文章核心观点 - 文章围绕“通用人工智能（AGI）能否成为现实”展开了一场深度辩论，两位来自学术界与产业界的一线研究者基于对算力、模型架构、应用落地的不同理解，阐述了各自对AGI定义、发展现状及未来趋势的判断 [6][7] - 尽管对AGI的实现路径存在分歧，但双方均认为，相较于抽象定义，AI技术（尤其是智能体）的实际“实用性”及其对工作方式的变革才是关键，并一致看好小模型、开源模型、新硬件及多元化架构的未来发展 [15][23][55] 关于AGI定义的争论 - 定义视角：AGI的定义主要有两种主流视角，一种关注模型覆盖的认知任务广度，另一种则从经济角度出发，看其是否引发新的工业革命并改变生产方式 [14][35] - 共识与分歧：双方达成共识，认为AGI的具体定义并不重要，关键在于它是否改变了人类的工作方式 [15][55]。丹·傅认为，以5-10年前的标准看，当前的语言模型在写代码、生成语言等方面已实现早期设想的AGI，并可能引发软件工程领域的工业革命 [34]。蒂姆·德特默斯则认为，当前关于AGI的狂热预测源于特定社群的信息茧房，缺乏对计算现实的考量 [36] 算力增长的潜力与极限 - 算力极限论：蒂姆·德特默斯认为“计算是物理的”，内存迁移、带宽、延迟及冯·诺依曼瓶颈决定了算力不可能无限扩张，指数增长终将放缓，Scaling Law也不例外 [10][37]。他指出，从DRAM到HBM等硬件创新已接近物理极限，量化技术（如4位精度）也已发展至尽头，功能和硬件潜力均已被充分挖掘 [40][42][43] - 算力潜力论：丹·傅认为当前谈“算力见顶”为时过早，现实系统中算力被严重低估和浪费，大量性能消耗在内核调度与系统开销上 [12]。他指出，当前评测的“最强模型”多基于一两年旧的算力集群训练，未能代表当下硬件的真实上限 [12][49]。通过新一代硬件（性能提升约2–3倍）、系统与工程优化（算力利用率提升约3倍）及更大规模集群（规模效应约10倍）三者叠加，理论上可用算力有接近90倍的提升空间 [13][18][46] 智能体（Agent）的发展与应用 - 拐点时刻：丹·傅指出，2025年6月是Agent发展的关键拐点，当时代码智能体成功攻克了被视为编程领域终极难题之一的“GPU内核编程”，使其个人工作效率提升了5倍，其团队也能快速完成原本需耗时数月的复杂系统开发 [17][20][62][63] - 高度通用性：蒂姆·德特默斯认为代码Agent本身就是高度通用的Agent，因为代码几乎可以描述和解决所有数字化问题，并断言超过90%的代码和文本本应由Agent生成 [20][66] - 应用与管理范式：双方将Agent比作“需要精细化管理的实习生”，人类需提供明确背景、拆解任务并设定约束，而将注意力聚焦在方向把控与结果校验上 [21]。丹·傅强调，专业知识越深厚的专家，Agent能为其创造的效率增量就越显著 [21][74] - 必备技能：蒂姆·德特默斯强调“要么善用Agent，要么被时代淘汰”，使用Agent并有效检查、编辑其输出（约10%的工作）将成为未来核心技能，能带来巨大的生产效率提升 [20][67][68] 人工智能行业未来趋势预判 - 小模型与开源模型：双方均认为小模型将成为行业新热点，针对特定领域数据训练的小模型部署难度低、性能出色，将更具吸引力 [23][81]。开源模型（如GLM-4.7）的能力将进一步飞跃，并开始媲美最优秀的前沿模型 [23][26][83] - 硬件多元化与专业化：硬件赛道将走向多元化发展，训练与推理环节的专业化分化会加剧 [23][24]。推理芯片将更侧重在手机、笔记本电脑等终端设备本地运行 [61] - 架构创新：Transformer架构独霸天下的时代将落幕，状态空间模型（SSM）、线性注意力及各类混合架构等新架构将登上舞台 [25][84][86]。中国团队在架构创新上更敢于探索多种可能性，通过架构创新或极致性能让开源模型脱颖而出 [26][85] - 多模态与端侧AI：多模态领域（如视频生成）及端侧AI（在笔记本电脑、手机等设备上运行的AI）预计将有进一步发展 [23][83] - 中美发展路径差异：相比美国“先做出最强模型，再等待应用出现”的思路，中国模型团队的发展思维更务实，更关注模型能否真正落地并在现实场景中产生价值 [26][55]