矽谷激辯 AGI 路徑：谷歌 DeepMind 力推規模至上，楊立昆另辟世界模型新賽道

　　谷歌 DeepMind CEO 德米斯・哈薩比斯斷言，将 AI 規模化推向極緻是通向通用人工智能的關鍵;而前 Meta 首席 AI 科學家楊立昆卻直言，僅靠數據與算力的堆砌根本解不開 AI 發展的核心難題。這場關于 AI 未來走向的激烈論戰，正攪動整個矽谷科技圈，并悄然重塑全球人工智能的技術演進方向。

　　據《商業内幕》報道，憑借近期發布的 Gemini 3 大模型收獲廣泛贊譽的哈薩比斯，于上周在舊金山一場人工智能峰會上明确表達了對規模定律的堅定立場。他強調：“我們必須把當前 AI 的規模化推向極緻，它最終會成為通用人工智能的關鍵組成部分，甚至有可能構成整個通用人工智能系統。”

　　所謂通用人工智能(AGI)，是指具備與人類同等甚至超越人類的推理、學習等綜合智能，能應對各類複雜未知任務的人工智能形态，目前該概念仍停留在理論階段，卻是全球頭部 AI 企業争相角逐的終極目标。而哈薩比斯力挺的規模定律，是機器學習領域的核心經驗規律，其核心邏輯可概括為 “模型參數更大 + 訓練數據更多 + 訓練周期更長 = 模型智能更高”，長期以來都是大模型預訓練的核心遵循原則。

　　不過哈薩比斯并非對規模定律盲目迷信，他也坦言，僅依靠這一定律或許能推動 AI 向 AGI 靠近，但要真正實現這一終極目标，大概率還需要一到兩項關鍵性的技術突破作為補充。

　　事實上，規模定律的局限性早已顯現，且面臨着多重現實挑戰。從數據層面來看，公開可用于模型訓練的高質量數據總量有限，長期依賴數據堆砌的模式遲早會陷入 “無米之炊” 的困境;從成本角度而言，算力的擴張必然需要大規模興建數據中心，這不僅會讓模型訓練成本持續飙升，還可能出現投入産出遞減的尴尬局面;而大量數據中心的運轉會消耗巨額能源，也給生态環境帶來了不小的壓力，這些都讓單純的規模化路徑備受質疑。

　　這種質疑聲中，以楊立昆為代表的反對派觀點尤為突出。這位近期宣布離職 Meta 并自立門戶的 AI 界大佬，早在今年 4 月新加坡國立大學的活動中就公開抨擊規模定律：“大多數真正有趣的問題在規模定律下表現得極其糟糕，你不能簡單地認為堆數據和堆算力就能産出更聰明的 AI。”

　　據悉，楊立昆離職創業的核心目标，就是打造一套不依賴傳統語言數據、轉而依靠空間數據構建的 “世界模型” AI 體系。這套體系被業内視為傳統大語言模型的重要替代方案，其核心思路是讓 AI 通過理解物理世界的空間規則與因果關系形成認知能力，而非僅僅通過海量文本數據學習模式規律，這與哈薩比斯主張的規模化路徑形成了鮮明對立。

　　值得注意的是，這場論戰并非二元對立的争論。OpenAI 聯合創始人、前首席科學家伊爾亞・蘇茨克維近期也加入讨論，他同樣對規模化是 AI 進步唯一關鍵路徑的觀點提出挑戰，呼籲行業告别簡單的技術堆砌，重新回歸注重底層創新的研究核心。而谷歌 DeepMind 在推進 Gemini 3 規模化的同時，也通過稀疏 MoE 架構等技術創新，實現了 “大而高效” 的突破 —— 該架構讓模型擁有海量參數專家庫，卻僅激活少量專家參與計算，在保障性能的同時大幅降低了計算成本，這或許也是規模化路徑的一種優化方向。

　　這場席卷矽谷的 AGI 路徑之争，本質上是 AI 行業發展到關鍵階段的一次集體思考。無論是哈薩比斯堅守的規模化路線，還是楊立昆探索的世界模型新賽道，都為 AGI 的實現提供了寶貴的探索方向，而最終哪條路徑能率先突破，或将決定未來全球 AI 行業的競争格局。