文章核心观点 文章核心观点认为，通用人工智能（AGI）的实现面临一系列根本性的物理和工程约束，而非单纯的理论或算法问题。当前AI行业的发展，特别是依赖模型规模扩展和硬件性能提升的路径，正在快速逼近其物理极限，预示着AGI可能不会以市场普遍预期的乐观方式到来 [1][4][9]。 被物理极限“锁死”的AGI - 计算是受物理规律约束的，信息移动的成本远高于计算本身，且成本随距离呈平方级增长，这构成了智能提升的根本限制 [5] - 芯片设计中，用于存储、互连和数据通路的面积远大于计算单元，更大的缓存必然更慢，制程进步使内存和带宽成本相对上升 [6] - Transformer架构的成功是在当前物理约束下接近最优的工程选择，其核心计算模式（局部MLP和受限的全局注意力）对应了硬件条件下最划算的操作，因此通过架构改进获得的边际收益正在快速下降 [4][7] 低垂果实已摘完 - 在成熟领域，获得线性改进往往需要付出指数级的资源投入，因为随着系统规模扩大，资源在时空和能量上的竞争导致协同效率下降 [10][16] - 绝大多数AI领域的“创新”是建立在已有框架上的渐进式改进，即使看似不同的方法（如状态空间模型与Transformer）也在解决同一核心问题，难以带来结构性跃迁 [4][11][12] - 这种约束在物理学中表现明显，验证更深层规律需要建造耗资数十亿美元的复杂装置，但带来的新答案有限，表明某些问题被资源和复杂度锁在现有能力之外 [15][17] GPU性能红利接近尾声 - AI过去的关键跃迁（如AlexNet、Transformer规模化）依赖GPU单卡性能提升和数量增加，但GPU性能的快速提升阶段大约在2018年已结束 [19][21][22] - 之后的“进步”依赖于一系列一次性、不可重复的工程红利，如采用FP16、Tensor Core、HBM高带宽内存、更低比特宽度（INT8/INT4）等，本质是用精度换吞吐，压榨物理边界 [23][24] - 这些“可压榨的空间”已基本用完，继续前进只能在计算效率与内存效率间权衡，无法带来数量级提升，硬件不再是能持续兜底问题的变量 [25][26][27][32] 规模化扩展面临成本拐点 - 过去模型规模的持续推进，依赖GPU指数级性能提升抵消了扩展所需的指数级资源投入，但现在变为指数级成本仅带来勉强的线性回报 [35][36] - 单纯靠规模扩展带来的提升窗口可能只剩一到两年，预计到2025年收益将非常有限，2026或2027年若无新研究路径或软件突破，扩展在物理上将不可持续 [36] - 当扩展的边际收益低于研究和软件创新时，硬件会从资产变成负担，一些小团队（如MoonshotAI, Z.ai）已证明无需天量算力也能接近前沿模型能力 [37][38][39] 基础设施护城河可能消失 - 大模型推理效率高度依赖规模本身，需要巨大用户规模来摊薄部署成本，这是当前开放权重模型未在成本上改写格局的原因 [41][42] - 一旦出现更适合中等规模的推理栈，能让大型模型（如3000亿参数）在较小规模下实现接近前沿实验室的推理效率，那么后者在基础设施上的护城河可能迅速消失 [44] - 小模型能力持续提升（如GLM 4.6）、AI应用垂直专业化降低对通用前沿模型的依赖、部署复杂度下降及硬件选择多样化，将共同使系统逼近物理最优解，规模优势的溢价会快速蒸发 [45] 缺乏物理载体的AGI是伪命题 - 真正的AGI需具备在现实世界中执行具有经济意义的体力劳动的能力，而这部分是人类经济活动中最受物理约束的领域 [4][48][49] - 机器人技术并未走向通用化，在受控环境（如工厂）中专用自动化系统已极其成熟且高效，而在非受控环境中，许多任务虽技术可行但经济上不成立，因为数据采集成本高而人类完成成本低 [50][51][52][54] - 机器人学习的扩展规律与大语言模型相似，但面临更严苛的现实约束（数据采集昂贵、反馈稀疏、状态空间巨大），其扩展速度远慢于纯数字环境 [53] “超级智能”叙事存在根本缺陷 - “超级智能”能自我改进并形成失控式跃迁的假设，忽略了智能是嵌入在物理系统中的能力，任何系统改进都需要资源，且线性改进往往需要指数级投入 [56] - 超级智能无法绕过GPU核心性能提升已近尾声、Transformer架构接近物理最优、大规模推理部署属成熟工程问题等基本物理和工程约束 [58] - 限制AI经济价值释放的关键是落地、部署与应用结构，而非能力上限，因此专注于降低部署门槛、推动经济普及的参与者更可能在长期胜出 [58][59]