谷歌DeepMind首席执行官德米斯·哈萨比斯近日公开表示，将现有AI系统的规模扩展至极限，可能是实现通用人工智能（AGI）的核心路径。这一观点引发了硅谷科技界对"规模定律"应用边界的持续讨论。作为刚推出Gemini 3模型并获得业界认可的AI领军人物，哈萨比斯在上周的学术交流中指出："当前AI发展的规模化进程尚未触及天花板，这项技术最终可能直接构成AGI系统，或成为其关键组成部分。"
通用人工智能（AGI）指具备人类水平认知能力的智能系统，能够理解、学习并完成人类可执行的各类任务。尽管全球顶尖科技企业都在投入资源研发，但这项技术至今仍停留在理论阶段。支撑当前大模型发展的规模定律，本质是揭示模型参数规模、训练数据量与计算资源投入之间的量化关系——通常表现为"参数规模越大、训练数据越丰富、计算时间越长，模型性能越强"的规律。
哈萨比斯在阐述技术路线时也保持审慎态度。他承认单纯依赖规模扩展可能推动AI向AGI演进，但同时指出："要真正实现突破，或许还需要1-2项关键技术革新。"这种观点与部分行业专家的担忧形成呼应——随着公开数据资源逐渐耗尽，持续扩大模型规模将面临数据获取瓶颈；而建设超大规模数据中心带来的能源消耗与环境影响，也使训练成本呈指数级增长。有研究机构测算，当前顶尖大模型的训练能耗已相当于数百个家庭的年用电量。
在硅谷的另一极，前meta首席AI科学家杨立昆（Yann LeCun）公开质疑规模定律的普适性。这位今年4月在新加坡国立大学演讲时直言："多数真正具有挑战性的智能问题，无法通过简单堆砌数据和算力解决。"他以人类认知机制为例，强调视觉感知、物理推理等能力需要特定的认知架构支撑，而非单纯依赖数据规模。这种观点与其正在研发的"世界模型"项目密切相关——该系统试图通过构建三维空间数据模型，模拟人类对物理世界的理解方式，形成有别于大语言模型的技术路径。
据知情人士透露，杨立昆离职meta后创立的新公司，将专注于开发不依赖文本数据的空间智能系统。这种技术路线若取得突破，可能为AGI研发开辟全新方向。当前科技界普遍认为，无论规模扩张派还是架构创新派，其技术路线都面临数据质量、能源消耗、算力瓶颈等共同挑战。如何在现有技术框架下实现质变，或通过范式革新突破物理限制，将成为决定AGI发展进程的关键因素。
