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点，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也许只剩下一到两年，此后任何性能提高都将面临物理上不可行性。

他强调，自2024年以来，GPU性能的提高已逐步趋于瓶颈，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的性能已接近极点，但Dettmers认为，通过硬体整合创造仍可延长其运用寿命。

例如，NVIDIA新鲜的GB200 NVL72体系能够将加速器数量从8个提高至72个，从而实现了约30倍的推理智能提高。