當通用人工智能(AGI)成為全球 AI 巨頭的終極競逐目标，一條核心分歧正撕裂行業共識：通向人類級智能的路徑，究竟是将 “規模定律” 推至極緻，還是必須重構技術架構?谷歌 DeepMind CEO 哈薩比斯與前 Meta 首席 AI 科學家楊立昆的巅峰論戰，恰是這場路線博弈的縮影。
規模定律派：極緻規模化是 AGI 基石
憑借 Gemini 3 一戰成名的谷歌 DeepMind，正堅定踐行 “規模優先” 戰略。CEO 哈薩比斯近期明确表态：“必須把當前 AI 的規模化推向極緻，這将是通用人工智能的關鍵組成，甚至可能構成整個 AGI 系統的核心。”
這一觀點的核心支撐是 AI 領域的 “規模定律”—— 模型參數、訓練數據量、算力投入與模型性能間存在可預測的正相關關系，通俗而言即 “更大模型 + 更多數據 + 更久訓練 = 更優智能”。Gemini 3 的成功似乎印證了這一路徑：其通過稀疏混合專家架構擴容後，在博士級推理任務中得分達 37.5%，較前代提升顯著。
不過哈薩比斯并未陷入絕對樂觀，他坦言：“僅靠規模定律或許能觸達 AGI 門檻，但最終可能還需 1-2 項颠覆性突破才能真正達成。” 而規模路線的隐憂已浮現：公開高質量數據總量有限，算力擴容帶來的不僅是指數級增長的訓練成本，更引發數據中心能耗的環境壓力，行業對 “投入産出遞減” 的擔憂也日益加劇。
架構創新派：拒絕 “堆料”，重構智能底層
前 Meta 首席 AI 科學家楊立昆的離職創業，被視作對規模路線的公開反叛。這位 AI 領域泰鬥直言：“大多數核心智能問題無法靠規模解決，堆數據和算力造不出真正聰明的 AI。”
在他看來，當前大語言模型依賴文本數據的訓練模式存在先天局限，無法讓 AI 真正理解物理世界。為此，他離職後押注 “世界模型”—— 一種不依賴語言數據、而是通過空間數據模拟人類對世界認知的全新架構，試圖繞開規模定律的瓶頸。其核心邏輯直指智能本質：人類智能并非源于 “海量數據訓練”，而是基于對物理世界的感知與建模能力，這正是當前規模驅動型 AI 的短闆。
争議背後：AGI 路徑的本質抉擇
這場論戰絕非技術細節的分歧，而是對 AGI 本質的認知差異：哈薩比斯陣營認為，AGI 是現有技術路線的 “極緻進化 + 關鍵突破”，規模是不可或缺的基礎;楊立昆則堅信，AGI 需要 “底層架構革命”，現有規模路線隻會陷入 “邊際效益遞減” 的死胡同。
目前行業已出現折中信号：越來越多研究顯示，Chinchilla 模型通過 “參數減量 + 數據增量” 的平衡策略，實現了比超大規模模型更優的性價比。這意味着，AGI 的終極路徑或許不是非此即彼 —— 規模仍是重要基礎，但架構創新、數據質量提升等維度的突破，将共同決定 AGI 的落地進程。
免責聲明：本文僅代表作者個人觀點，與每日科技網無關。其原創性以及文中陳述文字和内容未經本站證實，對本文以及其中全部或者部分内容、文字的真實性、完整性、及時性本站不作任何保證或承諾，請讀者僅作參考，并請自行核實相關内容。
本網站有部分内容均轉載自其它媒體，轉載目的在于傳遞更多信息，并不代表本網贊同其觀點和對其真實性負責，若因作品内容、知識産權、版權和其他問題，請及時提供相關證明等材料并與我們聯系，本網站将在規定時間内給予删除等相關處理.
