类优化设计思路单一，本质上只有一种最优设计方式，各公司基础设施差距很小 [14] - 机架或数据中心级别的优化优势预计在2026-2027年就会耗尽，GPU的算力增长线已快走到尽头 [14][15] AGI与超级智能的不可行性 - AGI要求能处理物理世界的复杂任务，但物理世界数据的收集成本极高（例如训练工厂机器人应对零件磨损、天气变化）[18] - 超级智能假设AI能自我迭代、无限变强，但变聪明需要资源，性能每提升1%，所需的资金和算力可能增加10倍，而AI无法凭空创造资源，因此无法实现无限增强 [19] - 结论是AGI不会实现，超级智能亦是幻想 [17][19] AI的未来发展路径 - AI的未来是在物理约束内进行渐进式改进，通过经济扩散和实际应用创造价值 [20] - 具体方向包括开发更节省算力的算法、推广开源AI模型以扩大使用范围，以及将AI应用于医疗、农业、制造业等领域以提升效率 [21] - 美国科技巨头倾向于“赢者通吃”，投入巨资追求不切实际的AGI [21] - 中国的发展路径更聚焦于AI的落地实用，关注其提升生产力的能力，并通过补贴推动AI融入各行各业，被认为更贴合现实 [22]