美國科技板塊“高得離譜”的估值，部分反映了這樣一種信念：通用人工智能(AGI)已近在眼前。盡管鮮有人就通用人工智能的確切內(nèi)涵達(dá)成一致，投資者似乎仍堅(jiān)信：更強(qiáng)的可泛化AI將重塑經(jīng)濟(jì)生產(chǎn)率，并為其創(chuàng)造者帶來滾滾財(cái)富。

為維持這一敘事，美國科技公司正投入數(shù)千億美元建設(shè)更多AI基礎(chǔ)設(shè)施，以擴(kuò)展其算力。問題在于，如今的擴(kuò)容正產(chǎn)生邊際效益遞減，一些研究者懷疑AI行業(yè)的路線圖是否會(huì)通向可完全泛化的智能。持強(qiáng)烈懷疑態(tài)度的加里?馬庫斯(Gary Marcus)近日寫道，生成式AI模型仍應(yīng)被視為“加強(qiáng)版的復(fù)讀機(jī)”，在真實(shí)性、幻覺和推理方面很難，并且永遠(yuǎn)不可能把我們帶向“通用人工智能的圣杯”。

圍繞規(guī)模化極限的爭論已持續(xù)多年，迄今為止懷疑者總被證明錯(cuò)了。2019年，計(jì)算機(jī)科學(xué)家理查德?薩頓(Rich Sutton)撰寫《苦澀的教訓(xùn)》，主張解決人工智能問題的最佳方式是持續(xù)投入更多數(shù)據(jù)和算力。所謂“苦澀的教訓(xùn)”在于：人類的巧思被高估，且不斷被規(guī)模化的力量所超越。