硅谷激辩 AGI 路径：谷歌 DeepMind 力推规模至上，杨立昆另辟世界模型新赛道

　　谷歌 DeepMind CEO 德米斯・哈萨比斯断言，将 AI 规模化推向极致是通向通用人工智能的关键;而前 Meta 首席 AI 科学家杨立昆却直言，仅靠数据与算力的堆砌根本解不开 AI 发展的核心难题。这场关于 AI 未来走向的激烈论战，正搅动整个硅谷科技圈，并悄然重塑全球人工智能的技术演进方向。

　　据《商业内幕》报道，凭借近期发布的 Gemini 3 大模型收获广泛赞誉的哈萨比斯，于上周在旧金山一场人工智能峰会上明确表达了对规模定律的坚定立场。他强调：“我们必须把当前 AI 的规模化推向极致，它最终会成为通用人工智能的关键组成部分，甚至有可能构成整个通用人工智能系统。”

　　所谓通用人工智能(AGI)，是指具备与人类同等甚至超越人类的推理、学习等综合智能，能应对各类复杂未知任务的人工智能形态，目前该概念仍停留在理论阶段，却是全球头部 AI 企业争相角逐的终极目标。而哈萨比斯力挺的规模定律，是机器学习领域的核心经验规律，其核心逻辑可概括为 “模型参数更大 + 训练数据更多 + 训练周期更长 = 模型智能更高”，长期以来都是大模型预训练的核心遵循原则。

　　不过哈萨比斯并非对规模定律盲目迷信，他也坦言，仅依靠这一定律或许能推动 AI 向 AGI 靠近，但要真正实现这一终极目标，大概率还需要一到两项关键性的技术突破作为补充。

　　事实上，规模定律的局限性早已显现，且面临着多重现实挑战。从数据层面来看，公开可用于模型训练的高质量数据总量有限，长期依赖数据堆砌的模式迟早会陷入 “无米之炊” 的困境;从成本角度而言，算力的扩张必然需要大规模兴建数据中心，这不仅会让模型训练成本持续飙升，还可能出现投入产出递减的尴尬局面;而大量数据中心的运转会消耗巨额能源，也给生态环境带来了不小的压力，这些都让单纯的规模化路径备受质疑。

　　这种质疑声中，以杨立昆为代表的反对派观点尤为突出。这位近期宣布离职 Meta 并自立门户的 AI 界大佬，早在今年 4 月新加坡国立大学的活动中就公开抨击规模定律：“大多数真正有趣的问题在规模定律下表现得极其糟糕，你不能简单地认为堆数据和堆算力就能产出更聪明的 AI。”

　　据悉，杨立昆离职创业的核心目标，就是打造一套不依赖传统语言数据、转而依靠空间数据构建的 “世界模型” AI 体系。这套体系被业内视为传统大语言模型的重要替代方案，其核心思路是让 AI 通过理解物理世界的空间规则与因果关系形成认知能力，而非仅仅通过海量文本数据学习模式规律，这与哈萨比斯主张的规模化路径形成了鲜明对立。

　　值得注意的是，这场论战并非二元对立的争论。OpenAI 联合创始人、前首席科学家伊尔亚・苏茨克维近期也加入讨论，他同样对规模化是 AI 进步唯一关键路径的观点提出挑战，呼吁行业告别简单的技术堆砌，重新回归注重底层创新的研究核心。而谷歌 DeepMind 在推进 Gemini 3 规模化的同时，也通过稀疏 MoE 架构等技术创新，实现了 “大而高效” 的突破 —— 该架构让模型拥有海量参数专家库，却仅激活少量专家参与计算，在保障性能的同时大幅降低了计算成本，这或许也是规模化路径的一种优化方向。

　　这场席卷硅谷的 AGI 路径之争，本质上是 AI 行业发展到关键阶段的一次集体思考。无论是哈萨比斯坚守的规模化路线，还是杨立昆探索的世界模型新赛道，都为 AGI 的实现提供了宝贵的探索方向，而最终哪条路径能率先突破，或将决定未来全球 AI 行业的竞争格局。