AGI 路线之争白热化：规模致胜还是架构破局？硅谷两大巨头正面交锋

　　当通用人工智能(AGI)成为全球 AI 巨头的终极竞逐目标，一条核心分歧正撕裂行业共识：通向人类级智能的路径，究竟是将 “规模定律” 推至极致，还是必须重构技术架构?谷歌 DeepMind CEO 哈萨比斯与前 Meta 首席 AI 科学家杨立昆的巅峰论战，恰是这场路线博弈的缩影。

　　规模定律派：极致规模化是 AGI 基石

　　凭借 Gemini 3 一战成名的谷歌 DeepMind，正坚定践行 “规模优先” 战略。CEO 哈萨比斯近期明确表态：“必须把当前 AI 的规模化推向极致，这将是通用人工智能的关键组成，甚至可能构成整个 AGI 系统的核心。”

　　这一观点的核心支撑是 AI 领域的 “规模定律”—— 模型参数、训练数据量、算力投入与模型性能间存在可预测的正相关关系，通俗而言即 “更大模型 + 更多数据 + 更久训练 = 更优智能”。Gemini 3 的成功似乎印证了这一路径：其通过稀疏混合专家架构扩容后，在博士级推理任务中得分达 37.5%，较前代提升显著。

　　不过哈萨比斯并未陷入绝对乐观，他坦言：“仅靠规模定律或许能触达 AGI 门槛，但最终可能还需 1-2 项颠覆性突破才能真正达成。” 而规模路线的隐忧已浮现：公开高质量数据总量有限，算力扩容带来的不仅是指数级增长的训练成本，更引发数据中心能耗的环境压力，行业对 “投入产出递减” 的担忧也日益加剧。

　　架构创新派：拒绝 “堆料”，重构智能底层

　　前 Meta 首席 AI 科学家杨立昆的离职创业，被视作对规模路线的公开反叛。这位 AI 领域泰斗直言：“大多数核心智能问题无法靠规模解决，堆数据和算力造不出真正聪明的 AI。”

　　在他看来，当前大语言模型依赖文本数据的训练模式存在先天局限，无法让 AI 真正理解物理世界。为此，他离职后押注 “世界模型”—— 一种不依赖语言数据、而是通过空间数据模拟人类对世界认知的全新架构，试图绕开规模定律的瓶颈。其核心逻辑直指智能本质：人类智能并非源于 “海量数据训练”，而是基于对物理世界的感知与建模能力，这正是当前规模驱动型 AI 的短板。

　　争议背后：AGI 路径的本质抉择

　　这场论战绝非技术细节的分歧，而是对 AGI 本质的认知差异：哈萨比斯阵营认为，AGI 是现有技术路线的 “极致进化 + 关键突破”，规模是不可或缺的基础;杨立昆则坚信，AGI 需要 “底层架构革命”，现有规模路线只会陷入 “边际效益递减” 的死胡同。

　　目前行业已出现折中信号：越来越多研究显示，Chinchilla 模型通过 “参数减量 + 数据增量” 的平衡策略，实现了比超大规模模型更优的性价比。这意味着，AGI 的终极路径或许不是非此即彼 —— 规模仍是重要基础，但架构创新、数据质量提升等维度的突破，将共同决定 AGI 的落地进程。