快科技 12 月 15 日消息，近日，艾伦人工智能研究所（Allen Institute for AI）的研究科学家、卡内基梅隆大学助理教授 Tim Dettmers 在博客文章中指出：

现阶段的计算处理器技术已接近物理极限，有限的硬件扩展能力将成为实现通用人工智能（AGI）和超级智能的最大障碍。

他指出，关于 AGI 的讨论往往停留在哲学层面，但其最终实现必须依赖实际的运算能力支撑，现有硬件的扩展空间可能只剩下一到两年，此后任何性能提升都将面临物理上不可行性。

他强调，自 2018 年以来，GPU 性能的提升已逐步趋于瓶颈，后续的改进主要依靠低精度数据类型和张量核心的优化，但这些新技术带来的效果并非如业界所宣传的那般大。

虽然单个 GPU 的性能已接近极限，但 Dettmers 认为，通过硬体整合创新仍可延长其使用寿命。

例如，NVIDIA 最新的 GB200 NVL72 系统能够将加速器数量从 8 个提升至 72 个，从而实现了约 30 倍的推理性能提升。