NVIDIA再快也不行！科学家示警AGI阻碍在算力：已接近物理极限

（由多段落组成）：

近年来，人工智能技术飞速发展，通用人工智能（AGI）的实现前景备受关注。然而，艾伦人工智能研究所的研究科学家、同时也是卡内基梅隆大学助理教授的Tim Dettmers在其最新博客中发出警示：当前计算硬件的发展正逼近物理极限，这可能成为制约AGI乃至超级智能突破的关键瓶颈。

Dettmers指出，尽管关于强人工智能的讨论常常聚焦于算法、模型结构或伦理问题，但真正决定其能否落地的核心因素，其实是底层算力的支持。他强调，目前GPU等主流AI加速芯片的性能提升已明显放缓，自2018年以来，硬件进步主要依赖于低精度计算和张量核心优化等技术手段，而这些改进的实际增益远不如宣传中那般显著。

更令人担忧的是，根据他的分析，现有硬件架构的可扩展空间仅剩大约一到两年时间。一旦达到这一临界点，继续通过堆叠晶体管或提升频率来增强性能将面临物理层面的根本性限制，例如功耗墙、散热难题以及量子隧穿效应等问题将难以克服。

不过，Dettmers并未完全否定未来的可能性。他认为，虽然单个处理器的性能接近天花板，但通过系统级的硬件整合与架构创新，仍有望延长AI算力的增长周期。以NVIDIA推出的GB200 NVL72系统为例，该平台将原本8个加速器的配置大幅提升至72个，实现了推理性能约30倍的飞跃，展示了规模化互联在弥补单芯片瓶颈方面的巨大潜力。

因此，业界未来的发展重心或将从“单芯片性能竞赛”转向“集群化协同计算”与“异构集成设计”。要推动AGI真正落地，不仅需要算法上的突破，更离不开对计算基础设施的深度重构。面对日益增长的模型规模与算力需求，如何在物理限制下实现高效能计算，将成为AI领域下一阶段的关键挑战。

人工智能, AGI, GPU性能, 算力瓶颈, 硬件创新

本文来源： 快科技【阅读原文】