10²⁶参数揭示AGI发展之路：清华人大预测70年后GPU总价将达4000万倍苹果市值

最近，清华大学和中国人民大学的研究团队发布了一项关于人工智能通用智能（AGI）的研究，给当前AI领域的狂热情绪泼了一盆冷水。😮 研究指出，人类距离实现真正的AGI还有整整70年的时间。这一结论基于他们提出的全新评估框架——“生存游戏”（Survival Game），该框架通过量化智能体在试错过程中的失败次数来评估智能水平。失败次数越少，智能越高。📉

研究中，智能的“自主水平”被定义为系统在应对新挑战时失败次数的期望值和方差都保持有限。这意味着系统能够持续有效地解决问题。🔍 在简单任务中，如基本的模式识别或规则推理，AI表现出较高的自主能力，失败次数低且稳定。当任务难度增加，如视频处理、搜索优化、推荐系统和自然语言理解时，AI的表现显著下降，失败次数激增，解决方案的稳定性也随之降低。📊

研究团队预测，要在通用任务中达到“自主水平”，AI模型需要高达10²⁶的参数。这一规模之大，以至于训练这样一个模型所需的H100 GPU总价值竟然是苹果市值的4×10⁷倍！💸 即使按照摩尔定律的乐观估计，支撑这种参数规模的硬件条件也需要70年的技术积累。这一预测无疑给AI领域带来了巨大的挑战。🚀

研究还探讨了智能的产生过程，将其比作自然选择中的试错淬炼。智能并非与生俱来，而是自然选择在亿万年进化中塑造的产物。🌱 受此启发，研究人员提出了“生存游戏”框架，通过试错过程中的失败次数来量化智能。失败次数的期望和方差直接反映了智能水平。如果两者都收敛，表明主体具备高效解决问题的能力。🎯

基于失败次数的期望和方差，研究人员将智能分为三个层次：有限级、胜任级和自主级。这一分级不仅适用于生物智能，也为评估AI提供了科学的标尺。📏 具体实验中，研究人员将当前最领先的大模型在“生存游戏”中进行评估。结果显示，在手写数字识别等简单任务中，AI的表现达到了“自主级”，但在视觉处理、搜索引擎优化、推荐系统和自然语言理解等复杂任务中，AI大多停留在“有限级”。这意味着它们无法有效缩小答案范围，表现近似于“暴力枚举”，既低效又容易出错。🔬

这项研究不仅揭示了当前AI技术的局限性，也为未来AI的发展提供了重要的参考。尽管AGI的实现看似遥远，但这一研究为我们指明了前进的方向。🌟